KR20200052426A - Method of predicting processing fault considering process factor - Google Patents
Method of predicting processing fault considering process factor Download PDFInfo
- Publication number
- KR20200052426A KR20200052426A KR1020180128603A KR20180128603A KR20200052426A KR 20200052426 A KR20200052426 A KR 20200052426A KR 1020180128603 A KR1020180128603 A KR 1020180128603A KR 20180128603 A KR20180128603 A KR 20180128603A KR 20200052426 A KR20200052426 A KR 20200052426A
- Authority
- KR
- South Korea
- Prior art keywords
- factors
- factor
- correlation
- failure
- defect
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 257
- 230000008569 process Effects 0.000 title claims abstract description 202
- 238000000611 regression analysis Methods 0.000 claims abstract description 22
- 230000001419 dependent effect Effects 0.000 claims abstract description 17
- 238000000540 analysis of variance Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 230000007547 defect Effects 0.000 claims description 41
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 230000002950 deficient Effects 0.000 claims description 4
- 230000008676 import Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 7
- 239000006185 dispersion Substances 0.000 abstract 2
- 230000008859 change Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- 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]
- G05B19/4184—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 fault tolerance, reliability of production system
-
- 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
- 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"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- General Factory Administration (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
본 발명은 공정불량 예측방법에 관한 것으로, 보다 상세하게는 공정에 영향을 주는 공정인자와 공정불량률의 상관성을 실시간으로 분석하여 불량의 원인을 유추하고 실시간으로 그 추이를 예측하는 공정불량 예측방법에 관한 것이다. The present invention relates to a method for predicting a process defect, and more specifically, to a process defect prediction method for inferring the cause of a defect and predicting the trend in real time by analyzing in real time the correlation between the process factor affecting the process and the process defect rate. It is about.
최근 ICT(Information and Communications Technologies)는 4차 산업혁명의 핵심으로 인간과 인간 사이의 연결뿐만 아니라 인간과 사물의 연결, 사물과 사물의 연결도 가능하게 하여 발전가능성이 무한하다. 상기 ICT의 핵심 중이 하나인 무선통신은 시간과 공간의 한계를 넘어서 언제 어디서나 연결되고 소통할 수 있게 하고 있다. 최근에는 ICT를 활용하여, 공정 중에서 발생하는 다양한 문제를 효율적으로 해결하고 생산성 및 품질의 향상을 이루려는 공정관리의 노력이 지속되고 있다. 종래의 공정관리는 공정불량의 추이가 상승할 때, 후속 공정의 이상상태를 확인하여 공정불량의 상승요인을 추정하는 방식으로 진행되어 왔다. 이러한 공정관리는 사후조치인 관계로 공정불량이 발생한 후에 조치하게 되어, 작업 및 설비의 가동 등이 비효율적이고 경제적으로도 많은 손실을 초래하고 있다. Recently, ICT (Information and Communications Technologies) is the core of the 4th Industrial Revolution, and it is possible to connect not only humans and humans, but also humans to things, and things to things, so the possibilities for development are endless. Wireless communication, which is one of the cores of the ICT, enables connection and communication anytime, anywhere beyond the limits of time and space. Recently, efforts have been made to process management to efficiently solve various problems arising in the process by using ICT and to improve productivity and quality. Conventional process management has been conducted in a manner of estimating an increase factor of a process defect by checking an abnormal state of a subsequent process when the trend of the process defect increases. Since such process management is a follow-up measure, it will be taken after a process failure occurs, resulting in inefficient and economical losses of operation and operation of equipment.
한편, 국내공개특허 제2013-0125527호는 시뮬레이션 및 공정 데이터를 활용하는 디지털 제조 최적화하는 방안을 제시하고 있다. 하지만, 상기 특허는 공정인자와 공정불량과의 상관성을 확인할 수 없고, 사후적인 조치에 그치고 있어서 미봉책에 해당한다. 이에 따라, 공정관리는 ICT를 활용한 표준 알고리즘을 이용하여 실시간으로 공정불량의 예측이 가능한 공정관리 플랫폼이 요구되고 있다. 또한, 종래의 공정관리는 공정인자들에 대한 상대적인 중요도를 정성적으로 부여하지 못하고 있고, 측정값들의 중심위치와 산포도에 대한 고려가 부족한 실정이다. Meanwhile, Korean Patent Publication No. 2013-0125527 suggests a method for optimizing digital manufacturing using simulation and process data. However, the patent does not confirm the correlation between the process factor and the process defect, and it is only an ex post measure, which is an unsettled measure. Accordingly, a process management platform that can predict process defects in real time using a standard algorithm utilizing ICT is required. In addition, the conventional process management does not qualitatively give relative importance to process factors, and it is insufficient to consider the center position and scatter of measurement values.
본 발명이 해결하고 하는 과제는 ICT를 활용한 표준 알고리즘을 이용하여 실시간으로 공정불량을 예측하고, 공정인자들에 대한 상대적인 중요도를 정성적으로 부여하며, 측정값들의 중심위치와 산포도를 고려한 공정인자를 고려한 공정불량 예측방법을 제공하는 데 있다.The problem to be solved by the present invention is a process factor that predicts process defects in real time using a standard algorithm utilizing ICT, qualitatively assigns relative importance to process factors, and considers the central location and scatter of measurement values. It is to provide a method for predicting a process defect considering the.
본 발명의 과제를 해결하기 위한 공정인자를 고려한 공정불량 예측방법은 공정불량을 예측하기 위하여, IoT 및 빅데이터를 활용하는 공정불량 예측 플랫폼에서, 먼저, 복수개의 공정인자에서 독립변수를 추출하고 종속변수를 설정한다. 그후, 상기 독립변수에서 상기 공정인자들에 대한 상대적인 중요도를 정성적으로 부여하는 AHP 기법을 적용하여 주요 공정인자를 추출한다. 상기 주요 공정인자 사이의 상관도를 검증한다. 상기 상관도가 검증된 공정인자를 머신러닝 회귀분석 알고리즘을 적용하여 공정불량 예측모델식을 도출한다. 상기 예측모델식으로부터 도출된 공정불량을 측정값들의 중심위치와 산포도를 고려한 ANOVA 기법을 적용하여 공정불량 최소 유의 수준을 분석한다. 상기 유의 수준의 분석을 마친 공정불량의 공정관리 스펙을 결정하고 운용한다. The process failure prediction method considering the process factors for solving the problems of the present invention, in order to predict the process failure, in a process failure prediction platform using IoT and big data, first, extracts independent variables from a plurality of process factors and depends Set variables. Thereafter, the key process factors are extracted by applying the AHP technique that qualitatively assigns relative importance to the process factors from the independent variables. The correlation between the main process factors is verified. A process failure prediction model equation is derived by applying a machine learning regression analysis algorithm to the process factor with the verified correlation. The minimum significance level of the process defect is analyzed by applying the ANOVA method considering the center position of the measured values and the scatter plot of the process defect derived from the prediction model equation. Process management specifications of process defects that have completed the analysis of the above significance level are determined and operated.
본 발명의 방법에 있어서, 상기 복수개의 공정인자는 각각 독립된 투입공정, 생산공정 및 완료공정에서의 공정인자일 수 있다. 상기 상관도 검증의 상관분석 코드는 In the method of the present invention, the plurality of process factors may be process factors in independent input processes, production processes, and completion processes, respectively. The correlation analysis code of the correlation verification is
# pip install seaborn <<- in virtualenv !!# pip install seaborn <<-in virtualenv !!
import seaborn as snsimport seaborn as sns
fig, ax = plt.subplots(figsize=(10,10)) fig, ax = plt.subplots (figsize = (10,10))
sns.heatmap(df.corr(), annot=True, linewidth=.5, ax=ax)일 수 있다. It can be sns.heatmap (df.corr (), annot = True, linewidth = .5, ax = ax).
본 발명의 바람직한 방법에 있어서, 상기 공정불량 예측모델식을 도출하기 이전에, 오차를 검증하고 주요 공정인자의 가중치를 최적화하는 단계를 더 포함할 수 있다. 상기 오차의 검증은 회귀분석 예측값과 실측값의 편차량의 분석에 의해 이루어질 수 있다. 상기 ANOVA 기법은 유의차 지수 P-value가 유의 수준 이하이면 공정의 영향인자로 판정하고 이에 대한 스펙을 양호수준으로 조정한다. 상기 ANOVA 기법에 의한 공정불량 판정결과 공정불량이면(NG)이면 ONE-HOT 코드의 1로 변환하고, 공정불량이 아니면(OK)이면, ONE-HOT 코드의 1로 변환할 수 있다.In a preferred method of the present invention, before deriving the process failure prediction model equation, the method may further include verifying an error and optimizing the weight of the main process factors. The verification of the error may be performed by analyzing the amount of deviation between the predicted value of the regression analysis and the measured value. In the ANOVA method, if the significant difference index P-value is below the significance level, it is determined as an influencer of the process and the specifications for it are adjusted to a good level. As a result of the process defect determination by the ANOVA technique, if the process defect is (NG), it can be converted to 1 of the ONE-HOT code, and if it is not (OK), it can be converted to 1 of the ONE-HOT code.
본 발명의 공정인자를 고려한 공정불량 예측방법에 의하면, 머신런닝의 기법에 AHP 및 ANOVA 기법을 활용하여 공정불량을 예측함으로써, ICT를 활용한 표준 알고리즘을 이용하여 실시간으로 공정불량의 예측하고, 공정인자들에 대한 상대적인 중요도를 정성적으로 부여하며, 측정값들의 중심위치와 산포도를 고려하여 예측한다.According to the process failure prediction method considering the process factors of the present invention, by predicting the process failure using the AHP and ANOVA techniques in the machine learning method, using the standard algorithm using ICT to predict the process failure in real time, the process It gives qualitatively the relative importance of the factors and makes predictions by considering the center position and scatter plot of the measured values.
도 1은 본 발명에 의한 공정인자를 고려한 공정불량 예측방법을 나타내는 흐름도이다.
도 2는 본 발명에 의한 공정불량 예측방법에 적용되는 상관도 검증을 설명하기 위한 도면이다.
도 3은 본 발명에 의한 공정불량 예측방법에 적용되는 가중치 분석을 설명하기 위한 그래프이다.
도 4는 본 발명에 의한 공정불량 예측방법에 적용되는 ANOVA 기법을 설명하기 위한 그래프이다.1 is a flow chart showing a method for predicting a process defect considering process factors according to the present invention.
2 is a view for explaining a correlation verification applied to the method for predicting a process defect according to the present invention.
3 is a graph for explaining the weight analysis applied to the method for predicting a process defect according to the present invention.
4 is a graph for explaining the ANOVA technique applied to the process failure prediction method according to the present invention.
이하 첨부된 도면을 참조하면서 본 발명의 바람직한 실시예를 상세히 설명한다. 다음에서 설명되는 실시예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 아래에서 상술되는 실시예에 한정되는 것은 아니다. 본 발명의 실시예는 당 분야에서 통상의 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위하여 제공되는 것이다. Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. The embodiments described below may be modified in various other forms, and the scope of the present invention is not limited to the embodiments described below. The embodiments of the present invention are provided to more fully describe the present invention to those skilled in the art.
본 발명의 실시예는 머신런닝의 기법에 AHP 및 ANOVA 기법을 활용하여 공정불량을 예측함으로써, ICT를 활용한 표준 알고리즘을 이용하여 실시간으로 공정불량의 예측하고, 공정인자들에 대한 상대적인 중요도를 정성적으로 부여하며, 측정값들의 중심위치와 산포도를 고려한 공정불량 예측방법을 제시한다. 이를 위해, 공정불량을 예측하는 표준 알고리즘에 대하여 구체적으로 알아보고, AHP 및 ANOVA 기법을 부가하여 예측의 정확도를 높이는 방법을 상세하게 설명하기로 한다. 본 발명의 실시예는 표준 알고리즘에 의해 공정불량을 실시간으로 예측하는 공정관리로써, 사후적인 조치에 그치는 종래의 공정관리와는 구분된다.According to an embodiment of the present invention, by predicting process defects using AHP and ANOVA techniques for machine learning, the standard algorithms using ICT are used to predict process failures in real time, and the relative importance of process factors is determined. It is given sexually and suggests a method for predicting a process defect considering the center position and scatter plot of the measured values. To this end, the standard algorithm for predicting the process failure will be described in detail, and a method of increasing the accuracy of prediction by adding AHP and ANOVA techniques will be described in detail. The embodiment of the present invention is a process management that predicts process defects in real time by a standard algorithm, and is distinguished from a conventional process management that is a follow-up action.
도 1은 본 발명의 실시예에 의한 공정인자를 고려한 공정불량 예측방법을 나타내는 흐름도이다. 다만, 엄밀한 의미의 도면을 표현한 것이 아니며, 설명의 편의를 위하여 도면에 나타나지 않은 구성요소가 있을 수 있다. 1 is a flowchart showing a method for predicting a process defect considering process factors according to an embodiment of the present invention. However, the drawings are not expressed in a strict sense, and for convenience of description, there may be components not shown in the drawings.
도 1에 의하면, 공정불량 예측방법은 먼저, 각각 공정의 공정인자로부터 측정된 데이터를 IoT에 의해 전송받아 플랫폼에 저장한다(S10). 그후, 공정인자에서 독립변수를 추출하고(S11), 종속변수를 설정한다(S12). 표 1은 본 발명의 실시예에 의한 예측방법에 적용되는 공정인자 및 불량률의 관계를 설명하기 위한 것이다. According to FIG. 1, the process defect prediction method first receives data measured by process factors of each process by the IoT and stores it in the platform (S10). Then, the independent variable is extracted from the process factor (S11), and the dependent variable is set (S12). Table 1 is for explaining the relationship between the process factor and the defect rate applied to the prediction method according to an embodiment of the present invention.
표 1에 의하면, 상기 각각의 공정은 제품을 제조하는 투입공정, 복수개의 생산공정 및 완료공정과 같이 각각 독립된 공정들이다. 제품을 제조하기 위해서는 원료, 부품 등을 투입하는 투입공정, 투입공정을 거치면 복수개의 생산공정을 거쳐 제품이 생산되고, 최종적으로 완료공정에 의해 제품의 제조가 완료된다. 각각의 공정에는 공정불량에 영향을 주는 공정인자를 포함한다. 이러한 공정인자에는 본 발명의 실시예에 의한 예측방법으로 실시간으로 예측된 실시간 불량률이 포함되며, 실시간으로 불량률을 예측하는 과정에서 공정불량에 영향을 주는 추가인자가 추가될 수 있다. 추가인자는 상기 공정인자 이외에 공정불량에 영향을 주는 인자들이다.According to Table 1, each process is an independent process, such as an input process for manufacturing a product, a plurality of production processes, and a completion process. In order to manufacture a product, a product is produced through a plurality of production processes through an input process, an input process for inputting raw materials, parts, etc., and finally, the production of the product is completed by a completion process. Each process includes process factors that affect process failure. Such a process factor includes a real-time defect rate predicted in real time by a prediction method according to an embodiment of the present invention, and an additional factor that affects a process defect in a process of predicting a defect rate in real time may be added. The additional factors are factors affecting the process defect in addition to the above process factors.
공정인자는 예컨대, 전류, 전압, 공압, 온도, 습도, 정전기, 조도, 분진량 등이 있을 수 있다. 추가인자는 예컨대 습도일 수 있다. 투입공정에는 공정인자 1, 생산공정에는 공정인자 2, …, 공정인자 (n-1) 및 완료공정에는 공정인자 n이 있을 수 있다. 공정인자 1~n 각각에서의 공정인자는 앞에서 제시한 공정인자들이 약간의 차이가 있을 수 있으나, 적어도 하나의 공정인자를 포함한다. 투입공정, 생산공정 및 완료공정에서의 공정인자 1, 2~(n-1) 및 n은 각각 다를 수 있다. 예컨대, 투입공정의 공정인자 1은 전류, 전압, 공압, 온도, 정전기이고, 생산공정의 공정인자 2~(n-1)은 전류, 전압은 제외시키고 분진량이 추가될 수 있다. Process factors may include, for example, current, voltage, pneumatic pressure, temperature, humidity, static electricity, roughness, and dust amount. The additional factor may be, for example, humidity.
불량률은 투입공정에는 불량률 1, 생산공정에는 불량률 2, …, 불량률 (m-1) 및 완료공정에는 공정인자 m이 있을 수 있다. 마찬가지로 추가인자는 투입공정에는 추가인자 1, 생산공정에는 추가인자 2, …, 추가인자 (k-1) 및 완료공정에는 공정인자 k가 있을 수 있다. 각각의 공정에는 추가인자가 포함되지 않거나 적어도 하나 이상을 포함할 수 있다. 추가인자는 예를 들어 작업자의 수면량, 작업자 체온, 작업자 경력, 작업자 시력 등이 있을 수 있다. The defective rate is 1 in the input process, 2 in the production process,… , Defect rate (m-1) and process factor m may be included in the completion process. Likewise, the additional factor is the
다음에, AHP 기법을 활용하여 상기 공정인자 중에서 주요 공정인자를 추출한다(S13). 상기 AHP(analytic hierarchy process) 기법은 Saaty에 의해 개발된 다기준 의사결정모델(mult-criteria decision making model)로, 의사결정 프로세스를 체계적으로 분석하기 위한 것으로, 선택된 평가항목들 중 2개의 평가항목에 대해 쌍대비교(pairwise comparison)를 수행하는 것으로 전체 평가항목에 대해 쌍대비교를 수행하고, 평가항목들에 대한 상대적 중요도를 산출함으로써 합리적 결과를 도출하기 위한 모델이다. 특히, AHP는 정성적인 문제를 정량적인 방법으로 해석함으로, 의사결정을 체계적으로 수행하도록 지원하며, 복잡하고 불명확한 문제를 여러 계층으로 정리하고, 부분적인 관계는 쌍대비교(pairwise comparison)를 통해 각자의 중요성을 수치화된 척도로 평가함으로써, 보다 정확한 의사 결정을 하도록 지원한다.Next, a key process factor is extracted from the process factors using the AHP technique (S13). The analytic hierarchy process (AHP) technique is a multi-criteria decision making model developed by Saaty to systematically analyze the decision-making process, and is applied to two of the selected evaluation items. This is a model for deriving rational results by performing pairwise comparison on all evaluation items and calculating relative importance of evaluation items. In particular, AHP helps to systematically make decisions by interpreting qualitative problems in a quantitative way, and organizes complex and unclear problems into several layers, and partial relationships are performed through pairwise comparison. By evaluating the importance of digits on a numerical scale, it helps to make more accurate decisions.
주요 공정인자의 추출을 마치면, 상관도를 검증한다(S14). 상관도의 검증은 도 2와 같이 진행된다. 도 2에 의하면, 상관도 검증 도표는 공정인자간의 상관관계을 나타낸 상관 계수의 일람표(chart)를 활용한다. 오른 쪽은 상관계수의 범위 1 ~ -1의 범위를 색상의 채도로 나타내면서 그 상관값을 표현한다. 그리고 X축과 Y축은 각각 종속변수(Y)와 독립변수(X1~ X8) 항목을 나열하여 각각의 공정인자간 상관정도를 표현함으로써 종속변수(Y)와 독립변수(X1~X8)의 상관계수를 알 수 있다. 또한 독립변수(X1~X8)간의 상관계수도 알 수 있다. 이를 통하여 공정인자간의 정상관과 역상관의 관계성과 관계정도를 파악할 수 있다.After extraction of the main process factors, the correlation is verified (S14). Verification of the correlation proceeds as shown in FIG. 2. According to FIG. 2, the correlation verification chart utilizes a chart of correlation coefficients showing correlations between process factors. The right side expresses the correlation value while indicating the range of the range of the correlation coefficient from 1 to -1 as the color saturation. In addition, the X-axis and Y-axis represent the correlation between each process factor by listing the dependent variable (Y) and independent variable (X1 to X8), respectively, and thus the correlation coefficient of the dependent variable (Y) and the independent variable (X1 to X8). Can be seen. Also, the correlation coefficient between the independent variables (X1 to X8) can be seen. Through this, it is possible to grasp the relationship and degree of relationship between normal and inverse correlation between process factors.
이때, 상관분석 코드는 다음과 같다.At this time, the correlation analysis code is as follows.
# pip install seaborn <<- in virtualenv !!# pip install seaborn <<-in virtualenv !!
import seaborn as snsimport seaborn as sns
fig, ax = plt.subplots(figsize=(10,10)) fig, ax = plt.subplots (figsize = (10,10))
sns.heatmap(df.corr(), annot=True, linewidth=.5, ax=ax)sns.heatmap (df.corr (), annot = True, linewidth = .5, ax = ax)
상관도의 검증을 마치면, 머신러닝 회귀분석 알고리즘을 적용하고(S15), 이를 통하여 공정불량 예측모델식을 도출한다(S18). 회귀분석은 인공지능에 근거한 머신러닝 알고리즘 중의 하나이다. 상기 회귀분석이란 둘 또는 그 이상의 공정인자 사이의 관계, 특히 공정인자 사이의 상관관계를 분석하는 추측통계의 한 분야이다. 회귀분석은 특정 공정인자 실측값의 변화와 다른 공정인자 실측값의 변화가 가지는 수학적 선형의 함수식을 파악함으로써 상호관계를 추론하게 되는데 추정된 함수식을 회귀식이라고 한다. 이러한 회귀식을 통하여 특정 공정인자 실측값(독립변수라고 함)의 변화가 다른 공정인자 실측값(종속변수라고 함)의 변화와 어떤 관련성이 있는지 관련이 있다면 어느 공정인자 실측값의 변화가 원인이 되고 어느 공정인자 실측값의 변화가 결과적인 현상인지 등에 관한 사항을 분석할 수 있다. When the correlation is verified, a machine learning regression algorithm is applied (S15), and a process failure prediction model equation is derived through this (S18). Regression analysis is one of the machine learning algorithms based on artificial intelligence. The regression analysis is a field of speculation statistics that analyzes a relationship between two or more process factors, particularly a process factor. Regression analysis infers the correlation by identifying the mathematical linear function of a change in a specific process factor measured value and a change in another process factor measured value. The estimated function is called a regression equation. If a change in the measurement value of a specific process factor (referred to as an independent variable) is related to a change in the measurement value of a different process factor (referred to as a dependent variable) through the regression equation, the change in the measurement value of a process factor is the cause. And it can analyze matters such as which process factor changes in measured values are the result.
이러한 회귀분석은 인과관계가 아닌 단순한 공정인자 실측값 사이의 관계의 밀접도만을 조사하는 상관분석과 차이가 있다. 회귀분석은 본질적으로 인과관계가 있는 두 변수 즉 독립변수와 종속변수 사이의 함수식을 분석대상으로 삼는다. 회귀분석은 실증분석을 통해 가설의 타당성 여부를 검토하는 데 유용한 도구이다. 회귀식이 타당한 상황일 경우, 독립변수의 값을 기초로 종속변수의 값을 추정 또는 예측할 수 있다. 회귀분석은 독립변수가 하나인 경우와 2개 이상인 경우로 구분되는데, 하나인 경우를 단순회귀분석, 2개 이상인 경우를 다중회귀분석이라고 한다.This regression analysis is different from the correlation analysis that examines only the closeness of the relationship between the measured values of the fair factors, not the causal relationship. Regression analysis uses the functional formula between two variables that are essentially causal, that is, independent and dependent variables. Regression analysis is a useful tool for examining the validity of a hypothesis through empirical analysis. When the regression equation is valid, the value of the dependent variable can be estimated or predicted based on the value of the independent variable. The regression analysis is divided into a case where there are one independent variable and two or more cases, where one case is called a simple regression analysis and a case where two or more variables are called multiple regression analysis.
구체적으로, 회귀분석은 몇몇 공정인자인 입력변수(X)들이 출력값(Y)에 미치는 영향을 예측하고자 할 경우 그 관계를 함수 관계(회귀 방정식)와 결정계수로 나타내는 분석하는 방법론이다. 이를 통해서 어떤 공정인자가 출력값(Y)에 얼마만큼의 영향을 미치는지를 확인하여 원하는 출력값을 얻기 위해서는 입력변수(X)를 어떤 수준으로 공정관리 해야 하는지의 정보를 알게 해준다. 회귀분석은 수집된 데이터를 산점도를 확인하고, 적합선을 그리며, 분산분석을 수행하고, 회귀모형을 검증하며, 잔착분석의 순서로 진행된다.Specifically, regression analysis is a methodology that analyzes the relationship between function variables (regression equations) and decision coefficients when trying to predict the effect of several process factors, input variables (X), on output values (Y). Through this, it is possible to know how much the process factor affects the output value (Y) and to obtain information on the level of process control of the input variable (X) in order to obtain the desired output value. The regression analysis proceeds in the order of checking the scatter plot of the collected data, drawing a fitted line, performing variance analysis, verifying the regression model, and analyzing the residuals.
회귀분석은 하나의 독립변수(X)와 하나의 종속변수(Y)간의 관계를 방정식화하여 나타내는 방법이다. 회귀분석의 모델은 다음과 같다.Regression analysis is a method of expressing the relationship between one independent variable (X) and one dependent variable (Y). The model of regression analysis is as follows.
y = α + βχ1 + εi이고,y = α + βχ 1 + ε i ,
여기서, εi ~ N(0, σ2)이며 독립적이고 정규분포를 따르고, σ2는 미지의 상수이다. y = a + bx는 수집된 데이터를 통하여 추정한 직선이고, E(Y1) = α + βχ으로 미지의 참 직선이다.Here, ε i ~ N (0, σ 2 ), independent, follow a normal distribution, and σ 2 is an unknown constant. y = a + bx is a straight line estimated through the collected data, and E (Y1) = α + βχ is an unknown true straight line.
한편, 함수관계인 회귀방정식은 입력변수(X)인 공정인자 데이터를 사용하여, 이에 상응하는 출력값(Y)에 대한 예측을 가능하게 하는 예측방정식으로 앞에서와는 달리 반드시 선형적인 필요는 없다. 회귀방정식은 독립변수가 1개이며 종속변수와의 관계가 직선인 단순회귀, 독립변수가 1개이며 종속변수와의 관계가 곡선인 곡선회귀, 독립변수가 여러 개이고 종속변수와의 관계가 선형의 1차 함수인 중회귀가 있다. 또한, 독립변수가 여러 개이고 종속변수와의 관계가 1차 함수 이상인 다항회귀 및 회귀식의 모양이 미지의 모수 βi의 선형관계를 이루지 않는 비선형회귀가 있다.On the other hand, the regression equation, which is a function relationship, is a prediction equation that enables prediction of an output value Y corresponding to the process factor data, which is an input variable X, and is not necessarily linearly different from the previous one. The regression equation is simple regression with 1 independent variable and linear relationship with dependent variable, curve regression with 1 independent variable and curved relationship with dependent variable, multiple independent variables, and linear relationship with dependent variable There is a first-order function, regression. In addition, there are polynomial regression in which there are several independent variables and the relationship with the dependent variable is more than a linear function, and nonlinear regression in which the shape of the regression equation does not form a linear relationship of unknown parameter β i .
본 발명의 실시예는 앞의 회귀방정식에서 다항회귀를 통한 예측방정식을 구현한다. 상기 다항회귀는 종속변수의 변화를 설명하기 위하여 2개 이상의 독립변수를 고려한 분석이다. 종속변수는 2개 이상의 독립변수에 영향을 받으므로, 영향이 큰 여러 개의 독립변수를 선택하여 종속변수의 변화하는 특성을 확인하면, 단순회귀에 비해 정확한 분석을 할 수 있다. 따라서 독립변수 X를 전류, 전압, 온도, 공압, 습도, 정전기, 조도 등으로 설정하고 종속변수 Y를 알고자 하는 공정불량 유형에 대하여 예측적합도가 높은 관계식을 만들고 이에 대한 독립변수의 최적 공정관리 스펙을 설정한다.The embodiment of the present invention implements the prediction equation through polynomial regression in the previous regression equation. The polynomial regression is an analysis that considers two or more independent variables to account for the change in the dependent variable. Since the dependent variable is affected by two or more independent variables, it is possible to perform an accurate analysis compared to a simple regression by selecting several independent variables with a large influence and checking the changing characteristics of the dependent variable. Therefore, the independent variable X is set to current, voltage, temperature, pneumatic, humidity, static electricity, roughness, etc., and a relational formula with high predictive suitability for the type of process failure to know the dependent variable Y is created and the optimum process management specification of the independent variable To set.
한편, 공정불량 예측모델식을 도출하기 이전에, 오차를 검증하고(S16), 주요 공정인자의 가중치를 최적화한 다음(S17), 상관도 검증(S14)을 마친 머신러닝 회귀분석 알고리즘에 적용시킨다. 오차검증(S16)는 예컨대, 각각의 공정에 대하여, 회귀분석 예측값과 상기 실측값의 편차량을 검증한다. 여기서, 편차량은 직선의 방정식 Y = a + bx에서 최적선은 실제 데이터와 직선 사이의 제곱의 차이의 합을 최소화함으로써 생기는 상관계수(a와 b)를 갖고 있는 직선에서, 실제 데이터의 점들과 직선 사이의 차이를 말한다. 또한, 회귀분석의 예측값에서의 공차를 감안한 공정불량에 대한 공정관리 스펙을 설정된다. 설정된 스펙을 기준으로 측정된 데이터를 지속적으로 축적하여 빅데이터를 형성한다. 가중치 분석은 도 3과 같이 상관을 분석하여 결정된다.On the other hand, before deriving the process failure prediction model formula, the error is verified (S16), the weights of the main process factors are optimized (S17), and the correlation verification (S14) is applied to the completed machine learning regression algorithm. . The error verification (S16), for example, verifies the amount of deviation between the predicted value of the regression analysis and the measured value for each process. Here, the amount of deviation is from the equation Y = a + bx of the straight line, and the optimal line is the point of the actual data in the straight line with the correlation coefficients (a and b) generated by minimizing the sum of the difference of squares between the actual data and the straight line. The difference between the straight lines. In addition, process management specifications are set for process defects in consideration of tolerances in predicted values of regression analysis. Based on the set specifications, measured data is continuously accumulated to form big data. The weight analysis is determined by analyzing the correlation as shown in FIG. 3.
공정불량 예측모델식이 도출되면, ANOVA 기법을 활용하여 공정불량 최소 유의수준을 분석한다(S19). 이때, ANOVA 기법은 2개 이상의 모집에 대한 평균을 비교하는 것으로, 데이터는 계량형 형태를 사용한다. ANOVA 기법은 도 4와 같이 데이터 불량 유의차에 관련된 공정인자의 산포를 관리하는 것이다. 구체적으로, ANOVA 기법은 공정의 유의차 판정기준을 공정인자 사이의 평균값 차이에 대한 가설검증을 통해서, 유의차 지수 P-value가 예컨대 유의 수준인 예컨대 0.05 이하이면 이를 통해서 공정의 영향인자로 판정하고, 이에 대한 스펙을 양호수준으로 조정해 나가는 것이다. 그후, 공정불량 개선관리의 스펙이 결정되면, 이를 기준으로 운영한다(S20).When the process failure prediction model formula is derived, the minimum significance level of the process failure is analyzed using the ANOVA technique (S19). At this time, the ANOVA technique compares the averages of two or more recruits, and the data uses a metered form. The ANOVA technique manages the distribution of process factors related to significant differences in data defects, as shown in FIG. 4. Specifically, the ANOVA method determines the significance of the process as the influence factor of the process through hypothesis verification of the difference between the mean values between the process factors. , It is to adjust the specifications for this to a good level. After that, if the specification of process defect improvement management is determined, it is operated based on this (S20).
표 2는 본 발명의 실시예에 의한 공정관리 스펙을 위한 회귀분석 결과 사례를 나타낸 것이다.Table 2 shows examples of regression analysis results for process management specifications according to an embodiment of the present invention.
표 2에 의하면, 머신러닌의 회귀분석 알고리즘을 이용하여 실시간으로 공정불량의 예측하고, AHP 기법으로 공정인자들에 대한 상대적인 중요도를 정성적으로 부여하며, ANOVA 기법으로 측정값들의 중심위치와 산포도를 고려한 공정인자를 고려한 공정불량 예측할 수 있다. 공정불량 판정결과 공정불량이면(NG)이면 ONE-HOT 코드의 1로 변환하고, 공정불량이 아니면(OK)이면, ONE-HOT 코드의 0으로 변환한다. 이러한 과정을 반복하여 빅데이터로 활용할 수 있다.According to Table 2, prediction of process failure in real time using a regression analysis algorithm of machine learning, qualitatively assigning relative importance to process factors with AHP technique, and ANOVA technique to measure the central location and scatter of measured values It is possible to predict the process defect considering the considered process factors. As a result of the process failure judgment, if the process defect is (NG), it is converted to 1 of the ONE-HOT code, and if it is not (OK), it is converted to 0 of the ONE-HOT code. You can repeat this process and use it as big data.
이상, 본 발명은 바람직한 실시예를 들어 상세하게 설명하였으나, 본 발명은 상기 실시예에 한정되지 않으며, 본 발명의 기술적 사상의 범위 내에서 당 분야에서 통상의 지식을 가진 자에 의하여 여러 가지 변형이 가능하다. Above, the present invention has been described in detail with reference to preferred embodiments, but the present invention is not limited to the above embodiments, and various modifications may be made by those skilled in the art within the scope of the technical spirit of the present invention. It is possible.
Claims (7)
복수개의 공정인자에서 독립변수를 추출하고 종속변수를 설정하는 단계;
상기 독립변수에서 상기 공정인자들에 대한 상대적인 중요도를 정성적으로 부여하는 AHP 기법을 적용하여 주요 공정인자를 추출하는 단계;
상기 주요 공정인자 사이의 상관도를 검증하는 단계;
상기 상관도가 검증된 공정인자를 머신러닝 회귀분석 알고리즘을 적용하여 공정불량 예측모델식을 도출하는 단계;
상기 예측모델식으로부터 도출된 공정불량을 측정값들의 중심위치와 산포도를 고려한 ANOVA 기법을 적용하여 공정불량 최소 유의 수준을 분석하는 단계; 및
상기 유의 수준의 분석을 마친 공정불량의 공정관리 스펙을 결정하고 운용하는 단계를 포함하는 공정인자를 고려한 공정불량 예측방법.In order to predict the process failure, in the process failure prediction platform using IoT and big data,
Extracting independent variables from a plurality of process factors and setting dependent variables;
Extracting key process factors by applying an AHP technique that qualitatively assigns relative importance to the process factors from the independent variable;
Verifying a correlation between the main process factors;
Deriving a process failure prediction model formula by applying a machine learning regression analysis algorithm to the process factor for which the correlation is verified;
Analyzing the minimum significance level of the process defect by applying an ANOVA method considering the center position of the measured values and the scatter plot of the process defect derived from the prediction model equation; And
A process failure prediction method considering process factors, including the step of determining and operating a process management specification of a process defect that has completed the analysis of the significance level.
# pip install seaborn <<- in virtualenv !!
import seaborn as sns
fig, ax = plt.subplots(figsize=(10,10))
sns.heatmap(df.corr(), annot=True, linewidth=.5, ax=ax)인 것을 특징으로 하는 공정인자를 고려한 공정불량 예측방법.According to claim 1, The correlation analysis code of the correlation test
# pip install seaborn <<-in virtualenv !!
import seaborn as sns
fig, ax = plt.subplots (figsize = (10,10))
A process failure prediction method considering process factors characterized by sns.heatmap (df.corr (), annot = True, linewidth = .5, ax = ax).
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180128603A KR102247945B1 (en) | 2018-10-26 | 2018-10-26 | Method of predicting processing fault considering process factor |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180128603A KR102247945B1 (en) | 2018-10-26 | 2018-10-26 | Method of predicting processing fault considering process factor |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200052426A true KR20200052426A (en) | 2020-05-15 |
| KR102247945B1 KR102247945B1 (en) | 2021-05-03 |
Family
ID=70678596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180128603A KR102247945B1 (en) | 2018-10-26 | 2018-10-26 | Method of predicting processing fault considering process factor |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102247945B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220147911A (en) * | 2021-04-28 | 2022-11-04 | 주식회사 파인브이티 | Process monitoring apparatus for judging the defectiveness of cables produced through harness cable production process, and the operating method thereof |
| CN117172431A (en) * | 2023-11-03 | 2023-12-05 | 山东锦都食品有限公司 | Food processing apparatus and equipment management method and system |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102585970B1 (en) * | 2021-11-09 | 2023-10-06 | 재단법인대구경북과학기술원 | Apparatus and method for optimization of injection process parameter |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002323924A (en) * | 2001-02-21 | 2002-11-08 | Toshiba Corp | Method and device for detecting defective device, program, and method for manufacturing product |
| KR101466798B1 (en) * | 2014-05-20 | 2014-12-01 | 삼성전자주식회사 | Method and apparatus for discovering the equipment causing product faults in manufacturing process |
| JP2017138885A (en) * | 2016-02-05 | 2017-08-10 | 株式会社チノー | Parameter selection method, parameter selection program, and parameter selection device |
| KR20180001817A (en) * | 2016-06-28 | 2018-01-05 | 다이텍연구원 | Process optimization method with regression analysis algorithm applied |
-
2018
- 2018-10-26 KR KR1020180128603A patent/KR102247945B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002323924A (en) * | 2001-02-21 | 2002-11-08 | Toshiba Corp | Method and device for detecting defective device, program, and method for manufacturing product |
| KR101466798B1 (en) * | 2014-05-20 | 2014-12-01 | 삼성전자주식회사 | Method and apparatus for discovering the equipment causing product faults in manufacturing process |
| JP2017138885A (en) * | 2016-02-05 | 2017-08-10 | 株式会社チノー | Parameter selection method, parameter selection program, and parameter selection device |
| KR20180001817A (en) * | 2016-06-28 | 2018-01-05 | 다이텍연구원 | Process optimization method with regression analysis algorithm applied |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220147911A (en) * | 2021-04-28 | 2022-11-04 | 주식회사 파인브이티 | Process monitoring apparatus for judging the defectiveness of cables produced through harness cable production process, and the operating method thereof |
| CN117172431A (en) * | 2023-11-03 | 2023-12-05 | 山东锦都食品有限公司 | Food processing apparatus and equipment management method and system |
| CN117172431B (en) * | 2023-11-03 | 2024-01-19 | 山东锦都食品有限公司 | Food processing apparatus and equipment management method and system |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102247945B1 (en) | 2021-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20200052426A (en) | Method of predicting processing fault considering process factor | |
| KR100915339B1 (en) | Dual-phase virtual metrology method | |
| DeStefano et al. | Method for estimating transition probability in bridge deterioration models | |
| EP2118711B1 (en) | Apparatus and method for automated closed-loop identification of an industrial process in a process control system. | |
| JP4601492B2 (en) | Quality prediction system and method for production process | |
| US7289859B2 (en) | Method for determining parameter of product design and its supporting system | |
| CN113655768B (en) | Assembly yield control method, equipment and computer readable storage medium | |
| KR20160140474A (en) | Metrology sampling method with sampling rate decision scheme and computer program product thereof | |
| JP2006148070A (en) | Correcting method of sensor data and interlock evaluating method of interlock system | |
| CN113822499B (en) | Train spare part loss prediction method based on model fusion | |
| CN109213098B (en) | Method, device, electronic equipment and computer readable medium for adjusting operation parameters | |
| CN106056400A (en) | Method, apparatus and system of predicting number of new users | |
| CN110263472B (en) | Electromechanical product reliability evaluation method based on regression method comprehensive life test data | |
| CN116679643B (en) | Industrial equipment control system based on block chain technology | |
| Wang et al. | Simultaneous multi-response optimisation for parameter and tolerance design using Bayesian modelling method | |
| KR20000048928A (en) | A process and device for identification or pre-caculation of parameters of a time-variant industrial process | |
| CN110889079A (en) | Air quality forecasting system based on dynamic inversion emission source data | |
| KR100706544B1 (en) | To trust analysis method of computation by computer analysis | |
| Andolfatto et al. | On neural networks’ ability to approximate geometrical variation propagation in assembly | |
| CN116602435A (en) | Machine learning-based method for analyzing moisture change of cut tobacco in cut tobacco making machine | |
| US20230052392A1 (en) | Process abnormality identification using measurement violation analysis | |
| KR20200052451A (en) | Method of predicting processing efficiency using process tact time | |
| CN115689331A (en) | Power transmission and transformation project quantity rationality analysis method based on MLP | |
| US7174283B2 (en) | Method for isolating sources of drifts in output properties for machines and processes | |
| CN109325207A (en) | Valve body assembling quality failure prediction method based on grey GM (1,1) model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |