TWI823689B - 特徵分析方法與特徵分析與最佳化推薦系統 - Google Patents
特徵分析方法與特徵分析與最佳化推薦系統 Download PDFInfo
- Publication number
- TWI823689B TWI823689B TW111145628A TW111145628A TWI823689B TW I823689 B TWI823689 B TW I823689B TW 111145628 A TW111145628 A TW 111145628A TW 111145628 A TW111145628 A TW 111145628A TW I823689 B TWI823689 B TW I823689B
- Authority
- TW
- Taiwan
- Prior art keywords
- features
- feature
- data
- specified
- value
- Prior art date
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 64
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims description 30
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 15
- 238000010845 search algorithm Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims 2
- 230000002776 aggregation Effects 0.000 claims 2
- 238000005520 cutting process Methods 0.000 description 22
- 238000005516 engineering process Methods 0.000 description 11
- 238000010295 mobile communication Methods 0.000 description 7
- 238000000034 method Methods 0.000 description 6
- 239000012634 fragment Substances 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
Images
Landscapes
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Eye Examination Apparatus (AREA)
Abstract
一種特徵分析方法與特徵分析與最佳化推薦系統。運算裝置自用戶端裝置接收在指定類別下的指定機台的參數資料,並執行:在參數資料中取出位於指定範圍內的資料;在所取出的在指定範圍內的資料中進行特徵萃取,以獲得多個特徵;判斷所述特徵對於指定類別的重要性;以及進行最佳化迭代計算,以找出每一個特徵的最佳數值範圍。
Description
本發明是有關於一種資料探勘機制,且特別是有關於一種特徵分析方法與特徵分析與最佳化推薦系統。
隨著科學技術的日新月異,各種行業的資訊化程度大幅全面提升,整個社會的資料正在以前所未有的速度快速增長。而資料探勘便是在巨量資料快速增長下的產物。資料探勘過程的總體目標是從一個資料集中提取資訊,並將其轉換成可理解的結構。
一般用於廠房良率分析的情況下,當生產品質或效能出現異常時,廠房人員採用人工方式逐一判斷每一個參數與良率之間的關聯性。然,在機台良率異常的情況下,大量機台製程參數具有相互影響且高度複雜,因此難以準確調整機台參數並改善良率問題。過往沒有一個有效且實用的系統架構,皆利用手動分析,以及大量實驗設計來找尋最佳數值狀態,需耗費大量時間與實驗成本。
本發明提供一種特徵分析方法與特徵分析與最佳化推薦系統,可快速找尋關鍵特徵與趨勢性,並提供最佳數值範圍。
本發明的特徵分析方法,包括透過運算裝置自用戶端裝置接收在指定類別下的指定機台的參數資料,並執行:在參數資料中取出位於指定範圍內的資料;在所取出的在指定範圍內的資料中進行特徵萃取,以獲得多個特徵;判斷所述特徵對於指定類別的重要性;以及進行最佳化迭代計算,以找出每一個特徵的最佳數值範圍。
在本發明的一實施例中,上述特徵分析方法更包括:透過用戶端裝置提供的輸入介面,選定在指定類別下的指定機台的參數資料;以及透過用戶端裝置提供的輸出介面,輸出對應於參數資料的視覺化圖表。
在本發明的一實施例中,在參數資料中取出位於指定範圍內的資料的步驟包括:響應於指定範圍為時間區間,在參數資料中取出位於時間區間內的資料;以及響應於指定範圍為數值區間,在參數資料中取出位於數值區間內的資料。
在本發明的一實施例中,在所取出的在指定範圍內的資料中進行特徵萃取,以獲得所述特徵的步驟包括:對資料中所包括的每一機台參數值執行基本統計運算、斜率運算、分位數計算、區間運算以及起始值設定中的至少其中一者,以獲得至少一個統計參數各自對應的計算數值,並將所述至少一統計參數設定為所述特徵。
在本發明的一實施例中,上述指定範圍內的資料包括與多個測試對象的每一個對應的一組機台參數值,而判斷所述特徵對於指定類別的重要性的步驟包括:基於每一個測試對象所包括的一組機台參數值,計算所有特徵各自的計算數值;針對每一個測試對象所包括的對應於所有特徵的一組計算數值,計算基於每一個測試對象的各特徵對應於指定類別的權重分數;以及針對各特徵所包括的對應於所有測試對象的一組權重分數,進行加總計算,並將加總後的總值設定為各特徵對應的參考分數,其中參考分數越高代表重要性越高。
在本發明的一實施例中,在將加總後的總值設定為每一該些特徵對應的該參考分數之後,更包括:基於各特徵對應的參考分數,對全部特徵進行排序。
在本發明的一實施例中,進行最佳化迭代計算,以找出每一個特徵的最佳數值範圍的步驟包括:(a)針對每一個測試對象,採用關鍵數值搜尋演算法來調整至少一個特徵對應的計算數值,以獲得一組調整後數值;(b)針對每一個測試對象所包括的對應於所有特徵的一組調整後數值,計算基於每一個測試對象的每一個特徵對應於指定類別的調整後權重分數;(c)針對每一個特徵所包括的對應於所有測試對象的一組調整後權重分數,進行加總計算,並將加總後的總值設定為每一個特徵對應的調整後的參考分數;(d)相較於先前計算的參考分數,判斷調整後的參考分數是否更靠近指定類別對應的代表數值;以及(e)重複上述(a)~(d),以找出每一個特徵的最佳數值範圍。
在本發明的一實施例中,採用關鍵數值搜尋演算法來調整至少一個特徵對應的計算數值的步驟包括:在限定規則下,採用關鍵數值搜尋演算法來調整至少一個特徵對應的計算數值,以獲得至少一調整後數值,其中限定規則包括下述至少其中一個:調整後數值在臨界範圍內;以及調整後數值符合與其他特徵對應的計算數值之間的大小關係。
在本發明的一實施例中,採用關鍵數值搜尋演算法來調整至少一個特徵對應的計算數值的步驟包括:在所述特徵中,基於重要性取出規定數量的特徵,針對每一個測試對象,採用關鍵數值搜尋演算法來調整規定數量的特徵各自對應的計算數值,以獲得一組調整後數值。
本發明的特徵分析與最佳化推薦系統,包括:用戶端裝置,提供輸入介面;以及運算裝置,經由傳輸協定與用戶端裝置進行數據傳輸。運算裝置包括:儲存器,經配置以儲存分析模組;以及處理器,耦接至儲存器。處理器經配置以執行分析模組來實現:自用戶端裝置接收在指定類別下指定機台的參數資料;在參數資料中取出位於指定範圍內的資料;在所取出的在指定範圍內的資料中進行特徵萃取,以獲得多個特徵;判斷所述特徵對於指定類別的重要性;以及進行最佳化迭代計算,以找出各特徵的最佳數值範圍。
基於上述,本揭露提供一種特徵分析方法及特徵分析與最佳化推薦系統,對原始的參數資料進行切割,之後在切割後的資料中進行特徵萃取,並判斷獲取的特徵對於指定類別的重要性,藉此可快速找尋關鍵特徵與趨勢性。
圖1是依照本發明一實施例的特徵分析與最佳化推薦系統的方塊圖。請參照圖1,特徵分析與最佳化推薦系統100包括運算裝置100A以及用戶端裝置100B。運算裝置100A與用戶端裝置100B透過有線或無線的傳輸協定進行數據傳輸。
運算裝置100A包括處理器110、儲存器120以及傳輸介面130。處理器110耦接至儲存器120以及傳輸介面130。儲存器120中包括分析模組121。
處理器110例如為中央處理單元(Central Processing Unit,CPU)、物理處理單元(Physics Processing Unit,PPU)、可程式化之微處理器(Microprocessor)、嵌入式控制晶片、數位訊號處理器(Digital Signal Processor,DSP)、特殊應用積體電路(Application Specific Integrated Circuit,ASIC)或其他類似裝置。
儲存器120例如是任意型式的固定式或可移動式隨機存取記憶體(Random Access Memory,RAM)、唯讀記憶體(Read-Only Memory,ROM)、快閃記憶體(Flash memory)、硬碟或其他類似裝置或這些裝置的組合。分析模組121是由一或多個程式碼片段所組成,上述程式碼片段在被安裝後,會由處理器110來執行。
在其他實施例中,分析模組121還可進一步包括多個模組,這些模組分別由一或多個程式碼片段所組成,由處理器110來執行。舉例來說,圖2是依照本發明一實施例的分析模組的架構圖。請參照圖2,分析模組121包括資料切割模組221、特徵萃取模組223、特徵趨勢分析模組225以及最佳化推薦模組227。
傳輸介面130可以是採用區域網路(Local Area Network,LAN)技術、無線區域網路(Wireless LAN,WLAN)技術或行動通訊技術的晶片或電路。區域網路例為乙太網路(Ethernet)。無線區域網路例如為Wi-Fi。行動通訊技術例如為全球行動通訊系統(Global System for Mobile Communications,GSM)、第三代行動通訊技術(third-Generation,3G)、第四代行動通訊技術(fourth-Generation,4G)、第五代行動通訊技術(fifth-Generation,5G)等。另外,傳輸介面130也可以是通用序列匯流排(universal serial bus,USB)接口等序列埠匯流排接口。
用戶端裝置100B包括處理器140、儲存器150以及傳輸介面160。處理器140耦接至儲存器150以及傳輸介面160。儲存器150中包括輸入介面151與輸出介面153。
處理器140例如為CPU、PPU、可程式化之微處理器、嵌入式控制晶片、DSP、ASIC或其他類似裝置。儲存器150例如是任意型式的固定式或可移動式RAM、ROM、快閃記憶體、硬碟或其他類似裝置或這些裝置的組合。傳輸介面160可以是採用LAN技術、WLAN技術或行動通訊技術的晶片或電路。另外,傳輸介面160也可以是USB接口等序列埠匯流排接口。
輸入介面151與輸出介面153為使用者介面,是處理器140和使用者之間進行互動和資訊交換的媒介。輸入介面151與輸出介面153分別由一或多個程式碼片段所組成。輸入介面151供使用者進行操作,以選擇指定機台、指定類別等,來決定欲傳送至運算裝置100A的參數資料。輸出介面153用以輸出對應於機於輸入介面151所決定的參數資料的視覺化圖表。
圖3是依照本發明一實施例的特徵分析方法的流程圖。請參照圖3,在步驟S305中,在運算裝置100A中,處理器110經由傳輸介面130自用戶端裝置100B接收在指定類別下的指定機台的參數資料。所述參數資料例如為溫度、壓力、電流、電壓、濃度、氣體流量等。
圖4是依照本發明一實施例的輸入介面的示意圖。在本實施例中,指定類別包括良率正常與良率異常兩種。請參照圖4,使用者可通過輸入介面151來選擇任一機台的良率正常或良率異常的參數資料,之後透過輸入介面151將所選的參數資料上傳至運算裝置100A。運算裝置100A還可在儲存器120中設置大數據資料庫,據以存放自用戶端裝置100B接收到的參數資料。
圖5是依照本發明一實施例的輸出介面的示意圖。請參照圖5,輸出介面153輸出對應於由輸入介面151所選定的參數資料的視覺化圖表。舉例來說,橫軸(X軸)為時間單位的索引,縱軸(Y軸)代每一個索引值對應的機台參數值。例如,倘若指定機台設定為每1秒鐘記錄當下的機台參數值(例如電壓值),則一個時間單位的索引代表1秒,每一個索引對應一個機台參數值。一種參數資料對應至一張視覺化圖表。假設透過輸入介面151所選定的參數資料包括氣壓、電流與溫度,則輸出介面153會顯示分別對應至氣壓、電流與溫度的三張視覺化圖表供使用者觀看。
返回圖3,在步驟S310中,處理器110透過資料切割模組221,在參數資料中取出位於指定範圍內的資料。例如,響應於指定範圍為時間區間,處理器110在參數資料中取出位於時間區間內的資料。響應於指定範圍為數值區間,在參數資料中取出位於數值區間內的資料。
舉例來說,圖6是依照本發明一實施例的資料切割介面的示意圖。請參照圖6,資料切割介面600是由資料切割模組221所提供,使用者可在資料切割介面600選擇要兩段式切割或是三段式切割。在此,假設選擇兩段式切割,則可進一步限定X點位(時間切割)的上限與下限以及限定Y點位(數值切割)的上限與下限。例如,可僅限定X點位(時間切割)的上、下限或僅限定Y點位(數值切割)的上、下限。另外,也可同時限定X點位(時間切割)以及Y點位(數值切割)兩者的上、下限。
在一實施例中,資料切割模組221可將所提供的資料切割介面600顯示在運算裝置100A的顯示器中。在另一實施例中,資料切割模組221可透過傳輸協定在用戶端裝置100B的顯示器中顯示資料切割介面600,以供使用者在遠端來進行設定。
返回圖3,在步驟S315中,在所取出的在指定範圍內的資料中進行特徵萃取,以獲得多個特徵。
在此,處理器110透過特徵萃取模組223對所述指定範圍內的資料執行基本統計運算(包括最大值、最小值、平均值、標準差等)、斜率運算、分位數計算(例如第25分位數、第50分位數、第75分位數等)、區間運算(interval arithmetic)以及起始值設定的至少其中一種運算,藉此計算至少一個統計參數以獲得其對應的計算數值,進而將所述統計參數設定為所萃取出的特徵。統計參數包括最大值、最小值、平均值、標準差、斜率、分位數等至少其中一個。
圖7是依照本發明一實施例的特徵萃取介面的示意圖。請參照圖7,特徵萃取介面700是由特徵萃取模組223所提供,使用者可透過特徵萃取介面700來設定與計算的統計參數。例如,特徵萃取介面700包括選擇欄701~709。選擇欄701、703、705用來選擇欲計算的統計運算,選擇欄709與選擇欄707用來限定欲進行所述統計運算的資料起點與資料區間。在設定完成之後,特徵萃取模組223便可基於所述設定在一指定區間內進行統計運算,以獲得一或多個統計參數的計算數值。例如:統計參數「電流平均」對應的計算數值為多個電流值平均後的平均值;統計參數「電流最大值」對應的計算數值為多個電流值中的最大者。
返回圖3,在萃取出特徵之後,在步驟S320中,判斷所述特徵對於指定類別的重要性。例如:處理器110透過特徵趨勢分析模組225執行可解釋人工智慧(Explainable artificial intelligence)模型分析來判斷所述特徵對於指定類別的重要性。
在一實施例中,指定範圍內的資料包括與多個測試對象的每一個對應的一組機台參數值。假設測試對象為玻璃基板,則不同的玻璃基板會有對應的識別碼(Identifier,ID),不同的玻璃基板在對應的製程機台上會有不同組的機台參數值。
在本實施例中,特徵趨勢分析模組225針對每一個測試對象所包括的對應於所有特徵的一組計算數值,計算基於每一個測試對象的每一個特徵對應於指定類別的權重分數。例如,特徵趨勢分析模組225採用薛普利加法解釋(SHapley Additive exPlanations,SHAP)演算法來實現可解釋人工智慧模型分析,以解釋單一特徵對指定類別的影響。利用SHAP演算法對每一個特徵計算一個對應的權重分數(SHAP值),利用權重分數代表每個特徵對其對應的指定類別的正面或負面貢獻的程度。即,反映每個特徵對於指定類別的貢獻大小。例如,權重分數為正數代表對應特徵對於指定類別有正面貢獻。權重分數為負分代表對應特徵對於指定類別有負面貢獻。
接著,特徵趨勢分析模組225針對每一個特徵所包括的對應於所有測試對象的一組權重分數,進行加總計算,並將加總後的總值設定為每一個特徵對應的參考分數,其中參考分數越高代表重要性越高。
底下以表1來舉例說明。請參照表1,在本實施例中,假設每一個測試對象皆具有一個對應的識別碼,例如ID001、ID002、ID003、ID004、…等,萃取的特徵包括特徵A、特徵B、特徵C以及特徵D。假設特徵A、特徵B、特徵C以及特徵D分別為電流平均、電流最大值、電流最小值以及電流標準差。每一個識別碼對應的一組特徵(包括特徵A~特徵D)皆具有對應的一個計算數值。
以識別碼ID001的測試對象而言,特徵趨勢分析模組225基於識別碼ID001的測試對象對應的一組機台參數值,計算特徵A、特徵B、特徵C以及特徵D各自的計算數值(即多個電流的平均值、最大值、最小值以及標準差)。接著,特徵趨勢分析模組225基於識別碼ID001對應的一組計算數值來計算特徵A、特徵B、特徵C以及特徵D對應於指定類別(良率正常)的權重分數WS1_A、WS1_B、WS1_C、WS1_D。以此類推,特徵趨勢分析模組225計算出其他識別碼所包括的特徵A~D相對與指定類別的一組權重分數。
表1
識別碼 | 特徵A | 特徵B | 特徵C | 特徵D | 指定類別 |
ID001 | WS1_A | WS1_B | WS1_C | WS1_D | 良率正常 |
ID002 | WS2_A | WS2_B | WS2_C | WS2_D | 良率正常 |
ID003 | WS3_A | WS3_B | WS3_C | WS3_D | 良率異常 |
ID004 | WS4_A | WS4_B | WS4_C | WS4_D | 良率異常 |
… | … | … | … | … | … |
ID00n | WSn_A | WSn_B | WSn_C | WSn_D | 良率異常 |
參考分數 | S_A | S_B | S_C | S_D |
之後,特徵趨勢分析模組225針對特徵A~特徵D的每一個所包括的權重分數來進行加總計算,以獲得特徵A~特徵D的參考分數S_A、S_B、S_C、S_D。即,
S_A= WS1_A+WS2_A+WS3_A+WS4_A+…+WSn_A;
S_B= WS1_B+WS2_B+WS3_B+WS4_B+…+WSn_B;
S_C= WS1_C+WS2_C+WS3_C+WS4_C+…+WSn_C;
S_D= WS1_D+WS2_D+WS3_D+WS4_D+…+WSn_D。
特徵趨勢分析模組225還可進一步基於特徵A~特徵D對應的參考分數,對特徵A~特徵D進行排序。例如,由參考分數高排序至低。參考分數越高,代表其對應的特徵對其指定類別的影響越高。
之後,在步驟S325中,進行最佳化迭代計算,以找出各特徵的最佳數值範圍。在一實施例中,處理器110透過最佳化推薦模組227採用關鍵數值搜尋(Key value search)演算法以及最佳化迭代演算法。最佳化迭代演算法是採用自動化機器學習(automated machine learning,AutoML)的基於樹模型(tree-based model)進行迭代計算,並可設定參數規格、特徵梯度權重、分群變異權重方法進行參數組合之評分,藉由啟發式演算法(heuristic algorithm)進行搜索,直到滿足停止標準後以得到最佳數值範圍,或者一組最佳推薦數值。
在一實施例中,分析模組121重複執行底下步驟(a)~步驟(d)來找出各特徵的最佳數值範圍。
在步驟(a)中,透過最佳化推薦模組227針對各測試對象,採用關鍵數值搜尋演算法來調整至少一個特徵對應的計算數值,以獲得一組調整後數值。在限定規則下,採用關鍵數值搜尋演算法來調整至少一個特徵對應的計算數值。所述限定規則包括:將調整後數值限定在一個臨界範圍內,或者將調整後數值設定為符合與其他特徵對應的計算數值之間的大小關係。以表1而言,限定規則例如可設定為:特徵A的數值需小於特徵B的數值,特徵B的數值需大於特徵C的數值等等。
最佳化推薦模組227可提供一個規則設定介面供使用者來決定限定規則。可通過規則設定介面選擇要設定的一個或多個特徵的臨界範圍的上、下限。並且,還可通過規則設定介面來設定兩個或多個特徵之間的大小關係。
另外,也可設定為,基於所萃取出的特徵的重要性來取出規定數量的特徵,以調整所取出的規定數量的特徵的計算數值。例如,取出參考分數最高的兩個特徵來調整其計算數值。
之後,在步驟(b)中,透過特徵趨勢分析模組225針對各測試對象所包括的對應於所有特徵的一組調整後數值,計算基於各測試對象的每一個特徵對應於指定類別的調整後權重分數。
並且,在步驟(c)中,透過特徵趨勢分析模組225針對各特徵所包括的對應於所有測試對象的一組調整後權重分數,進行加總計算,並將加總後的總值設定為各特徵對應的調整後的參考分數。
接著,在步驟(d)中,透過最佳化推薦模組227相較於先前計算的參考分數,判斷調整後的參考分數是否更靠近指定類別對應的代表數值。例如,指定類別為良率正常的代表數值為“0”,指定類別為良率異常的代表數值為“1”。
分析模組121重複執行步驟(a)~(d),以找出各特徵的最佳數值範圍。例如,可事先設定一迭代次數,當重複執行步驟(a)~(d)的次數抵達所設定的迭代次數,分析模組121停止再次執行步驟(a)~(d)。或者,當調整後的參考分數已趨近0或1時,分析模組121停止再次執行步驟(a)~(d)。
另外,運算裝置100A還可進一步在自身的顯示器中顯示一使用者介面,或者將此使用者介面提供給用戶端裝置100B以顯示在用戶端裝置100B的顯示器中。所述使用者介面可以同時顯示底下內容:輸入介面151的選擇結果;基於輸入介面151的選擇的輸出介面153,例如分屬於良率正常與良率異常的參數資料的分布圖、時間趨勢圖及/或散點圖;所萃取的特徵基於SHAP值的重要性的視覺化顯示;推薦結果(包括各特徵的最佳數值範圍)。
綜上所述,在上述實施例中,對原始的參數資料進行切割,之後在切割後的資料中進行特徵萃取,並判斷獲取的特徵對於指定類別的重要性,藉此可快速找尋關鍵特徵與趨勢性。此外,還進一步根據客製化的輸入來對關鍵特徵輔助推薦、分析以達到快速找尋最佳推薦結果。
100:特徵分析與最佳化推薦系統
100A:運算裝置
100B:用戶端裝置
110、140:處理器
120、150:儲存器
121:分析模組
130、160:傳輸介面
151:輸入介面
153:輸出介面
221:資料切割模組
223:特徵萃取模組
225:特徵趨勢分析模組
227:最佳化推薦模組
600:資料切割介面
700:特徵萃取介面
S305~S325:特徵分析方法的步驟
圖1是依照本發明一實施例的特徵分析與最佳化推薦系統的方塊圖。
圖2是依照本發明一實施例的分析模組的架構圖。
圖3是依照本發明一實施例的特徵分析方法的流程圖。
圖4是依照本發明一實施例的輸入介面的示意圖。
圖5是依照本發明一實施例的輸出介面的示意圖。
圖6是依照本發明一實施例的資料切割介面的示意圖。
圖7是依照本發明一實施例的特徵萃取介面的示意圖。
S305~S325:特徵分析方法的步驟
Claims (10)
- 一種特徵分析方法,包括:透過一運算裝置自一用戶端裝置接收在一指定類別下的一指定機台的一參數資料,其中該指定類別為一良率正常類別或一良率異常類別,該參數資料包括該指定機台的多種參數在不同時間下所記錄的多組機台參數值;以及透過該運算裝置執行下述步驟:在該參數資料中取出位於一指定範圍內的資料;在所取出的在該指定範圍內的該資料中進行特徵萃取,以獲得多個特徵,包括:對該資料中所包括的每一種所述參數所包括的一組機台參數值執行多個統計運算以獲得對應於每一該些參數的多個計算數值,並基於該些統計運算以該些參數為基礎來設定多個統計參數作為該些特徵;基於該些特徵各自對應的該計算數值,判斷該些特徵對於該指定類別的重要性;以及進行一最佳化迭代計算,以找出每一該些特徵的最佳數值範圍。
- 如請求項1所述的特徵分析方法,更包括透過該運算裝置執行下述步驟:透過該用戶端裝置提供的一輸入介面,選定在該指定類別下的該指定機台的該參數資料;以及透過該用戶端裝置提供的一輸出介面,輸出對應於該參數資 料的一視覺化圖表。
- 如請求項1所述的特徵分析方法,其中在該參數資料中取出位於該指定範圍內的資料的步驟包括:響應於該指定範圍為一時間區間,在該參數資料中取出位於該時間區間內的資料;以及響應於該指定範圍為一數值區間,在該參數資料中取出位於該數值區間內的資料。
- 如請求項1所述的特徵分析方法,其中該統計運算為一基本統計運算、一斜率運算、一分位數計算、一區間運算以及一起始值設定中的其中一者。
- 如請求項1所述的特徵分析方法,其中該指定範圍內的該資料包括與多個測試對象的每一個對應的一組機台參數值,而判斷該些特徵對於該指定類別的重要性的步驟包括:基於每一該些測試對象所包括的該組機台參數值,計算所有該些特徵各自的該計算數值;針對每一該些測試對象所包括的對應於所有該些特徵的一組計算數值,計算基於每一該些測試對象的每一該些特徵對應於該指定類別的一權重分數;以及針對每一該些特徵所包括的對應於所有該些測試對象的一組權重分數,進行加總計算,並將加總後的總值設定為每一該些特徵對應的一參考分數,其中該參考分數越高代表該重要性越高。
- 如請求項5所述的特徵分析方法,其中在將加總後的總值設定為每一該些特徵對應的該參考分數之後,更包括:基於每一該些特徵對應的該參考分數,對該些特徵進行一排序。
- 如請求項5所述的特徵分析方法,其中進行該最佳化迭代計算,以找出每一該些特徵的最佳數值範圍的步驟包括:(a)針對每一該些測試對象,採用一關鍵數值搜尋演算法來調整至少一個特徵對應的計算數值,以獲得一組調整後數值;(b)針對每一該些測試對象所包括的對應於所有該些特徵的該組調整後數值,計算基於每一該些測試對象的每一該些特徵對應於該指定類別的一調整後權重分數;(c)針對每一該些特徵所包括的對應於所有該些測試對象的一組調整後權重分數,進行加總計算,並將加總後的總值設定為每一該些特徵對應的調整後的參考分數;(d)相較於先前計算的參考分數,判斷該調整後的參考分數是否更靠近該指定類別對應的一代表數值;以及(e)重複上述(a)~(d),以找出每一該些特徵的最佳數值範圍。
- 如請求項7所述的特徵分析方法,其中採用該關鍵數值搜尋演算法來調整該至少一個特徵對應的計算數值的步驟包括:在一限定規則下,採用該關鍵數值搜尋演算法來調整該至少一個特徵對應的計算數值,以獲得至少一調整後數值,其中該限定 規則包括下述至少其中一個:該調整後數值在一臨界範圍內;以及該調整後數值符合與其他特徵對應的計算數值之間的一大小關係。
- 如請求項7所述的特徵分析方法,其中採用該關鍵數值搜尋演算法來調整該至少一個特徵對應的計算數值的步驟包括:在該些特徵中,基於該重要性取出一規定數量的多個特徵,針對每一該些測試對象,採用該關鍵數值搜尋演算法來調整該規定數量的該些特徵的每一個對應的計算數值,以獲得該組調整後數值。
- 一種特徵分析與最佳化推薦系統,包括:一用戶端裝置,提供一輸入介面;以及一運算裝置,經由一傳輸協定與該用戶端裝置進行數據傳輸,該運算裝置包括:一儲存器,經配置以儲存一分析模組;一處理器,耦接至該儲存器,經配置以執行該分析模組來實現:自該用戶端裝置接收在一指定類別下一指定機台的一參數資料,其中該指定類別為一良率正常類別或一良率異常類別,該參數資料包括該指定機台的多種參數在不同時間下所記錄的多組機台參數值;在該參數資料中取出位於一指定範圍內的資料; 在所取出的在該指定範圍內的該資料中進行特徵萃取,以獲得多個特徵,包括:對該資料中所包括的每一種所述參數所包括的一組機台參數值執行多個統計運算以獲得對應於每一該些參數的多個計算數值,並基於該些統計運算以該些參數為基礎來設定多個統計參數作為該些特徵;基於該些特徵各自對應的該計算數值,判斷該些特徵對於該指定類別的重要性;以及進行一最佳化迭代計算,以找出每一該些特徵的最佳數值範圍。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111145628A TWI823689B (zh) | 2022-11-29 | 2022-11-29 | 特徵分析方法與特徵分析與最佳化推薦系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111145628A TWI823689B (zh) | 2022-11-29 | 2022-11-29 | 特徵分析方法與特徵分析與最佳化推薦系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI823689B true TWI823689B (zh) | 2023-11-21 |
TW202422424A TW202422424A (zh) | 2024-06-01 |
Family
ID=89722746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111145628A TWI823689B (zh) | 2022-11-29 | 2022-11-29 | 特徵分析方法與特徵分析與最佳化推薦系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI823689B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201432479A (zh) * | 2013-02-07 | 2014-08-16 | Foresight Technology Company Ltd | 製程參數的搜尋與分析方法及其電腦程式產品 |
TW202016352A (zh) * | 2018-10-29 | 2020-05-01 | 力晶積成電子製造股份有限公司 | 製程控制系統與方法 |
US20210117665A1 (en) * | 2017-11-13 | 2021-04-22 | Way2Vat Ltd. | Systems and methods for neuronal visual-linguistic data retrieval from an imaged document |
CN113589755A (zh) * | 2021-09-30 | 2021-11-02 | 杭州数途信息科技有限公司 | 基于优化补偿的智能调机方法及系统 |
-
2022
- 2022-11-29 TW TW111145628A patent/TWI823689B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201432479A (zh) * | 2013-02-07 | 2014-08-16 | Foresight Technology Company Ltd | 製程參數的搜尋與分析方法及其電腦程式產品 |
US20210117665A1 (en) * | 2017-11-13 | 2021-04-22 | Way2Vat Ltd. | Systems and methods for neuronal visual-linguistic data retrieval from an imaged document |
TW202016352A (zh) * | 2018-10-29 | 2020-05-01 | 力晶積成電子製造股份有限公司 | 製程控制系統與方法 |
CN113589755A (zh) * | 2021-09-30 | 2021-11-02 | 杭州数途信息科技有限公司 | 基于优化补偿的智能调机方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444247B (zh) | 一种基于kpi指标的根因定位方法、装置及存储介质 | |
CN109145957B (zh) | 基于大数据的配电网异常指标的识别与处理方法及装置 | |
CN106897821B (zh) | 一种暂态评估特征选择方法及装置 | |
US7937234B2 (en) | Classification of spatial patterns on wafer maps | |
CN103745273A (zh) | 一种半导体制造过程的多性能预测方法 | |
TW201615844A (zh) | 異因分析與校正方法與系統 | |
CN106682454B (zh) | 一种宏基因组数据分类方法和装置 | |
CN103488561B (zh) | 一种在线升级主样本模型的kNN故障检测方法 | |
CN106407258A (zh) | 一种缺失数据预测方法及装置 | |
CN107609774B (zh) | 一种基于思维进化算法优化小波神经网络的光伏功率预测方法 | |
CN109919130A (zh) | 一种基于改进遗传算法优化的质量控制图模式识别方法 | |
CN115021679B (zh) | 一种基于多维离群点检测的光伏设备故障检测方法 | |
CN105701562B (zh) | 训练方法、所适用的预测发电功率的方法及各自系统 | |
CN117241306B (zh) | 一种4g网络异常流量数据实时监测方法 | |
CN112149737A (zh) | 选择模型训练方法、模型选择方法、装置及电子设备 | |
CN114169434A (zh) | 一种负荷预测方法 | |
TWI823689B (zh) | 特徵分析方法與特徵分析與最佳化推薦系統 | |
CN106773700A (zh) | 遗传算法优化的多模型预测控制方法 | |
CN112256209B (zh) | 一种云存储系统的参数配置优化方法及优化系统 | |
CN112837754B (zh) | 一种基于特征基因的单细胞自动分类方法和装置 | |
CN113743453A (zh) | 一种基于随机森林的人口数量预测方法 | |
CN112990569A (zh) | 一种水果价格预测方法 | |
CN111144569A (zh) | 一种基于遗传算法的良率提升适用模型的优化方法 | |
CN105930358B (zh) | 基于关联度的案例检索方法及其系统 | |
CN113536050B (zh) | 一种配网监控系统曲线数据查询处理方法 |