TWI543102B - 異因分析與校正方法與系統 - Google Patents

異因分析與校正方法與系統 Download PDF

Info

Publication number
TWI543102B
TWI543102B TW103136491A TW103136491A TWI543102B TW I543102 B TWI543102 B TW I543102B TW 103136491 A TW103136491 A TW 103136491A TW 103136491 A TW103136491 A TW 103136491A TW I543102 B TWI543102 B TW I543102B
Authority
TW
Taiwan
Prior art keywords
abnormal
rule
correction
data
normal
Prior art date
Application number
TW103136491A
Other languages
English (en)
Other versions
TW201615844A (zh
Inventor
鄭光宏
夏啓峻
林順傑
蔡煥文
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 TW103136491A priority Critical patent/TWI543102B/zh
Priority to US14/578,898 priority patent/US20160116892A1/en
Publication of TW201615844A publication Critical patent/TW201615844A/zh
Application granted granted Critical
Publication of TWI543102B publication Critical patent/TWI543102B/zh

Links

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/048—Monitoring; Safety
    • 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]
    • G05B19/41875—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 quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24015—Monitoring
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Description

異因分析與校正方法與系統
本揭露係關於一種異因分析(cause analysis)與校正(correction)方法與系統。
製造業將原物料加工為產品的過程稱為製造流程(manufacturing process，或簡稱製程)。在製造過程中，從原料進料到生產設備後，會按時間依序在不同製程段進行各種處理，並留下在該製程段被處理當下的感測訊號值，例如煉鋼廠的連鑄製程，鋼液從轉爐至盛鋼桶，鋼液的成分會被記錄下來；此後的連鑄製程中，鋼液將逐漸形成鑄胚，製程中且稱其為在製品(Work In Process，WIP)。當在製品經過鋼液分配器與鑄模時，模液面高度(mode level)、鑄粉種類、氬氣流量、及氬氣壓力會被記錄；接著在製品進入二冷區，當下的二冷水壓、二冷水量也會被記錄；最後進入矯直區，當下在製品的矯直區溫度會被記錄下來，最後經過焰切機切割成一塊塊鑄胚(slab)後，品質檢查的結果也會被記錄。因此每一塊鑄胚，都可以得到與該鑄胚對 應的鋼液成分、二冷水壓、鑄粉種類等製程參數紀錄，以及品質檢查的紀錄，這些紀錄形成對應於該塊鑄胚的製程資料。甚至在一塊數十公尺的鑄胚上，每一小段(如10cm)都可以對應到通過每一道製程段時的感測值記錄、以及品質檢查的結果，進而構成一筆單筆製程資料。
隨著科技日新月異，被製造的產品越來越多樣化、精細化，相對地製程也愈發複雜，可調控的製程參數越來越多，加上在製造現場環境中存在著許多會使製程條件產生變異因素，例如每日的氣溫、溼度等環境因子有所不同；機械設備經過長時間的運作，其物理化學特性產生的偏移(drift)；原物料的來源、成分；操作人員的熟練度、經驗等。這些變動的因素提高了維持製程條件穩定的難度。當製程條件不穩定、製程產生變異時，這些往往會造成產品的異常產生。
長久以來，製造現場的工程人員面對產品的異常，都希望盡快找出異常的成因(即，異因)，以調整製程，恢復正常生產。製造現場的異因分析，以往多靠人工分析各種機械設備運轉時留下的紀錄，例如各種製程的控制參數、量測參數，或各種人為操作留下的紀錄，例如作業紀錄、操作紀錄等，來找出造成異常的重要製程參數。這種方式高度仰賴資深人員的經驗，並且面對日益複雜的製程條件時，即使是資 深人員也需要花費長時間來找出成因所在，同時也可能產出更多的不良品。
一般而言，製程的重要因子包括成分設計與製程條件。異因分析系統的設計目標是對製程中留下的資料進行自動分析，以快速找出形成異常的成因參數、提供校正異常的建議、以及對每一異常案例即時反饋，協助立即改善。一般來說，異因分析系統的效益可縮短良率學習時間、以及加速排除製程異常，從而提升生產力並且減少因異常造成的損失。
現有的異因分析系統採用的技術可分成兩類。一類是統計式異因分析，另一類是規則式異因分析。統計式異因分析技術分析歷史資料以建立統計模型、統計量、管制界限，並且監控統計量是否超出管制界限；當統計量超標時，利用統計模型分析造成統計量超標的重要成因參數。此類統計式異因分析技術可用來分析單筆製程資料的異常成因，也可計算出成因的貢獻度權重。規則式異因分析技術以歷史資料建立異常形成的規則，再歸納分析異常規則，從而找出其中的重要成因參數。此類規則計式異因分析技術可分析數值型/非數值型資料，並且規則中帶有異常參數的門檻值，可做為校正異常決策輔助的參考。
有一技術以成因參數的整體機率分佈做為基礎，提供製 程配方校正。有一技術以統計模式建立半導體製造的異常偵測與分類架構，此技術取所有正常的資料建立多線性主成分分析(Multilinear Principal Component Analysis，MPCA)模型，並且做分群，其中製程參數相近的歸為同一群，從異常集中的一群取出有異常的資料，使用資料探勘(data mining)主成分分析(Principal Components Analysis，PCA)模型，將該異常的資料轉為貢獻圖，得到對異常貢獻大的成因，再以這些成因建立決策樹(decision tree)，得到決策樹的規則，並且用這些規則來做異常預測、分類。有一技術根據資料特性(寬度等級)切割資料，分別建立主成分分析模型，監測固相萃取(Solid Phase Extraction，SPE)統計量是否超標，再利用該貢獻圖，選出造成異常的重要參數。
在上述及現行的異因分析技術中，有的技術如統計式異因分析技術，未能分析非數值型資料或參數，無法提供完整的異常校正建議。有的技術如規則式異因分析技術，缺乏分析單筆製程資料異常之理論依據，無法建議適切的校正策略。因此，如何設計適合分析單筆異常成因、提供適切的校正策略與校正值提示、以及可同時分析數值型/非數值型資料，並且能提供成因之貢獻度權重的異因分析技術，是值得研究與發展。
本揭露的實施例可提供一種異因分析與校正方法與系統。
本揭露的一實施例是關於一種異因分析與校正方法，適應於一製造系統中的一製程，此方法包含：根據此製程的多筆歷史製程資料(history process data)，建立至少一異常分類規則(abnormal classification rule)及至少一正常分類規則(normal classification rule)，並且儲存於一資料庫儲存裝置(database storage device)中；比對目前的一單筆製程資料(current manufacturing data)與此至少一異常分類規則，識別此單筆製程資料符合的至少一異常規則(abnormal rule)及所屬的一異常類別(abnormal classification)，其中此單筆製程資料包含多個製程參數(manufacturing parameter)；比對此單筆製程資料與此至少一正常分類規則，決定一校正規則(correcting rule)，並且決定此多個製程參數中至少一製程參數的一或多個校正值；從與此單筆製程資料具有一相同條件的該多筆歷史製程資料中，擷取多個異常特徵(abnormal feature)，並且從符合此校正規則的該多筆歷史製程資料中，擷取多個正常特徵(normal feature)；以及根據此多個異常特徵與此多個正常特徵，評估(evaluate)對應於此單筆製程資料的此多個製程參數的至少一異常成因貢獻度(abnormal cause contribution)。
本揭露的另一實施例是關於一種異因分析與校正系統，適應於一製造系統中的一製程，此分析與校正系統可包含一分類規則產生器模組(Classification Rule Generator Module)、一異常識別模組(Abnormal Identification Module)、一校正規則選取模組(Correcting Rule Selection Module)、一類別相依特徵產生器模組(Class Dependent Feature Generator Module)、以及一參數貢獻度評估模組(Parameter Contribution Evaluate Module)。此分類規則產生器模組根據此製程的多筆歷史製程資料，建立至少一異常分類規則及至少一正常分類規則；此異常識別模組比對一製程資料與此異常分類規則，識別該製程資料符合的一異常規則，及所屬的一異常類別；此校正規則選取模組比對此製程資料與此至少一正常分類規則，產生多個校正策略以及決定一校正規則，並且決定此製程資料的多個製程參數的至少一製程參數的一或多個校正值；此類別相依特徵產生器模組從與此製程資料具有一相同條件的此多筆歷史製程資料中，擷取多個異常特徵，以及從符合該校正規則的此多筆歷史製程資料中，擷取多個正常特徵；此參數貢獻度評估模組根據此多個異常特徵與此多個正常特徵，評估對應於此製程資料的此多個製程參數的至少一異常成因貢獻度。
茲配合下列圖示、實施例之詳細說明及申請專利範圍，將上述及本發明之其他優點詳述於後。
Xk,j‧‧‧第k筆製程資料的第j個製程參數之值
Yk‧‧‧第k筆製程資料之品質代碼
n、p‧‧‧大於一的正整數
k‧‧‧正整數，1≦k≦n
200‧‧‧製造系統
212‧‧‧品質量測記錄資料庫
214‧‧‧製程參數記錄資料庫
222‧‧‧品質量測設備
224‧‧‧生產設備
230‧‧‧異因分析與校正機制
310‧‧‧根據此製程的多筆歷史製程資料，建立至少一異常分類規則及至少一正常分類規則，並且儲存於一資料庫儲存裝置中
320‧‧‧比對目前的一單筆製程資料與此至少一異常分類規則，識別此單筆製程資料符合的至少一異常規則及所屬的一異常類別，其中此單筆製程資料包含多個製程參數
330‧‧‧比對此單筆製程資料與此至少一正常分類規則，決定一校正規則，並且決定此多個製程參數中至少一製程參數的一或多個校正值
340‧‧‧從與此單筆製程資料具有一相同條件的該多筆歷史製程資料中，擷取多個異常特徵，並且從符合此校正規則的該多筆歷史製程資料中，擷取多個正常特徵
350‧‧‧評估對應於此單筆製程資料的此多個製程參數的至少一異常成因貢獻度
410‧‧‧將多個數值型的製程參數的每一數值型的製程參數離散化，以形成一決策樹的訓練集
420‧‧‧計算每一製程參數的一訊息增益與一訊息增益率
430‧‧‧對於該決策樹的每一子節點，遞迴執行步驟420，直到滿足一收斂條件為止
412‧‧‧從該多筆歷史製程資料中找到該數值型參數的最小值a 0及最大值a n+1
414‧‧‧在區間[a 0,a n+1]內***n個值，此n個值將此區間分為n+1個小區間
416‧‧‧分別以a i ,i=1,2,…,n為分段點，將區間[a 0,a n+1]劃分為兩個子區間，即[a 0,a i ]與[a i+1,a n+1]，從而取得n個此種兩個子區間 的劃分
422‧‧‧計算給定的歷史製程資料分類的一訊息期望
424‧‧‧計算製程參數A的每一取值的訊息期望
426‧‧‧計算製程參數A的熵
428‧‧‧計算製程參數A的訊息增益，進而算出製程參數A的訊息增益率
500‧‧‧決策樹
512‧‧‧非葉節點
522‧‧‧非葉節點
610‧‧‧取出一則未處理的正常規則，作為一候選校正規則並且標示為已處理
620‧‧‧比對一單筆製程資料與該候選校正規則，識別該單筆製程資料的多個製程參數的每一製程參數的調整量
630‧‧‧檢查此每一製程參數的調整量是否違反校正限制
640‧‧‧計算該候選校正規則的一校正成本
650‧‧‧檢查所有候選校正規則是否已被處理
660‧‧‧依計算出的所有候選校正規則的校正成本排序，輸出這些校正成本及該單筆製程資料的製程參數的校正值
810‧‧‧從與目前單筆製程資料符合一相同條件的歷史製程資料中，計算出異常資料的多個特徵值與特徵向量
820‧‧‧將該單筆製程資料所屬的異常類別的歷史製程資料，或與該單筆製程資料符合相同異常規則的歷史製程資料投 影至一主成分空間，並且求出對應於多個主成分的多個異常特徵
830‧‧‧從符合該校正規則的該歷史製程資料中，計算出正常資料的多個特徵值與特徵向量
840‧‧‧將該些正常資料投影至該主成分空間，以求出對應於該多個主成分的多個正常特徵
910‧‧‧分別計算一單筆製程資料與多個異常特徵的每一異常特徵的一第一距離，以及得到多個異常特徵權重
920‧‧‧計算此單筆製程資料中的每一製程參數在每一異常特徵的一第一貢獻比例
930‧‧‧分別計算一單筆製程資料與多個正常特徵的每一正常特徵的一第二距離，以及得到多個正常特徵權重
940‧‧‧計算此單筆製程資料中的每一製程參數在每一正常特徵的一第二貢獻比例
950‧‧‧對於每一製程參數，將該製程參數在每一異常特徵的此第一貢獻比例乘以該多個異常特徵權重中一相對應的異常特徵權重後，對該多個異常特徵作加總；並且將該製程參數在每一正常特徵的此第二貢獻比例乘以該多個正常特徵權重中一相對應的正常特徵權重後，對該多個正常特徵作加總，從而評估出該製程參數對於此異常成因的一貢獻度
1000‧‧‧異因分析與校正系統
1010‧‧‧分類規則產生器模組
1020‧‧‧異常識別模組
1030‧‧‧校正規則選取模組
1040‧‧‧類別相依特徵產生器模組
1005‧‧‧處理單元
1050‧‧‧參數貢獻度評估模組
1060‧‧‧使用者介面
1014‧‧‧分類規則資料庫
1024‧‧‧異常識別資料庫
1034‧‧‧校正策略資料庫
1044‧‧‧類別相依特徵資料庫
1054‧‧‧異常成因參數貢獻度資料庫
第一圖是根據本揭露的一實施例，定義與說明製程資料的一範例。
第二圖是根據本揭露的一實施例，說明此異因分析與校正方法與系統應用在一製造系統的一示意圖。
第三圖是根據本揭露的一實施例，說明一種異因分析與校正方法。
第四A圖是根據本揭露的一實施例，說明以決策樹演算法，依據多筆訓練資料，建立異常分類規則及正常分類規則的運作流程。
第四B圖是根據本揭露的一實施例，說明第四A圖中各個步驟的子步驟的運作流程。
第五A圖是根據本揭露的一實施例，遵循第四圖的運作流程所建立的決策樹的範例。
第五B圖是根據本揭露的一實施例，說明第五A圖的決策樹所對應的分類規則。
第六圖是根據本揭露的一實施例，說明一最適校正策略選取法的運作流程。
第七圖是根據本揭露的一實施例，說明候選校正規則的校正策略、校正限制條件、以及校正策略的成本計算。
第八圖是根據本揭露的一實施例，說明雙向式特徵擷取方法的細部流程。
第九圖將是根據本揭露的一實施例，說明評估一製程參數的一異常成因的貢獻度的運作流程。
第十圖是根據本揭露的一實施例，說明一種異因分析與校正系統。
以下，參考伴隨的圖式，詳細說明依據本揭露的實施例，俾使本領域者易於瞭解。所述之發明創意可以採用多種變化的實施方式，當不能只限定於這些實施例。本揭露省略本領域者已熟知部分(well-known part)的描述，並且相同的參考號於本揭露中代表相同的元件。
在本揭露中，一筆單筆製程資料意指同一產品，按照時間依序在不同時間點被處理時，當下的感測或控制訊號及相關操作之各種紀錄(以下稱為製程參數)所形成的集合，也可以再包括該產品完成時的品質代碼。歷史製程資料意指包括過去所生產的多個產品的每一產品的製程資料。非數值型資料或參數意指無法被用來進行數值運算的資料或參數，或是被編碼成數值再進行數值運算也不具意義的資料或參數。非數值型資料或參數例如是一製程的原料種類，或是原料產地等。數值型資料或參數意指可被用來進行數值運算的資料或參數。數值型資料或參數例如是一製造環境中，主要成分的壓力或生產設備的溫度等。兩數值型資料經由數值運算後的 結果可被用來判斷此兩數值型資料的關係。
製造現場常會有許多環境上、設備上等等的限制(constraint)，以至於無法達成學理上的製程條件，因此在實際調整製程時，會將這些限制納入考量。在本揭露中，受限於製造現場的環境、設備的承受度、生產成本等，有些參數調整的動作會受到限制，此類限制稱為校正限制(correction constraint)；這些校正限制可以在系統建立時先設定，也可以隨著製程經驗的累積、環境或產品的改變而逐漸增加、修改。
依據本揭露的實施例，提供一種異因分析與校正方法與系統。其技術根據多筆歷史製程資料來建立異常分類規則及正常分類規則；藉由比對目前的一單筆製程資料與這些規則，識別此製程資料符合的異常規則，並決定一校正規則與一些參數校正值；以及根據此單筆製程資料符合的異常規則與此校正規則，從一些歷史製程資料中擷取異常特徵與正常特徵，並藉由比對此單筆製程資料與異常特徵及正常特徵的差異，評估此單筆製程資料中各製程參數的異常成因貢獻程度。校正規則的格式例如是「Rk：Ak→Ck」，其中Rk為校正規則，Ak為一已知條件，Ck為一推測結果，校正規則Rk表示「當Ak發生時，發生Ck」的這個規則。
也就是說，此技術建立雙向式偵測與判斷製程的異常。 一方向是，比對一目前製程與已知的正常製程，找出偏差所在；另一方向是，比對一目前製程與已知的異常製程，找出近似的特徵。依據本揭露的實施例，此雙向式偵測與判斷製程的異常同時考慮此兩方向，包括藉由建立雙向式(異常與正常)分類規則、分別比對一製程資料與這些雙向式分類規則、判斷此製程資料的異常類別、評估一校正策略、結合雙向式特徵擷取、以及整合雙向式貢獻度，從而分析每一單筆製程資料的異常成因與校正方法，將目前的異常成因分析，甚至提升至即時異常校正決策輔助。
根據本揭露上述的定義，歷史製程資料、目前的一單筆製程資料、以及每一後續的製程資料，前述任一筆製程資料包含對於一個產品在一製程中，所記錄的該筆製程資料對應的一個或一個以上的製程參數，也可以再包括該產品完成時的一品質代碼。第一圖是根據本揭露的一實施例，定義與說明製程資料的一範例。在第一圖的範例中，共有n筆製程資料，n是大於1的正整數，其中Xk,j表示第k筆製程資料的第j個製程參數之值，Yk表示第k筆製程資料之品質代碼，k是正整數，並且1≦k≦n。也就是說，每筆製程資料包含p個製程參數，以及一品質代碼。例如，第一筆製程資料包含p個製程參數X1,1、X1,2、…X1,p，p是大於1的正整數，以及一品質代碼Y1；第k筆製程資料包含p個製程參數Xk,1、Xk,2、…Xk,p，以及一品質代碼Yk。根據本揭露的實施例，其 中品質代碼Yk也可以是品質等級。
每筆製程資料的這些製程參數可包含該製程中，對於多個製程條件的設定值或控制值。這些製程參數也可包含該製程的一製造現場中設置的量測設備，例如儀器及/或感測器，所量測到的量測值或感測值。每筆製程資料的品質代碼是多種異常類別的其中一種異常類別，或是代表無異常的一正常類別。每筆製程資料的品質代碼，也可以是代表產品品質等級之代碼，例如產品品質等級A、品質等級B…品質等級E。其中，可再定義一或多個品質等級對應到一或多個正常類別，例如品質等級A、品質等級B對應到一正常類別「N」；以及再定義一或多個品質等級對應到一或多個正常異常類別，例如品質等級C對應到異常類別「D1」，品質等級D、品質等級E對應到異常類別「D2」。
以一煉鋼廠的連鑄(continuous casting)製程為例，例如，第k筆製程資料包含五個參數，其中Xk,1(二冷水壓)=69；Xk,2(氬氣壓力)=107；Xk,3氬氣流量)=44；Xk,4(鑄粉種類)=A；Xk,5(矯直區溫度)=97。則代表第k筆製程資料的第一個製程參數Xk,1為二冷水壓，且二冷水壓值為69；第二個製程參數Xk,2為氬氣壓力，且氬氣壓力值為107；依此類推，第五個製程參數Xk,5為矯直區溫度，且矯直區溫度值為107。第k筆製程資料的品質代碼例如當Yk=「D1」時，代表第k筆製程資料對應的品質代 碼為「異常類別1」，當Yk=「N」時，代表第k筆製程資料對應的品質代碼為「無異常」。
第二圖是根據本揭露的一實施例，說明一異因分析與校正機制應用於一製造系統中的一範例示意圖。參考第二圖的範例，製造系統200可備有一品質量測記錄資料庫212、一製程參數記錄資料庫214、一品質量測設備222、以及一生產設備224。根據此實施例，異因分析與校正機制230可從品質量測記錄資料庫212與製程參數記錄資料庫214，取得多筆歷史製程資料；根據此多筆歷史製程資料，建立異常分類規則及正常分類規則，據此，對於一目前製程資料，擷取其異常類別的異常特徵與符合一校正規則的正常特徵，這些規則與特徵例如可儲存於一資料庫儲存裝置；評估與該異常類別相關的製程參數及這些製程參數的貢獻度，從而提供異常校正決策輔助(abnormal correcting strategy assistance)，甚而可以即時協助工程人員排除製程上的異常。例如，所得的重要製程參數及其貢獻度可輔助製造現場的專業工程師(如製程工程師、品管工程師等)鎖定製程參數，加速其分析這些參數與異常形成的因果關係，協助製程的改善。
承上述，第三圖是根據本揭露的一實施例，說明一種異因分析與校正方法。此方法適應於一製造系統中的一製程。參考第三圖，此方法利用至少一電腦系統來執行：根據此製 程的多筆歷史製程資料，建立至少一異常分類規則及至少一正常分類規則，並且儲存於一資料庫儲存裝置中(步驟310)；比對目前的一單筆製程資料與此至少一異常分類規則，識別此單筆製程資料符合的至少一異常規則及所屬的一異常類別，其中此單筆製程資料包含多個製程參數(步驟320)；比對此單筆製程資料與此至少一正常分類規則，決定一校正規則，並且決定此多個製程參數中至少一製程參數的一或多個校正值(步驟330)；從與此單筆製程資料具有一相同條件的該多筆歷史製程資料中，擷取多個異常特徵，並且從符合此校正規則的該多筆歷史製程資料中，擷取多個正常特徵(步驟340)；以及根據此多個異常特徵與此多個正常特徵，評估對應於此單筆製程資料的此多個製程參數的至少一異常成因貢獻度(步驟350)。在該製程中，對於每一後續的製程資料，執行上述建立、比對、擷取、以及評估的步驟。
步驟340中，根據本揭露的一實施例，從與此單筆製程資料具有一相同條件的該多筆歷史製程資料中，擷取多個異常特徵，其中該相同條件例如是一相同品質代碼、或是符合一相同異常規則。與該單筆製程資料符合相同條件的歷史製程資料例如是屬於此異常類別之所有歷史製程資料，或是與此單筆製程資料符合相同異常規則之歷史製程資料。也就是說，在擷取異常特徵時，不限於從屬於此異常類別的歷史製程資料中擷取，也可以從符合該相同異常規則的歷史製程資 料中擷取。根據本揭露的實施例，此異因分析與校正方法基本上，可分為模型訓練(建立)與線上分析。步驟310~步驟350是可彈性調換順序的。說明如下。
模型訓練(建立)可包括步驟310與步驟340之特徵擷取；根據本揭露的一實施例，可以在累積一段時間的歷史資料後進行步驟310與步驟340；在步驟310建立規則後，就可進行每一規則或類別對應的特徵擷取；步驟310與步驟340的產出結果也可分別存在資料庫中。多久進行一次模型訓練(建立)，可視實際實施狀況而定，通常不需要每收到一筆新的製程資料就重新訓練(建立)一次模型。
線上分析可包括步驟320、步驟330、步驟340(根據線上收到的單筆製程資料，根據其符合的異常規則、校正規則、識別出的缺陷類別，直接對應到已經擷取出來存在資料庫中的特徵)、以及步驟350；這些步驟可透過利用已存在資料庫中的模型(包含規則、特徵)，以及線上收到的一單筆製程資料，來分析該單筆製程資料的成因貢獻度。
依據本揭露的實施例，在步驟310中，建立異常分類規則及正常分類規則可使用統計或資料探勘方法，例如決策樹演算法、關聯式分析演算法等。第四A圖是根據本揭露的一實施例，說明以決策樹演算法，依據多筆訓練資料(歷史 製程資料)，建立異常分類規則及正常分類規則的運作流程。其中，根節點到一個葉節點(leaf node)的路徑，可代表一個分類規則。在第四圖的運作流程中，先將多個數值型的製程參數的每一數值型的製程參數離散化，以形成一決策樹的訓練集(步驟410)，當無數值型參數時，略過此步驟。然後，計算每一製程參數的一訊息增益(information gain)與一訊息增益率(gain ratio)(步驟420)，其中可選擇訊息增益率最大的製程參數，作為當前節點的決策屬性，該製程參數的每一個可能的取值對應一個子集，產生一子節點。對於該決策樹的每一子節點，遞迴執行步驟420，直到滿足一收斂條件為止(步驟430)。當一子節點中的資料皆屬於同一類別，該節點收斂為葉節點。當所有節點皆無法產生葉節點以外之子節點，即完成決策樹之建構。
第四B圖是根據本揭露的一實施例，說明第四A圖中各個步驟的子步驟的運作流程。步驟410可再包括以下子步驟：從該多筆歷史製程資料中找到該數值型參數的最小值a 0及最大值a n+1(步驟412)；在區間[a 0,a n+1]內***n個值，此n個值將此區間分為n+1個小區間(步驟414)；以及分別以a i ,i=1,2,…,n為分段點，將區間[a 0,a n+1]劃分為兩個子區間，即[a 0,a i ]與[a i+1,a n+1]，從而取得n個此種兩個子區間的劃分(步驟416)。
在步驟420中，計算一製程參數A的訊息增益可再包括以下子步驟422、424、426、428。在子步驟422中，計算給定的歷史製程資料分類的一訊息期望I；例如，給定歷史製程資料集D，分為k類品質代碼，如異常1、異常2、…、無異常等，即k個子集：D 1,D 2,…D k ；d為歷史製程資料集D的總資料筆數，d i 是D i 的資料筆數；p i =d i /d,i=1,2,…,k為一筆製程資料屬於第i類的機率，依此，歷史製程資料集D的訊息期望為： 也就是說，訊息期望I表示把歷史製程資料集D分為k類的不確定性程度。
在子步驟424中，計算製程參數A的每一取值的訊息期望I(A=a j ),j=1,2,…,m，其中製程參數A的取值為a 1,a 2,…,a m ，m≧2；例如，製程參數A為二冷水壓，m=50，a1=61，a2=62…a50=110，d j 是當A=a j 時的資料筆數，d i,j 是當A=a j 時，屬於子集D i 的資料筆數，則製程資料屬於第i類的機率為p i,j =d i,j /d j ，並且
在子步驟426中，計算製程參數A的熵Entropy(A) 其中p j =d j /d，d j 為A=a j 的資料筆數。
在子步驟428中，計算製程參數A的訊息增益Gain(A)Gain(A)=Entropy(A)-I。算出製程參數A的訊息增益Gain(A)後，可進而算出製程參數A的訊息增益率GainRatio(A)如下：GainRatio(A)=Gain(A)/I(A)。
對於數值型的製程參數而言，分別計算以a i ,i=1,2,…,n為分割點，對應的分類訊息增益率，選擇最大訊息增益率對應的a i 作為該製程參數分類的分割點。對於非數值型製程參數，由上述式子可算出對應於該製程參數每種取值的訊息增益率，而對於非數值型製程參數，須分別計算n種分割點的訊息增益率。若當前節點的所有製程參數中，訊息增益率最大的為非數值型製程參數A在取值為a i 時，則當前節點的決策屬性為製程參數A。往下分為兩個子集，分別為與A=a i 與A≠a i ，形成兩個子節點。若當前節點的所有製程參數中，訊息增益率最大的為數值型之製程參數B在取b i 作為分割點時，則當前節點的決策屬性為製程參數B。往下分為兩個子集，分別為[b 0,b i ]與[b i+1,b n+1]，形成兩個子節點。
以一煉鋼廠的連鑄製程的多筆歷史製程資料做為訓練資料為例，第五A圖是遵循第四圖之決策樹演算法的運作 流程，所建立的決策樹的範例。在第五A圖的決策樹500中，每一非葉節點(non-leaf node)是根據一製程參數的分類條件，以長方形區塊來表示，例如，非葉節點512代表分類條件為「矯直區溫度>99」。每一葉節點代表滿足由根節點(root node)至該葉節點的所有分類條件時，所判定的品質代碼，以圓形區域內的符號表示。例如，葉節點522代表當根節點510的分類條件(即，「二冷水壓<65」)被滿足且節點512的分類條件(即，「矯直區溫度>99」)沒有被滿足時，所判定的品質代碼為「N」。依此，每一葉節點可代表一個品質分類的規則。例如，葉節點522可代表一分類規則，即，二冷水壓<65、矯直區溫度<99→N。第五B圖是第五A圖之決策樹500所對應的所有分類規則，其中決策樹500的九個葉節點分別代表九個分類規則，並且當一葉節點為「N」時，表示此葉節點代表一正常分類規則(或稱正常規則)；當一葉節點為「D1」、或「D2」、或「D3」時，表示此葉節點代表一異常分類規則(或稱異常規則)。
承上述第五B圖的範例，假設目前單筆製程資料包含五個製程參數，其中Xk,1(二冷水壓)=69；Xk,2(氬氣壓力)=107；Xk,3(氬氣流量)=44；Xk,4(鑄粉種類)=A；Xk,5(矯直區溫度)=97；則依據本揭露之第三圖的步驟320，比對此目前製程資料與第五B圖中的所有異常規則，可識別此目前製程資料符合第五B圖中的第五個分類規則(即二冷水壓>65、氬氣壓力>105、鑄粉種類=A →D1)，及所屬的異常類別為「D1」。
承上述第五B圖的範例，第五B圖中共有三個正常規則(即，品質代碼為「N」的第二個、第四個、及第九個分類規則，也就是共三個候選校正規則)。依據本揭露之第三圖的步驟330，比對此目前單筆製程資料與第五B圖中的三個候選校正規則，決定一校正規則，並且決定此目前單筆製程資料的五個製程參數中至少一製程參數的校正值。根據本揭露的一實施例，決定該校正規則可利用一最適校正策略選取法來決定，包含：對於該至少一正常分類規則中不違反校正限制(correcting constraint)的每一正常分類規則，計算將該目前單筆製程資料調整至符合該正常分類規則所需的成本，並且從該些算出的所需的校正成本中選取具有最小校正成本的一正常分類規則作為該校正規則。第六圖是根據本揭露的一實施例，說明一最適校正策略選取法的細部流程。
參考第六圖的細部流程，首先，取出一則未處理的正常規則，作為一候選校正規則並且標示為已處理(步驟610)；比對一單筆製程資料與該候選校正規則，識別該單筆製程資料的多個製程參數的每一製程參數的調整量(步驟620)；並且檢查此每一製程參數的調整量是否違反校正限制(步驟630)。當有違反校正限制時，返回步驟610；當沒有違反校正限制時，計算該候選校正規則的一校正成本(步驟640)，並且檢 查所有候選校正規則是否已被處理(步驟650)。當尚有校正規則未被處理時，返回步驟610；當所有候選校正規則已被處理時，依計算出的所有候選校正規則的校正成本排序，輸出這些校正成本及該單筆製程資料的製程參數的校正值(步驟660)。
根據本揭露的一實施例，計算候選校正規則的校正成本以選擇一校正規則可由這些候選校正規則的支持度(support)、信心度(confidence)、以及既定的至少一校正限制來決定。一規則的支持度定義為多筆歷史製程資料中符合該規則的資料筆數。一規則的信心度定義為多筆歷史製程資料中符合該規則的資料筆數，除以多筆該歷史製程資料中符合該規則的已知條件(known condition)的資料筆數。假設歷史製程資料庫中有100筆資料，一規則為「Rk：Ak→Ck」，其中發生Ak的資料有50筆，而發生Ak且發生Ck的資料有30筆，則此規則的支持度為30÷100=0.3，信心度為30÷50=0.6。換句話說，一規則的支持度反映出該規則的代表性；一規則的信心度是以該規則推測正確的資料筆數，除以符合該規則的已知條件的資料筆數，此信心度可反映出該規則在該多筆歷史資料中的推測準確性。
以第五B圖的異常規則：二冷水壓>65，氬氣壓力>105，鑄粉種類=A→D1為例，該規則的支持度為，滿足二冷水壓 >65，氬氣壓力>105，鑄粉種類=A，且品質代碼為D1的歷史製程資料筆數，除以所有歷史製程資料筆數。該規則的信心度為，滿足二冷水壓>65，氬氣壓力>105，鑄粉種類=A，且品質代碼為D1的歷史製程資料筆數，除以滿足二冷水壓>65，氬氣壓力>105，鑄粉種類=A的歷史製程資料筆數。
以煉鋼廠的連鑄製程為例，說明校正限制的範例。在連鑄製程中，有些異常與化學元素析出有關，而學理上矯質區溫度提高可以減少化學元素的析出，分析結果也可能會得到校正策略為，將矯質區溫度提高。然而，在實際的製造環境中，矯直區溫度提高到超過一定限度，會導致鑄道溫度過高而損壞設備，所以，會限制該矯直區溫度的上限，限制該矯直區溫度的上限即為校正限制的一範例。另一範例是，在連鑄製程中，有些異常與鋼液成分有關，分析結果也可能會得到校正策略為，調整鋼液成分；然而，調整鋼液成分意味著需要重新煉製鋼液，此成本耗費甚鉅，或者調整後的鋼液成分可能會低於或超過客戶要求的成份含量規格，所以，在實際的製造環境中，會盡量排除調整鋼液成分這種校正異常的動作，此也是一種校正限制。
以第五B圖的分類規則為例，假設目前單筆製程資料包含五個製程參數，其中Xk,1(二冷水壓)=69；Xk,2(氬氣壓力)=107；Xk,3(氬氣流量)=44；Xk,4(鑄粉種類)=A；Xk,5(矯直區溫度)=97；候選校正規 則1(即第二個分類規則)的信心度為98%，支持度為0.7；候選校正規則2(即第四個分類規則)的信心度為99%，支持度為0.1；候選校正規則3(即第九個分類規則)的信心度為98%，支持度為0.6；例如，第七圖是根據本揭露的一實施例，說明上述三個候選校正規則的校正策略、校正限制、以及校正策略的成本計算的範例。如第七圖的範例所示，對於候選校正規則1，校正策略為：二冷水壓69->64，矯直區溫度97->100；其中「矯直區溫度97->100」違反了「矯直區溫度不可提高」的校正限制。所以，候選校正規則1不會成為被決定的校正規則。對於候選校正規則2，校正策略為：二冷水壓69->64；此校正策略的成本為10.1。對於候選校正規則3，校正策略為：氬氣壓力107->98，氬氣流量44->41；此校正策略的成本為3.4。所以，候選校正規則3是不違反校正限制條件並且具有最小成本，因此成為被決定的校正規則。依此校正規則，對於單筆的此目前製程資料，可排除異常的校正策略的範例如下：將氬氣壓力降至98以下，氬氣流量降至41以下。
校正成本的計算，例如可根據單筆製程資料、校正規則、以及每一製程參數的調整量來計算。假設單筆製程資料X共有p個參數，根據校正規則Rk來做校正，校正成本可寫成以下式子： 其中，Support(R k )、Confidence(R k )、Normalization j 分別是規則Rk的支持度、信心度、以及第j個製程參數的正規化函數，Aj表示X中的第j個製程參數Xj根據該規則校正時所需調整的量，可由比對(matching)Xj與校正規則Rk而得到：Aj=matching(Xj,Rk)，其中j=1~p
若該Xj不需調整，則此Aj值為0。每一製程參數的單位不同，參數分布的值域也不同，因此每一製程參數都需要將調整量正規化至0~1的區間。當Xj為數值型參數時，可用Z-score進行正規化(Normalization)，即Normalizationj(Aj)=Z-score(Aj)；當Xj為非數值型參數時，無調整量問題，可將此Normalizationj(Aj)設定為1。
因為每一製程參數調整時所需耗費的資源不同，根據本揭露的實施例，可再考慮每一製程參數Xj的調整成本權重(weight)，即Wj值，若調整製程參數Xj所需耗費的資源越大，則Wj可設的越高。權重的設計需要通盤考慮所有製程參數的校正所需資源，選定基準點後，以相對的方式來設定，可以在系統建立之初由人為來設定，也可以隨著經驗的累積、環境或產品的改變而修改、增加等。
計算校正成本不限於第七圖的範例的計算方式，例如在決策樹的例子中，可以採用單筆製程資料所在的葉節點，計 算到達校正規則所在葉節點的路徑長度，也可以是該決策樹的校正規則的校正成本的計算方法：Cost(X,Rk)=distance(Decision_Tree_Node(X),Decision_Tree_Node(Rk))其中Decision_Tree_Node(X)表示單筆製程資料X所在的葉節點，Decision_Tree_Node(Rk)表示校正規則Rk所在的葉節點。
依據上述的實施例，在步驟340中，根據歷史製程資料，擷取該目前製程資料所屬的異常類別之異常特徵，以及擷取符合該校正規則之正常特徵。此雙向式特徵擷取方法可使用，但不限定於統計分析方法，統計分析方法如主成分分析法(Principle Component Analysis，PCA)、獨立成分分析法(Independent Component Analysis)、偏最小二乘法(Partial Least Squares Method)等。第八圖是根據本揭露的一實施例，說明此雙向式特徵擷取方法的細部流程。參考第八圖，此雙向式特徵擷取方法從與目前單筆製程資料符合相同條件的歷史製程資料中(例如品質代碼為D1的歷史製程資料中，或與此單筆製程資料符合相同異常規則的歷史製程資料中)，計算出異常資料的多個特徵值與特徵向量(步驟810)。當使用主成分分析法時，每一特徵向量即為一個主成分，對應的特徵值是該主成分的權重，表現其重要性。接著將該單筆製程資料所屬的異常類別的歷史製程資料，或與該單筆製程資料符合相同異常規則的歷史製程資料投影至一主成分空間，並且 求出對應於多個主成分的多個異常特徵(步驟820)；並且從符合該校正規則的該歷史製程資料中，計算出正常資料的多個特徵值與特徵向量(步驟830)，將該些正常資料投影至該主成分空間，以求出對應於該多個主成分的多個正常特徵(步驟840)。
根據本揭露的實施例，步驟810與820需依序，步驟830與840需依序。此雙向式特徵擷取方法的步驟810、820、830、840的順序調換是有彈性的。例如，根據其中一實施例，其由先至後的步驟順序為：步驟810→步驟820→步驟830→步驟840。根據另一實施例，其由先至後的步驟順序為：步驟830→步驟840→步驟810→步驟820。
上述使用主成分分析法時，針對一個主成分，將每一異常資料轉換成一主成分計分(score)後，取所有異常資料的該些主成分計分的一加權平均值，可得到一相對應的異常特徵。所以，針對多個主成分，可得到代表上述異常資料的多個異常特徵。這些異常資料是與該單筆製程資料符合相同條件的資料，例如具有與該單筆製程資料有相同的異常類別的資料，或是與該單筆製程資料符合相同異常規則的資料。類似地，當上述正常資料投影至該主成分空間時，針對該多個主成分，可得到代表這些正常資料的多個正常特徵。
以第五B圖的異常規則：二冷水壓>65，氬氣壓力>105，鑄粉種類=A→D1」為例，藉由將該些品質代碼為D1的歷史製程資料投影至主成分空間，並藉由將該些歷史製程資料轉換成多個主成分計分後，取一加權平均值，對應於多個主成分所取得的這些加權平均值，即成為多個異常特徵。並且，從符合該校正規則的歷史製程資料中(即滿足二冷水壓>65，氬氣壓力<99，氬氣流量<42的歷史製程資料中)，計算出代表該些正常資料的特徵值與特徵向量，進而將該些歷史製程資料投影至主成分空間，轉換成多個主成分計分後，接著取其加權平均值，對應於多個主成分所取得的這些加權平均值，即成為多個正常特徵。
有了上述多個異常特徵與多個正常特徵，第九圖將是根據本揭露的一實施例，說明評估一製程參數的一異常成因的貢獻度的運作流程。參考第九圖的運作流程，分別計算一單筆製程資料與多個異常特徵的每一異常特徵的一第一距離，以及得到多個異常特徵權重(步驟910)；計算此單筆製程資料中的每一製程參數在每一異常特徵的一第一貢獻比例(步驟920)；並且，分別計算一單筆製程資料與多個正常特徵的每一正常特徵的一第二距離，以及得到多個正常特徵權重(步驟930)；及計算此單筆製程資料中的每一製程參數在每一正常特徵的一第二貢獻比例(步驟940)；以及對於每一製程參數，將該製程參數在每一異常特徵的此第一貢獻比例乘以該 多個異常特徵權重中一相對應的異常特徵權重後，對該多個異常特徵作加總；並且將該製程參數在每一正常特徵的此第二貢獻比例乘以該多個正常特徵權重中一相對應的正常特徵權重後，對該多個正常特徵作加總，從而評估出該製程參數對於此異常成因的一貢獻度(步驟950)。
根據本揭露的實施例，在步驟910、步驟920、步驟930、步驟940、步驟950中，其步驟順序是，步驟950需要在最後，在步驟950之前的步驟910~步驟940的順序則可隨意對調。
在步驟910與步驟930中，計算一單筆製程資料與一個異常/正常特徵之該第一或第二距離的算法，需要搭配取得該異常或正常特徵的計算方式，例如對於一個以主成分分析法計算得到的異常或正常特徵，需要先計算該單筆製程資料對於該相對應的主成分的主成分計分，此值與該異常或正常特徵相減，再除以該主成分對應的特徵值，此為馬氏距離算法。若使用歐氏距離算法，則不需要除以該主成分對應的特徵值。根據本揭露的實施例，計算一單筆製程資料與一個異常/正常特徵之距離的算法不限於馬氏距離算法與歐氏距離算法。根據本揭露的實施例，對於一正常特徵，求得的距離越大，權重越高，因此可利用此距離作為一正常特徵權重；對於一異常特徵，求得的距離越小，權重越高，因此可利用 此距離取倒數作為一異常特徵權重。
也就是說，根據本揭露的實施例，步驟350中評估對應於該單筆製程資料的多個製程參數的該異常成因貢獻度還包括：利用一距離算法，計算該單筆製程資料與上述擷取的多個異常特徵的每一異常特徵之間的距離，以及計算該單筆製程資料與上述擷取的多個正常特徵的每一正常特徵之間的距離。
在步驟920與步驟940中，計算該單筆製程資料中的每一製程參數在一個異常或正常特徵的貢獻比例，需要搭配該異常或正常特徵的計算方式，例如對於以主成分分析法計算得到的一個異常或正常特徵，該主成分的主成分負荷(loadings)即代表每一製程參數在該異常或正常特徵的貢獻比例。
也就是說，根據本揭露的實施例，步驟350中評估對應於該單筆製程資料的多個製程參數的每一製程參數的一相對應的異常成因貢獻度還包括：搭配一特徵計算法，計算該單筆製程資料中的每一製程參數在上述擷取的多個異常特徵的每一異常特徵的貢獻比例，以及計算該單筆製程資料中的每一製程參數在上述擷取的多個正常特徵的每一正常特徵的貢獻比例。
步驟950可用以下式子來表達： 其中，Contribution(i)表示第i個製程參數Xi對於異常的成因貢獻度，p表異常特徵個數，abnormal_contribution_r i,j 表示第i個製程參數Xi在第j個異常特徵的貢獻比例，abnormal_w j 表示第j個異常特徵權重；q表正常特徵個數，normal_contribution_r i,j 表示第i個製程參數Xi在第j個正常特徵的貢獻比例，normal_w j 表示第j個正常特徵權重。
也就是說，根據本揭露的實施例，步驟350中評估對應於該單筆製程資料的多個製程參數的每一製程參數的一相對應的異常成因貢獻度還包括：考量該單筆製程資料與上述擷取的多個異常特徵的每一異常特徵的一異常特徵權重，以及考量該單筆製程資料與上述擷取的多個正常特徵的每一正常特徵的一正常特徵權重。
承上述，第十圖是根據本揭露的一實施例，說明一種異因分析與校正系統。此異因分析與校正系統適應用於一製造系統中的一製程。參考第十圖，異因分析與校正系統1000 可包含一分類規則產生器模組1010、一異常識別模組1020、一校正規則選取模組1030、一類別相依特徵產生器模組1040、以及一參數貢獻度評估模組1050。分類規則產生器模組1010根據此製程的多筆歷史製程資料，建立至少一異常分類規則及至少一正常分類規則；這些建立的規則可儲存於一分類規則資料庫1014。異常識別模組1020比對一製程資料與此異常分類規則，識別該製程資料符合的一異常規則，及所屬的一異常類別；這些識別的異常規則與異常類別可儲存於一異常識別資料庫1024及回傳給使用者。校正規則選取模組1030比對此製程資料與此正常分類規則，產生多個校正策略及決定一校正規則，並且決定此多個製程參數中的至少一製程參數的一或多個校正值；這些校正策略可儲存於一校正策略資料庫1034及回傳給使用者。類別相依特徵產生器模組1040從與此製程資料具有一相同條件的該多筆歷史製程資料中，擷取多個異常特徵，以及從符合此校正規則的該多筆歷史製程資料中，擷取多個正常特徵；這些異常特徵與正常特徵可儲存於一類別相依特徵資料庫1044。參數貢獻度評估模組1050根據此多個異常特徵與此多個正常特徵，評估對應於此製程資料的此多個製程參數的至少一異常成因貢獻度；對應於此製程資料的此多個製程參數的每一異常成因貢獻度可儲存於一異常成因參數貢獻度(Parameter Contribution of Abnormal)資料庫1054及回傳給使用者。
分類規則產生器模組1010、異常識別模組1020、校正規則選取模組1030、類別相依特徵產生器模組1040、以及參數貢獻度評估模組1050皆可使用硬體描述語言(如Verilog或VHDL)來進行電路設計，經過整合與佈局後，可燒錄至現場可程式邏輯閘陣列(Field Programmable Gate Array，FPGA)上。藉由硬體描述語言所完成的電路設計，例如可交由專業之積體電路生產商以特殊應用積體電路(Application-Specific Integrated Circuit，ASIC)或稱專用集成電路來實現。也就是說，異因分析與校正系統1000可包含至少一集成電路來實現分類規則產生器模組1010、異常識別模組1020、校正規則選取模組1030、類別相依特徵產生器模組1040、以及參數貢獻度評估模組1050所實現的功能。
異因分析與校正系統1000也可包含至少一處理單元1005來完成分類規則產生器模組1010、異常識別模組1020、校正規則選取模組1030、類別相依特徵產生器模組1040、以及參數貢獻度評估模組1050所實現的功能。
該些建立的規則、該些識別的異常規則與異常類別、該些校正策略、該些異常特徵與正常特徵、以及對應於單筆製程資料的該些製程參數的貢獻度，可分別儲存於各自對應的資料庫，或是利用一伺服器資料庫(server database)來儲存。分類規則資料庫1014、異常識別資料庫1024、校正策略資 料庫1034、類別相依特徵資料庫1044、以及異常成因參數貢獻度資料庫1054可建立於至少一儲存裝置(storage device)中。
依據本揭露的另一實施例，多筆歷史製程資料1012與任一製程資料可藉由一使用者介面(User Interface)1060提供給該異因分析與校正系統1000。識別的異常規則與異常類別、校正策略、以及成因貢獻度等也可藉由此使用者介面1060回傳給一或多個使用者。異因分析與校正系統1000可適應於一製造系統中，其應用情境例如是，但不限定於第二圖的範例所述。例如，異因分析與校正系統1000也可以是一伺服器。
綜上所述，依據本揭露的實施例提供一種異因分析校正方法與系統，其技術包含根據歷史製程資料，建立多個異常分類規則及多個正常分類規則，比對一製程資料與此多個異常分類規則，識別該製程資料符合的至少一異常規則、及所屬的一異常類別；比對此製程資料與此多個正常分類規則，決定一校正規則，並建議此製程資料的多個製程參數的一或多個校正值；並且，從與此製程資料具有一相同條件的的多筆歷史製程資料中，擷取多個異常特徵，以及從符合該校正規則的此多筆歷史製程資料中，擷取多個正常特徵；再根據這些異常特徵與正常特徵，評估對應於此製程資料的此多個 製程參數的至少一成因貢獻度。此技術可分析每單筆製程資料的異常成因與校正方法，利用目前的異常成因分析，協助異常校正與決策輔助，從而協助製造現場快速校正製程異常。此技術可分析多種類型的參數資料(包括如數值型及/或非數值型資料)，統合正常與異常資料之雙向式貢獻度評估，從而協助製造現場分析異常根源與成因。
以上所述者僅為依據本揭露的實施範例，當不能依此限定本揭露實施之範圍。即大凡發明申請專利範圍所作之均等變化與修飾，皆應仍屬本揭露專利涵蓋之範圍。
310‧‧‧根據此製程的多筆歷史製程資料，建立至少一異常分類規則及至少一正常分類規則，並且儲存於一資料庫儲存裝 置中
320‧‧‧比對目前的一單筆製程資料與此至少一異常分類規則，識別此單筆製程資料符合的至少一異常規則及所屬的一異常類別，其中此單筆製程資料包含多個製程參數
330‧‧‧比對此單筆製程資料與此至少一正常分類規則，決定一校正規則，並且決定此多個製程參數中至少一製程參數的一或多個校正值
340‧‧‧從與此單筆製程資料具有一相同條件的該多筆歷史製程資料中，擷取多個異常特徵，並且從符合此校正規則的該多筆歷史製程資料中，擷取多個正常特徵
350‧‧‧評估對應於此單筆製程資料的此多個製程參數的至少一異常成因貢獻度

Claims (20)

  1. 一種異因分析與校正方法，適應於一製造系統中的一製程，此方法包含：根據該製程的多筆歷史製程資料，建立至少一異常分類規則及至少一正常分類規則，並且儲存於一資料庫儲存裝置中；比對目前的一單筆製程資料與該至少一異常分類規則，識別該單筆製程資料符合的至少一異常規則及所屬的一異常類別，其中該單筆製程資料包含多個製程參數；比對該單筆製程資料與該至少一正常分類規則，決定一校正規則，並且決定該多個製程參數中至少一製程參數的一或多個校正值；從與該單筆製程資料具有一相同條件的該多筆歷史製程資料中，擷取多個異常特徵，並且從符合該校正規則的該多筆歷史製程資料中，擷取多個正常特徵；以及根據該多個異常特徵與該多個正常特徵，評估對應於該單筆製程資料的該多個製程參數的至少一異常成因貢獻度。
  2. 如申請專利範圍第1項所述之方法，其中該多筆歷史製程資料及該單筆製程資料包含對於一個產品在一製程中，所記錄的一或多個製程參數以及一品質代碼。
  3. 如申請專利範圍第2項所述之方法，其中該品質代碼是一品質等級，或是多種異常類別的其中一種異常類別， 或是代表無異常的一正常類別。
  4. 如申請專利範圍第2項所述之方法，其中該單筆製程資料的該多個製程參數包含在該製程中，對於一或多個製程條件的一或多個設定值或控制值。
  5. 如申請專利範圍第2項所述之方法，其中該單筆製程資料的該多個製程參數包含在該製程的一製造現場中設置的一或多個量測設備的一或多個量測值或感測值。
  6. 如申請專利範圍第1項所述之方法，其中該相同條件係一相同品質代碼，或一相同異常規則。
  7. 如申請專利範圍第1項所述之方法，其中決定該校正規則還包括：對於該至少一正常分類規則中不違反校正限制條件的每一正常分類規則，計算將該單筆製程資料調整至符合該正常分類規則所需的成本，並且從該些算出的所需的成本中選擇具有一最小成本的一正常分類規則作為該校正規則。
  8. 如申請專利範圍第7項所述之方法，其中計算該正常分類規則該所需的成本係由該正常分類規則的一支持度、及一信心度來決定。
  9. 如申請專利範圍第8項所述之方法，其中計算該正常分類規則該所需的成本還包括：根據該單筆製程資料的該多個製程參數的每一製程參數的一調整量以及該每一製程參數各自對應的一調整成本 權重，計算該所需的成本。
  10. 如申請專利範圍第1項所述之方法，該方法利用一決策樹演算法，建立該至少一異常分類規則及該至少一正常分類規則，其中，一決策樹的一根節點到一葉節點的路徑代表一分類規則。
  11. 如申請專利範圍第10項所述之方法，其中計算一校正成本來符合該正常分類規則係採用該單筆製程資料所在的該決策樹的一第一葉節點，計算到達該校正規則所在的該決策樹的一第二葉節點的一路徑長度。
  12. 如申請專利範圍第1項所述之方法，該方法利用一統計分析方法，從與該單筆製程資料具有該相同條件的該多筆歷史製程資料中，計算出代表異常資料的多個特徵值與特徵向量，以及從符合該校正規則的該多筆歷史製程資料中，計算出代表正常資料的多個特徵值與特徵向量。
  13. 如申請專利範圍第1項所述之方法，其中評估對應於該單筆製程資料的該多個製程參數的該至少一異常成因貢獻度還包括：利用一距離算法，計算該單筆製程資料與該多個異常特徵的每一異常特徵的一第一距離，以及計算該單筆製程資料與該多個正常特徵的每一正常特徵的一第二距離。
  14. 如申請專利範圍第13項所述之方法，其中評估對應於該單筆製程資料的該多個製程參數的該至少一異常成因貢獻度還包括： 搭配一特徵計算法，對於該單筆製程資料的每一製程參數，計算在該多個異常特徵中每一異常特徵的一第一貢獻比例，以及對於該單筆製程資料的每一製程參數，計算在該多個正常特徵中每一正常特徵的一第二貢獻比例；以及考量該每一異常特徵的一異常特徵權重及該每一正常特徵的一正常特徵權重。
  15. 一種異因分析與校正系統，適應於一製造系統中的一製程，該分析與校正系統包含：一分類規則產生器模組，根據該製程的多筆歷史製程資料，建立至少一異常分類規則及至少一正常分類規則；一異常識別模組，比對一製程資料與該至少一異常分類規則，識別該製程資料符合的一異常規則及所屬的一異常類別；一校正規則選取模組，比對該製程資料與該至少一正常分類規則，產生多個校正策略及決定一校正規則，並且決定此製程資料的多個製程參數的至少一製程參數的一或多個校正值；一類別相依特徵產生器模組，從與該製程資料具有一相同條件的該多筆歷史製程資料中，擷取多個異常特徵，以及從符合該校正規則的該多筆歷史製程資料中，擷取多個正常特徵；以及一參數貢獻度評估模組，根據該多個異常特徵與該多個正 常特徵，評估對應於該製程資料的該多個製程參數的至少一異常成因貢獻度。
  16. 如申請專利範圍第15項所述之異因分析與校正系統，其中該分類規則產生器模組、該異常識別模組、該校正規則選取模組、該類別相依特徵產生器模組、以及該參數貢獻度評估模組係以至少一集成電路來實現。
  17. 如申請專利範圍第15項所述之異因分析與校正系統，其中該分析與校正系統包含至少一處理單元，以完成該分類規則產生器模組、該異常識別模組、該校正規則選取模組、該類別相依特徵產生器模組、以及該參數貢獻度評估模組所實現的功能。
  18. 如申請專利範圍第15項所述之異因分析與校正系統，其中該多筆歷史製程資料與該製程資料藉由一使用者介面提供給該異因分析與校正系統，該識別的異常規則與異常類別、該多個校正策略、以及該至少一成因貢獻度藉由該使用者介面回傳給一或多個使用者。
  19. 如申請專利範圍第15項所述之異因分析與校正系統，其中該多筆歷史製程資料及該製程資料包含對於在一製程中，所記錄的一或多個製程參數以及一品質代碼。
  20. 如申請專利範圍第19項所述之異因分析與校正系統，其中該品質代碼是一品質等級，或是多種異常類別的其中一種異常類別，或是代表無異常的一正常類別。
TW103136491A 2014-10-22 2014-10-22 異因分析與校正方法與系統 TWI543102B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW103136491A TWI543102B (zh) 2014-10-22 2014-10-22 異因分析與校正方法與系統
US14/578,898 US20160116892A1 (en) 2014-10-22 2014-12-22 Method and system of cause analysis and correction for manufacturing data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW103136491A TWI543102B (zh) 2014-10-22 2014-10-22 異因分析與校正方法與系統

Publications (2)

Publication Number Publication Date
TW201615844A TW201615844A (zh) 2016-05-01
TWI543102B true TWI543102B (zh) 2016-07-21

Family

ID=55791942

Family Applications (1)

Application Number Title Priority Date Filing Date
TW103136491A TWI543102B (zh) 2014-10-22 2014-10-22 異因分析與校正方法與系統

Country Status (2)

Country Link
US (1) US20160116892A1 (zh)
TW (1) TWI543102B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109298686A (zh) * 2017-07-25 2019-02-01 通用汽车环球科技运作有限责任公司 用于针对基于规则的制造工艺设计使用商业智能的***和方法
TWI770536B (zh) * 2020-06-22 2022-07-11 中國鋼鐵股份有限公司 熱軋產品缺陷成因判斷方法及系統
US11551155B2 (en) 2018-11-09 2023-01-10 Industrial Technology Research Institute Ensemble learning predicting method and system

Families Citing this family (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9910429B2 (en) * 2013-09-03 2018-03-06 The Procter & Gamble Company Systems and methods for adjusting target manufacturing parameters on an absorbent product converting line
US20170024649A1 (en) * 2015-07-24 2017-01-26 General Electric Company Anomaly detection system and method for industrial asset
US10817800B2 (en) * 2016-01-20 2020-10-27 Robert Bosch Gmbh Value addition dependent data mining techniques for assembly lines
TWI617422B (zh) 2016-11-10 2018-03-11 財團法人資訊工業策進會 塑膠押出製程控制方法及參數調整系統
CN110832464A (zh) * 2017-06-29 2020-02-21 惠普发展公司，有限责任合伙企业 应用程序从错误中的恢复
JP6691082B2 (ja) * 2017-08-28 2020-04-28 株式会社日立製作所 指標選択装置及びその方法
US10761974B2 (en) * 2017-11-10 2020-09-01 International Business Machines Corporation Cognitive manufacturing systems test repair action
JP6992889B2 (ja) * 2018-05-14 2022-01-13 富士通株式会社 判定ルール取得装置、判定ルール取得方法および判定ルール取得プログラム
JP6763910B2 (ja) * 2018-05-30 2020-09-30 横河電機株式会社 異常検出装置、異常検出方法、異常検出プログラム及び記録媒体
CN109144985A (zh) * 2018-06-29 2019-01-04 广东工业大学 一种注塑成型装备大数据的分析方法及装置
TWI692695B (zh) * 2018-07-04 2020-05-01 財團法人工業技術研究院 提升產品製程品質之回饋系統及其方法
CN109034483B (zh) * 2018-08-01 2021-03-16 西安交通大学 一种基于质量功能配置的检测规划方法
US11163297B2 (en) * 2018-09-11 2021-11-02 International Business Machines Corporation Identifying equipment operating control settings using historical information
US20220004176A1 (en) * 2018-10-01 2022-01-06 Abb Schweiz Ag Method and control system for detecting condition of plurality of process equipment in industrial plant
JP2020123274A (ja) * 2019-01-31 2020-08-13 株式会社カネカ 不良要因分析方法、不良要因分析装置及びコンピュータプログラム
CN110119989B (zh) * 2019-04-24 2023-06-16 平安科技（深圳）有限公司 异常对账列表处理方法、装置、计算机设备及存储介质
TWI687783B (zh) * 2019-06-17 2020-03-11 臺灣塑膠工業股份有限公司 設備異常偵測方法及系統
TWI709010B (zh) * 2019-07-04 2020-11-01 臺灣塑膠工業股份有限公司 設備異常原因診斷方法及系統
JP7387325B2 (ja) * 2019-08-01 2023-11-28 三菱重工業株式会社 プラント監視装置、プラント監視方法、及びプログラム
CN110661818B (zh) * 2019-10-30 2022-07-08 腾讯云计算（北京）有限责任公司 事件异常检测方法、装置、可读存储介质和计算机设备
CN111212441B (zh) * 2019-12-23 2022-05-13 广州市梦享网络技术有限公司 对场景信号参数统一调优的方法
US11269901B2 (en) 2020-01-16 2022-03-08 International Business Machines Corporation Cognitive test advisor facility for identifying test repair actions
JP6973544B2 (ja) * 2020-03-31 2021-12-01 株式会社Sumco 状態判定装置、状態判定方法、及び状態判定プログラム
CN111582341B (zh) * 2020-04-29 2023-11-24 中国工商银行股份有限公司 用户异常操作预测方法及装置
JP7413159B2 (ja) * 2020-06-23 2024-01-15 東京エレクトロン株式会社 情報処理装置、プログラム及び監視方法
CN111782900B (zh) * 2020-08-06 2024-03-19 平安银行股份有限公司 异常业务检测方法、装置、电子设备及存储介质
TWI770614B (zh) * 2020-09-22 2022-07-11 南亞科技股份有限公司 機台監控系統與機台監控方法
JP7218338B2 (ja) * 2020-09-28 2023-02-06 横河電機株式会社 データ処理システム、データ処理方法、および、データ処理プログラム
CN114238062B (zh) * 2021-12-24 2024-03-05 湖南云箭智能科技有限公司 板卡烧录装置性能分析方法、装置、设备及可读存储介质
CN114721352B (zh) * 2022-04-11 2023-07-25 华能威海发电有限责任公司 Dcs***的状态监测与故障诊断方法及***
CN114999021A (zh) * 2022-05-17 2022-09-02 中联重科股份有限公司 用于确定油温异常原因的方法、处理器、装置及存储介质
CN115616997A (zh) * 2022-10-17 2023-01-17 华能威海发电有限责任公司 一种热控状态监测与知识库融合方法和***
CN116561689B (zh) * 2023-05-10 2023-11-14 盐城工学院 一种高维数据异常检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109298686A (zh) * 2017-07-25 2019-02-01 通用汽车环球科技运作有限责任公司 用于针对基于规则的制造工艺设计使用商业智能的***和方法
US11551155B2 (en) 2018-11-09 2023-01-10 Industrial Technology Research Institute Ensemble learning predicting method and system
TWI770536B (zh) * 2020-06-22 2022-07-11 中國鋼鐵股份有限公司 熱軋產品缺陷成因判斷方法及系統

Also Published As

Publication number Publication date
TW201615844A (zh) 2016-05-01
US20160116892A1 (en) 2016-04-28

Similar Documents

Publication Publication Date Title
TWI543102B (zh) 異因分析與校正方法與系統
JP6817426B2 (ja) マシンラーニング基盤の半導体製造の収率予測システム及び方法
WO2019001220A1 (zh) 一种基于决策树的数控车床车削过程能耗预测***及方法
JP4914457B2 (ja) 自動バーチャル測定のシステムおよびその方法
TWI521360B (zh) 量測抽樣方法與其電腦程式產品
CN105675038B (zh) 一种仪表的故障预测装置
US20160369777A1 (en) System and method for detecting anomaly conditions of sensor attached devices
CN108027594A (zh) 用于检测配水***中的异常的方法
CN116757534A (zh) 一种基于神经训练网络的智能冰箱可靠性分析方法
CN112036089A (zh) 一种基于dpc-mnd和多元状态估计的磨煤机故障预警方法
TWI584134B (zh) 製程異因分析方法與製程異因分析系統
CN112734128A (zh) 一种基于优化rbf的7日电力负荷峰值预测方法
CN110705807A (zh) 基于现场数据的半导体生产质量预测方法及***
CN106663086A (zh) 用于核回归模型的集体的设备和方法
CN110175682A (zh) 一种基于混沌粒子群的优化核主元分析故障监测方法
CN115238573A (zh) 考虑工况参数的水电机组性能劣化趋势预测方法和***
CN113204857A (zh) 基于极端梯度提升树算法的电子器件剩余寿命预测方法
TWI400619B (zh) 偵測產品品質超規與評估產品實際量測值的方法
Yu et al. A hybrid learning-based model for on-line monitoring and diagnosis of out-of-control signals in multivariate manufacturing processes
US11829124B2 (en) Method for predicting occurrence of tool processing event and virtual metrology application and computer program product thereof
CN117391312B (zh) 一种智慧建筑的告警智能处理方法及***
CN118037138B (zh) 一种基于计算机视觉的饮料车间生产精细化管理***
Yang An Integrated Physics-Informed Process Control Framework and Its Applications to Semiconductor Manufacturing
Mayer et al. Transformer networks for univariate time series prediction in predictive process control
CN117057777A (zh) 一种配电网运维综合管理方法