TWI833192B - 電漿放電電流分類系統及方法 - Google Patents
電漿放電電流分類系統及方法 Download PDFInfo
- Publication number
- TWI833192B TWI833192B TW111112699A TW111112699A TWI833192B TW I833192 B TWI833192 B TW I833192B TW 111112699 A TW111112699 A TW 111112699A TW 111112699 A TW111112699 A TW 111112699A TW I833192 B TWI833192 B TW I833192B
- Authority
- TW
- Taiwan
- Prior art keywords
- current signal
- current
- plasma discharge
- data points
- periodic noise
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000000737 periodic effect Effects 0.000 claims abstract description 50
- 238000013136 deep learning model Methods 0.000 claims abstract description 37
- 238000011176 pooling Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000012935 Averaging Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000001636 atomic emission spectroscopy Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000001499 laser induced fluorescence spectroscopy Methods 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Plasma Technology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本發明提出一種電漿放電電流分類方法，其包含以下步驟。將電漿放電的電流訊號進行平均池化，以得出電流訊號的趨勢；從趨勢中計算每兩相鄰數據點的差異，進而找出最大差異，最大差異的位置係對應於電流訊號中出現週期性雜訊的位置；依據電流訊號中出現週期性雜訊的位置，消除電流訊號中的週期性雜訊，以得出過濾後的電流訊號；將過濾後的電流訊號的波形進行最大池化，以得出縮減後的電流訊號；透過深度學習模型對縮減後的電流訊號進行分類。
Description
本發明是有關於一種系統及方法，且特別是有關於一種電漿放電電流分類系統及其電漿放電電流分類方法。
為了實時(real time)進行電漿診斷並使電漿源穩定，電漿放電數據採集必須是實時的，並且實驗設置必須易於取得。質譜、雷射光誘導螢光和自發拉曼散射等量測依賴於複雜的儀器和專門設計的實驗裝置，這增加了數據採集的成本並降低了再現性。即使是通常用於測量電漿的光放射光譜測量(OES)，也需要額外的儀器進行測量，並且無法實時獲得數據。
由於電漿在不同狀況下之放電電流特徵具有差異性，但又因雜訊與訊號變動不容易使用標準化閾值或數值分析進行不同放電特徵辨識。
本發明提出一種電漿放電電流分類系統及其電漿
放電電流分類方法，改善先前技術的問題。
在本發明的一實施例中，本發明所提出的電漿放電電流分類系統包含儲存裝置以及處理器。儲存裝置儲存至少一指令，處理器電性連接儲存裝置。處理器用以存取並執行至少一指令以：將電漿放電的電流訊號進行平均池化，以得出電流訊號的趨勢；從趨勢中計算每兩相鄰數據點的差異，進而找出最大差異，最大差異的位置係對應於電流訊號中出現週期性雜訊的位置；依據電流訊號中出現週期性雜訊的位置，消除電流訊號中的週期性雜訊，以得出過濾後的電流訊號；將過濾後的電流訊號的波形進行最大池化，以得出縮減後的電流訊號；透過深度學習模型對縮減後的電流訊號進行分類。
在本發明的一實施例中，平均池化以第一預定步長於電流訊號中逐步移動預設範圍，藉以逐步平均預設範圍內的多個數據點，以得出電流訊號的趨勢，其中第一預定步長占電流訊號的長度之0.5%至2%。
在本發明的一實施例中，處理器用以存取並執行至少一指令以：將電流訊號中出現週期性雜訊的位置之前後各n個數據點取平均值，並將平均值替代預定過濾範圍內的多個數據點，藉以消除週期性雜訊，其中n為整數，n個數據點所占長度為電流訊號的長度之0.5%至2%。
在本發明的一實施例中，最大池化以第二預定步長於電流訊號中逐步移動預設範圍，於預設範圍每次移動時，取出預設範圍中為最大值的數據點，從而構成縮減後
的電流訊號，其中第二預定步長占電流訊號的長度之0.05%至0.2%。
在本發明的一實施例中，處理器用以存取並執行至少一指令以：透過深度學習模型中多個不同大小的卷積核與最大池化層，從縮減後的電流訊號中抓取不同範圍的多個特徵，其中進入深度學習模型的縮減後的電流訊號的總點數為500至2000個數據點；基於多個特徵，使用神經網路進行電漿放電模式改變之電流分析、電漿工作氣體變化電流分析、電漿電流電極變化電流分析與處理之標的物變化電流分析中之至少一者。
在本發明的一實施例中，本發明所提出的電漿放電電流分類方法包含以下步驟：將電漿放電的電流訊號進行平均池化，以得出電流訊號的趨勢；從趨勢中計算每兩相鄰數據點的差異，進而找出最大差異，最大差異的位置係對應於電流訊號中出現週期性雜訊的位置；依據電流訊號中出現週期性雜訊的位置，消除電流訊號中的週期性雜訊，以得出過濾後的電流訊號；將過濾後的電流訊號的波形進行最大池化，以得出縮減後的電流訊號；透過深度學習模型對縮減後的電流訊號進行分類。
在本發明的一實施例中，平均池化以第一預定步長於電流訊號中逐步移動預設範圍，藉以逐步平均預設範圍內的多個數據點，以得出電流訊號的趨勢，其中第一預定步長占電流訊號的長度之0.5%至2%。
在本發明的一實施例中，消除電流訊號中的週期性
雜訊之步驟包含：將電流訊號中出現週期性雜訊的位置之前後各n個數據點取平均值，並將平均值替代預定過濾範圍內的多個數據點，藉以消除週期性雜訊，其中n為整數，n個數據點所占長度為電流訊號的長度之0.5%至2%。
在本發明的一實施例中，最大池化以第二預定步長於電流訊號中逐步移動預設範圍，於預設範圍每次移動時，取出預設範圍中為最大值的數據點，從而構成縮減後的電流訊號，其中第二預定步長占電流訊號的長度之0.05%至0.2%。
在本發明的一實施例中，電漿放電電流分類方法更包含：透過深度學習模型中多個不同大小的卷積核與最大池化層，從縮減後的電流訊號中抓取不同範圍的多個特徵，其中進入深度學習模型的縮減後的電流訊號的總點數為500至2000個數據點；基於多個特徵，使用神經網路進行電漿放電模式改變之電流分析、電漿工作氣體變化電流分析、電漿電流電極變化電流分析與處理之標的物變化電流分析中之至少一者。
綜上所述，本發明之技術方案與現有技術相比具有明顯的優點和有益效果。藉由本發明的電漿放電電流分類系統及電漿放電電流分類方法，有效地解決週期性雜訊，並得出縮減後的電流訊號，以利於深度學習模型的性能。
以下將以實施方式對上述之說明作詳細的描述，並對本發明之技術方案提供更進一步的解釋。
為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附符號之說明如下：
100:電漿放電電流分類系統
110:儲存裝置
120:處理器
130:顯示器
170:電源供應器
180:量測裝置
190:電漿設備
210、240:電流訊號
212、242:位置
220、250:趨勢
230、260:曲線
232、262:位置
300:深度學習模型
310:初始模塊
320:平均池化層
330:全連接層
311:卷積核
312:卷積核
313:卷積核
314:卷積核
315:卷積核
316:最大池化層
400:電漿放電電流分類方法
S401~S405:步驟
為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下：第1圖是依照本發明一實施例之一種電漿放電電流分類系統的方塊圖；第2A圖是依照本發明一實施例之一種電流訊號的波形圖；第2B圖是第2A圖的電流訊號經處理後的曲線圖；第2C圖是依照本發明另一實施例之一種電流訊號的波形圖；第2D圖是第2C圖的電流訊號經處理後的曲線圖；第3A圖是依照本發明一實施例之一種深度學習模型的方塊圖；第3B圖是第3A圖中初始模塊的方塊圖；以及第4圖是依照本發明一實施例之一種電漿放電電流分類方法的流程圖。
為了使本發明之敘述更加詳盡與完備，可參照所附之圖式及以下所述各種實施例，圖式中相同之號碼代表相同或相似之元件。另一方面，眾所週知的元件與步驟並未描述於實施例中，以避免對本發明造成不必要的限制。
請參照第1圖，本發明之技術態樣是一種電漿放電電流分類系統100，其可應用在電腦，或是廣泛地運用在
相關之技術環節。本技術態樣之電漿放電電流分類系統100可達到相當的技術進步，並具有產業上的廣泛利用價值。以下將搭配第1圖來說明電漿放電電流分類系統100之具體實施方式。
應瞭解到，電漿放電電流分類系統100的多種實施方式搭配第1圖進行描述。於以下描述中，為了便於解釋，進一步設定許多特定細節以提供一或多個實施方式的全面性闡述。然而，本技術可在沒有這些特定細節的情況下實施。於其他舉例中，為了有效描述這些實施方式，已知結構與裝置以方塊圖形式顯示。此處使用的「舉例而言」的用語，以表示「作為例子、實例或例證」的意思。此處描述的作為「舉例而言」的任何實施例，無須解讀為較佳或優於其他實施例。
實作上，在本發明的一實施例中，電漿放電電流分類系統100可為控制板、伺服器、電腦主機或其他計算機設備。以伺服器言，已發展或開發中的許多技術可管理計算機伺服器的運作，大致上可以提供可存取性、一致性與效率。遠端管理允許用於伺服器的輸入輸出介面(例如：顯示螢幕、滑鼠、鍵盤…等)的移除，以及網路管理者實體訪問每一個伺服器的需求。舉例而言，包含許多計算機伺服器的龐大資料中心一般使用多種遠端管理工具來管理，以配置、監控與除錯伺服器硬體與軟體。
應瞭解到，本文中所使用之『約』、『大約』或『大致』係用以修飾任何可些微變化的數量，但這種些微變化
並不會改變其本質。於實施方式中若無特別說明，則代表以『約』、『大約』或『大致』所修飾之數值的誤差範圍一般是容許在百分之二十以內，較佳地是於百分之十以內，而更佳地則是於百分五之以內。
實作上，在本發明的一實施例中，電漿放電電流分類系統100可選擇性地與量測裝置180建立連線，量測裝置180電性連接電漿設備190，電漿設備190電性連接電源供應器170。實作上，舉例而言，量測裝置180可設置於電漿設備190的外部，亦可整合於電漿設備190的內部。應瞭解到，於實施方式與申請專利範圍中，涉及『連線』之描述，其可泛指一元件透過其他元件而間接與另一元件進行有線與/或無線通訊，或是一元件無須透過其他元件而實體連接至另一元件。舉例而言，電漿放電電流分類系統100可透過其他元件而間接與量測裝置180進行有線與/或無線通訊，或是電漿放電電流分類系統100無須透過其他元件而實體連接至量測裝置180，熟習此項技藝者應視當時需要彈性選擇之。
第1圖是依照本發明一實施例之一種電漿放電電流分類系統100的方塊圖。如第1圖所示，電漿放電電流分類系統100包含儲存裝置110、處理器120以及顯示器130。舉例而言，儲存裝置110可為硬碟、快閃儲存裝置或其他儲存媒介，處理器120可為中央處理器、控制器或其他電路，顯示器130可為內建顯示器、外接螢幕或燈號。
在架構上，電漿放電電流分類系統100電性連接電
漿設備190，儲存裝置110電性連接處理器120，處理器120電性連接顯示器130。應瞭解到，於實施方式與申請專利範圍中，涉及『電性連接』之描述，其可泛指一元件透過其他元件而間接電氣耦合至另一元件，或是一元件無須透過其他元件而直接電連結至另一元件。舉例而言，儲存裝置110可為內建儲存裝置直接電連結至處理器120，或是儲存裝置110可為外部儲存設備透過網路裝置間接連線至處理器120。
於使用時，電源供應器170供電給電漿設備190，使電漿設備190進行電漿放電，量測裝置180量測電漿放電的電流訊號。雖然第1圖之量測裝置180僅繪示出一個，但此並不限制本發明，實務上，量測裝置180可泛指一種或多種量測電路，熟習此項技藝者應視當時需要彈性選擇之。
由於電源供應器170會對電流訊號產生週期性雜訊，為了防止雜訊影響深度學習模型的分類結果，電漿放電電流分類系統100要過濾掉這種週期性雜訊。在本發明的一實施例中，儲存裝置110儲存至少一指令，處理器120用以存取並執行至少一指令以：將電漿放電的電流訊號進行平均池化，以得出電流訊號的趨勢；從趨勢中計算每兩相鄰數據點的差異，進而找出最大差異，最大差異的位置係對應於電流訊號中出現週期性雜訊的位置；依據電流訊號中出現週期性雜訊的位置，消除電流訊號中的週期性雜訊，以得出過濾後的電流訊號；將過濾後的電流訊號的波形進行最大池化，以得出縮減後的電流訊號；透過深度學
習模型對縮減後的電流訊號進行分類。藉此，電漿放電電流分類系統100有效地解決週期性雜訊，並得出縮減後的電流訊號，以利於深度學習模型的性能。
關於上述平均池化，在本發明的一實施例中，平均池化以第一預定步長(如：步長約為300至500之間)於電流訊號中逐步移動預設範圍，藉以逐步平均預設範圍內的多個數據點，以得出電流訊號的趨勢，其中第一預定步長約占電流訊號的長度之0.5%至2%，藉以較準確得到電流訊號的趨勢。實務上，若第一預定步長小於電流訊號的長度之0.5%或大於電流訊號的長度之2%，則電流訊號的趨勢容易失準。另外，實作上，舉例而言，預設範圍的長短可視實際應用，彈性設定之。
為了對上述電流訊號的趨勢做更進一步的闡述，請同時參照第1、2A、2B、2C、2D圖，第2A圖是依照本發明一實施例之一種電流訊號的波形圖，第2B圖是第2A圖的電流訊號經處理後的曲線圖，第2C圖是依照本發明另一實施例之一種電流訊號的波形圖，第2D圖是第2C圖的電流訊號經處理後的曲線圖。
於第2A、2B圖中，電流訊號210為湯生(Townsend)放電的電流訊號(如：週期性弦波電流訊號)，經平均池化得出電流訊號210的趨勢220，從趨勢220中計算每兩相鄰數據點的差異所構成曲線230，曲線230中最大差異的位置232係對應於電流訊號210中出現週期性雜訊的位置212。實作上，舉例而言，曲線260中的最大
差異可為每一預設週期中的最大差異，預設週期的長短可視實際應用，彈性設定之。其餘的週期性雜訊的位置可以通過預設週期找到，於此不再贅述之。
於第2C、2D圖中，電流訊號240為輝光放電電流訊號(如：週期性弦波電流訊號)，經平均池化得出電流訊號240的趨勢250，從趨勢250中計算每兩相鄰數據點的差異所構成曲線260，曲線260中最大差異的位置262係對應於電流訊號240中出現週期性雜訊的位置242。實作上，舉例而言，曲線260中的最大差異可為每一預設週期中的最大差異，預設週期的長短可視實際應用，彈性設定之；預設週期例如可對應電流訊號240的全週期、半週期、四分之一週期…等，但本發明不以此為限。其餘的週期性雜訊的位置可以通過預設週期找到，於此不再贅述之。
接下來，回到第1圖，處理器120用以存取並執行至少一指令以：將電流訊號中出現週期性雜訊的位置之前後各n個數據點取平均值，並將平均值替代預定過濾範圍內的多個數據點，藉以消除週期性雜訊，其中n為整數，n個數據點所占長度約為電流訊號的長度之0.5%至2%，從而有效消除週期性雜訊。實務上，若n個數據點所占長度小於電流訊號的長度之0.5%或大於電流訊號的長度之2%，則週期性雜訊的消除效果較差。實作上，舉例而言，每個出現週期性雜訊的位置之前後各約300至600點(即，數據點)做為預定過濾範圍(步長約占整體電流訊號長度之0.5%至2%)替換為平均值以消除週期性雜訊。
關於上述最大池化，在本發明的一實施例中，最大池化以第二預定步長(如：步長約為40至60)於電流訊號中逐步移動預設範圍，於預設範圍每次移動時，取出預設範圍中為最大值的數據點，從而構成縮減後的電流訊號，其中第二預定步長約占電流訊號的長度之0.05%至0.2%，使縮減後的電流訊號利於深度學習模型的性能。實務上，若第二預定步長小於電流訊號的長度之0.05%或大於電流訊號的長度之0.2%，則縮減後的電流訊號不利於深度學習模型的性能。另外，實作上，舉例而言，預設範圍的長短可視實際應用，彈性設定之；預設範圍例如可大約等於上述預定過濾範圍，亦可為其他範圍。
在本發明的一實施例中，進入深度學習模型的縮減後的電流訊號的總點數約減少到500至2000個點(即，數據點)，因為大於2000個點太多的輸入訊號長度不利於深度學習模型的性能，小於500個點不足以深度學習模型進行訓練。
接下來，回到第1圖，電流訊號經過前處理後得出之縮減後的電流訊號被送入深度學習模型中進行分類。在本發明的一實施例中，處理器120用以存取並執行至少一指令以：透過深度學習模型中多個不同大小的卷積核與最大池化層，從縮減後的電流訊號中抓取不同範圍的多個特徵；基於多個特徵，使用神經網路進行電漿放電模式改變之電流分析、電漿工作氣體變化電流分析、電漿電流電極變化電流分析與處理之標的物變化電流分析中之至少一
者。
為了對上述深度學習模型做更進一步的闡述，請同時參照第1、3A、3B圖，第3A圖是依照本發明一實施例之一種深度學習模型300的方塊圖，第3B圖是第3A圖中初始模塊310的方塊圖。
於第3A圖中，深度學習模型300(如：InceptionTime)可包含六個初始(inception)模塊，殘差連接每三個初始模塊連接一次，平均池化層320與全連接層330構成的神經網路可進行上述分類及分析。回到第1圖，如此一來，電漿放電電流分類系統100藉由在電漿電流在放電模式轉換時產生的差異，在電流差異產生時快速且直接地發出警訊(如：顯示器130顯示警訊)並加以控制(如：處理器120自動控制或手動控制)。
於第3B圖中，首先通過卷積核大小為1的卷積核311計算特徵。然後，將結果發送到至少五個不同的操作，分別是卷積核大小為39、19、9、1的卷積核312、313、314、315和一個最大池化層316。實作上，舉例而言，因為使用PyTorch進行實作，因此將卷積核設置為奇數卷積核大小，具有更好的運算效果，利用不同大小卷積核賦予深度學習模型300更多元的感知野，進而同時偵測到電流訊號大範圍及小範圍的特徵。
綜合以上，舉例而言，電漿放電電流分類系統100以達到便宜、快速、直接、讀取容易，並且利於外接控制板的電漿電流放電模式分析。因電漿電流放電模式轉換難
以直接使用閾值分類，因此欲及早偵測電漿電擊氧化等問題需要以深度學習模型之卷積神經網路(如：InceptionTime)對電漿電流進行分類，最終達到可同時抓取電流波形大範圍及小範圍特徵之特性。
為了對上述電漿放電電流分類系統100的電漿放電電流分類方法做更進一步的闡述，請同時參照第1~4圖，第4圖是依照本發明一實施例之一種電漿放電電流分類方法400的流程圖。如第4圖所示，電漿放電電流分類方法400包含步驟S401~S405(應瞭解到，在本實施例中所提及的步驟，除特別敘明其順序者外，均可依實際需要調整其前後順序，甚至可同時或部分同時執行)。
電漿放電電流分類方法400可以採用非暫態電腦可讀取記錄媒體上的電腦程式產品的形式，此電腦可讀取記錄媒體具有包含在介質中的電腦可讀取的複數個指令。適合的記錄媒體可以包括以下任一者：非揮發性記憶體，例如：唯讀記憶體(ROM)、可程式唯讀記憶體(PROM)、可抹拭可程式唯讀記憶體(EPROM)、電子抹除式可程式唯讀記憶體(EEPROM)；揮發性記憶體，例如：靜態存取記憶體(SRAM)、動態存取記憶體(DRAM)、雙倍資料率隨機存取記憶體(DDR-RAM)；光學儲存裝置，例如：唯讀光碟(CD-ROM)、唯讀數位多功能影音光碟(DVD-ROM)；磁性儲存裝置，例如：硬碟機、軟碟機。
於步驟S401，將電漿放電的電流訊號進行平均池化，以得出電流訊號的趨勢。於步驟S402，從趨勢中計算
每兩相鄰數據點的差異，進而找出最大差異，最大差異的位置係對應於電流訊號中出現週期性雜訊的位置。於步驟S403，依據電流訊號中出現週期性雜訊的位置，消除電流訊號中的週期性雜訊，以得出過濾後的電流訊號。於步驟S404，將過濾後的電流訊號的波形進行最大池化，以得出縮減後的電流訊號。於步驟S405，透過深度學習模型對縮減後的電流訊號進行分類。藉此，電漿放電電流分類方法400有效地解決週期性雜訊，並得出縮減後的電流訊號，以利於深度學習模型的性能。
在本發明的一實施例中，步驟S401中的平均池化以第一預定步長於電流訊號中逐步移動預設範圍，藉以逐步平均預設範圍內的多個數據點，以得出電流訊號的趨勢，其中第一預定步長約占電流訊號的長度之0.5%至2%，藉以較準確得到電流訊號的趨勢。實務上，若第一預定步長小於電流訊號的長度之0.5%或大於電流訊號的長度之2%，則電流訊號的趨勢容易失準。
在本發明的一實施例中，步驟S403包含：將電流訊號中出現週期性雜訊的位置之前後各n個數據點取平均值，並將平均值替代預定過濾範圍內的多個數據點，藉以消除週期性雜訊，其中n為整數，n個數據點所占長度約為電流訊號的長度之0.5%至2%，從而有效消除週期性雜訊。實務上，若n個數據點所占長度小於電流訊號的長度之0.5%或大於電流訊號的長度之2%，則週期性雜訊的消除效果較差。
在本發明的一實施例中，步驟S404中的最大池化以第二預定步長於電流訊號中逐步移動預設範圍，於預設範圍每次移動時，取出預設範圍中為最大值的數據點，從而構成縮減後的電流訊號，其中第二預定步長約占電流訊號的長度之0.05%至0.2%，使縮減後的電流訊號利於深度學習模型的性能。實務上，若第二預定步長小於電流訊號的長度之0.05%或大於電流訊號的長度之0.2%，則縮減後的電流訊號不利於深度學習模型的性能。
在本發明的一實施例中，電漿放電電流分類方法400更包含：透過深度學習模型中多個不同大小的卷積核與最大池化層，從縮減後的電流訊號中抓取不同範圍的多個特徵，其中進入深度學習模型的縮減後的電流訊號的總點數約為500至2000個數據點；基於多個特徵，使用神經網路進行電漿放電模式改變之電流分析、電漿工作氣體變化電流分析、電漿電流電極變化電流分析與處理之標的物變化電流分析中之至少一者。
綜上所述，本發明之技術方案與現有技術相比具有明顯的優點和有益效果。藉由本發明的電漿放電電流分類系統100及電漿放電電流分類方法400，有效地解決週期性雜訊，並得出縮減後的電流訊號，以利於深度學習模型的性能。
雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護
範圍當視後附之申請專利範圍所界定者為準。
400:電漿放電電流分類方法
S401~S405:步驟
Claims (10)
- 一種電漿放電電流分類系統，包含：一儲存裝置，儲存至少一指令；以及一處理器，電性連接該儲存裝置，其中該處理器用以存取並執行該至少一指令以：將電漿放電的一電流訊號進行平均池化，以得出該電流訊號的一趨勢；從該趨勢中計算每兩相鄰數據點的差異，進而找出一最大差異，該最大差異的位置係對應於該電流訊號中出現週期性雜訊的位置；依據該電流訊號中出現該週期性雜訊的該位置，消除該電流訊號中的該週期性雜訊，以得出一過濾後的電流訊號；將該過濾後的電流訊號的波形進行最大池化，以得出一縮減後的電流訊號；以及透過一深度學習模型對該縮減後的電流訊號進行分類。
- 如請求項1所述之電漿放電電流分類系統，其中該平均池化以一第一預定步長於該電流訊號中逐步移動一預設範圍，藉以逐步平均該預設範圍內的多個數據點，以得出該電流訊號的該趨勢，其中該第一預定步長占該電流訊號的長度之0.5%至2%。
- 如請求項1所述之電漿放電電流分類系統，其中該處理器用以存取並執行該至少一指令以：將該電流訊號中出現該週期性雜訊的該位置之前後各n個數據點取平均值，並將該平均值替代預定過濾範圍內的該多個數據點，藉以消除該週期性雜訊，其中n為整數，該n個數據點所占長度為該電流訊號的長度之0.5%至2%。
- 如請求項1所述之電漿放電電流分類系統，其中該最大池化以一第二預定步長於該電流訊號中逐步移動一預設範圍，於該預設範圍每次移動時，取出該預設範圍中為最大值的數據點，從而構成該縮減後的電流訊號，其中該第二預定步長占該電流訊號的長度之0.05%至0.2%。
- 如請求項1所述之電漿放電電流分類系統，其中該處理器用以存取並執行該至少一指令以：透過該深度學習模型中多個不同大小的卷積核與一最大池化層，從該縮減後的電流訊號中抓取不同範圍的多個特徵，其中進入該深度學習模型的該縮減後的電流訊號的總點數為500至2000個數據點；以及基於該多個特徵，使用神經網路進行電漿放電模式改變之電流分析、電漿工作氣體變化電流分析、電漿電流 電極變化電流分析與處理之標的物變化電流分析中之至少一者。
- 一種電漿放電電流分類方法，包含以下步驟：將電漿放電的一電流訊號進行平均池化，以得出該電流訊號的一趨勢；從該趨勢中計算每兩相鄰數據點的差異，進而找出一最大差異，該最大差異的位置係對應於該電流訊號中出現週期性雜訊的位置；依據該電流訊號中出現該週期性雜訊的該位置，消除該電流訊號中的該週期性雜訊，以得出一過濾後的電流訊號；將該過濾後的電流訊號的波形進行最大池化，以得出一縮減後的電流訊號；以及透過一深度學習模型對該縮減後的電流訊號進行分類。
- 如請求項6所述之電漿放電電流分類方法，其中該平均池化以一第一預定步長於該電流訊號中逐步移動一預設範圍，藉以逐步平均該預設範圍內的多個數據點，以得出該電流訊號的該趨勢，其中該第一預定步長占該電流訊號的長度之0.5%至2%。
- 如請求項6所述之電漿放電電流分類方法， 其中消除該電流訊號中的該週期性雜訊之步驟包含：將該電流訊號中出現該週期性雜訊的該位置之前後各n個數據點取平均值，並將該平均值替代預定過濾範圍內的該多個數據點，藉以消除該週期性雜訊，其中n為整數，該n個數據點所占長度為該電流訊號的長度之0.5%至2%。
- 如請求項6所述之電漿放電電流分類方法，其中該最大池化以一第二預定步長於該電流訊號中逐步移動一預設範圍，於該預設範圍每次移動時，取出該預設範圍中為最大值的數據點，從而構成該縮減後的電流訊號，其中該第二預定步長占該電流訊號的長度之0.05%至0.2%。
- 如請求項6所述之電漿放電電流分類方法，更包含：透過該深度學習模型中多個不同大小的卷積核與一最大池化層，從該縮減後的電流訊號中抓取不同範圍的多個特徵，其中進入該深度學習模型的該縮減後的電流訊號的總點數為500至2000個數據點；以及基於該多個特徵，使用神經網路進行電漿放電模式改變之電流分析、電漿工作氣體變化電流分析、電漿電流電極變化電流分析與處理之標的物變化電流分析中之至少一者。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111112699A TWI833192B (zh) | 2022-03-31 | 2022-03-31 | 電漿放電電流分類系統及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111112699A TWI833192B (zh) | 2022-03-31 | 2022-03-31 | 電漿放電電流分類系統及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202341216A TW202341216A (zh) | 2023-10-16 |
| TWI833192B true TWI833192B (zh) | 2024-02-21 |
Family
ID=89856096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111112699A TWI833192B (zh) | 2022-03-31 | 2022-03-31 | 電漿放電電流分類系統及方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI833192B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108490204A (zh) * | 2011-09-25 | 2018-09-04 | 赛拉诺斯知识产权有限责任公司 | 用于多重分析的系统和方法 |
| US20200194224A1 (en) * | 2018-12-14 | 2020-06-18 | Kla Corporation | Detection and Correction of System Responses in Real-Time |
| WO2021080888A1 (en) * | 2019-10-24 | 2021-04-29 | Kla Corporation | Deep learning networks for nuisance filtering |
| TW202129552A (zh) * | 2020-01-03 | 2021-08-01 | 美商超捷公司 | 精確資料調校方法及用於人工神經網路中之類比神經記憶體之裝置 |
| TW202209259A (zh) * | 2020-08-17 | 2022-03-01 | 美商英特爾股份有限公司 | 用於包含光線追蹤的有效圖形處理的設備與方法 |
-
2022
- 2022-03-31 TW TW111112699A patent/TWI833192B/zh active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108490204A (zh) * | 2011-09-25 | 2018-09-04 | 赛拉诺斯知识产权有限责任公司 | 用于多重分析的系统和方法 |
| US20200194224A1 (en) * | 2018-12-14 | 2020-06-18 | Kla Corporation | Detection and Correction of System Responses in Real-Time |
| WO2021080888A1 (en) * | 2019-10-24 | 2021-04-29 | Kla Corporation | Deep learning networks for nuisance filtering |
| TW202129552A (zh) * | 2020-01-03 | 2021-08-01 | 美商超捷公司 | 精確資料調校方法及用於人工神經網路中之類比神經記憶體之裝置 |
| TW202209259A (zh) * | 2020-08-17 | 2022-03-01 | 美商英特爾股份有限公司 | 用於包含光線追蹤的有效圖形處理的設備與方法 |
Non-Patent Citations (1)
| Title |
|---|
| 期刊 張家睿 自動診斷輔助系統於肺部細胞影像分類及語意分割 國立陽明交通大學機械工程學系碩士論文 2021年12月 * |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202341216A (zh) | 2023-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6978541B2 (ja) | 動的外れ値偏り低減のコンピュータ実装方法、コンピュータシステム及びコンピュータ装置 | |
| CN108038040B (zh) | 计算机集群性能指标检测方法、电子设备及存储介质 | |
| TW202037906A (zh) | 半導體設備的缺陷分類及來源分析 | |
| JP2011513993A (ja) | プロセスデータおよび生産量データを使用するプロセス制御 | |
| JP6525044B1 (ja) | 監視システム、学習装置、学習方法、監視装置及び監視方法 | |
| CN111104736A (zh) | 基于时间序列的异常数据检测方法、装置、介质和设备 | |
| TWI833192B (zh) | 電漿放電電流分類系統及方法 | |
| CN117029968A (zh) | 一种流量数据的诊断方法、系统、存储介质和电子设备 | |
| KR20190060548A (ko) | 변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 방법 | |
| CN112597435B (zh) | 基于设备监理的火电设备质量数据处理方法及装置 | |
| CN106526520B (zh) | 一种光学电流互感器光源波动干扰试验系统 | |
| US8565910B2 (en) | Manufacturing execution system (MES) including a wafer sampling engine (WSE) for a semiconductor manufacturing process | |
| WO2022133895A1 (zh) | 基于设备监理的火电设备质量数据处理方法及装置 | |
| CN110109945B (zh) | 应用于基板的aoi检测方法、装置、存储介质及aoi检测设备 | |
| US10546243B1 (en) | Predicting particle size distribution and particle morphology | |
| TW202105449A (zh) | 用於遠端電漿源之維修 | |
| JP5096919B2 (ja) | プラズマ加工システムのコンピュータ用データ表示技術 | |
| TWI814669B (zh) | 影像感測器的電源穩定度檢測方法與檢測裝置 | |
| CN117193566B (zh) | 触控屏检测方法、装置、电子设备和存储介质 | |
| CN117521528B (zh) | 一种涡轮设备仿真模型进化方法、装置、介质及计算设备 | |
| TWI841511B (zh) | 測試記憶體裝置的系統與方法及非暫態電腦可讀取記錄媒體 | |
| CN117194963B (zh) | 工业fdc质量根因分析方法、设备及存储介质 | |
| CN103869129B (zh) | 一种计算差异度的方法及其示波器 | |
| JP2009134518A (ja) | 試験プログラムの検証方法及びその検証システム | |
| Prabu et al. | Performance Tuning of Storage System using Design of Experiments |