TWI639908B - 製程偵錯與診斷方法 - Google Patents

Abstract

一種製程偵錯與診斷方法。此方法包含模型建立階段以及線上分析階段。在模型建立階段中，首先提供歷史樣本資料，並對其進行分群，以獲得第一資料分群模型。然後，根據歷史樣本資料和第一資料分群模型來決定每一資料群組所對應之正常資料門檻值。接著，根據正常資料門檻值來將每一資料群組之至少一離群樣本資料移除，以獲得第二資料分群模型。在線上分析階段中，首先根據第二資料分群模型和統計製程管制方法來判斷目標資料是否異常。當目標資料被判斷為異常時，計算目標資料之資料數值的變異機率，以決定出異常製程因子。

Description

製程偵錯與診斷方法

本發明是有關於一種製程偵錯與診斷方法，且特別是有關於一種可鑑別造成異常製程變因的製程偵錯與診斷方法。

製程的偵錯與診斷係為了儘早發現製程操作的異常問題，並了解造成異常的原因及時間。如此，便可及時對異常的製程進行改善，避免不必要的產品損失與成本的浪費，同時提高產品的品質與良率，發揮製程的最大效能。

在製程進行的過程中，通常會存在一些不可避免的變異，例如操作條件的改變、外在環境的變化、設備的震動或異常等。為了監測上述變異對製程的影響，目前大多以統計製程管制(statistical process control(SPC)方法來進行製程監測。

然而，單變量SPC基本上只允許一個或單一類型的常態分佈變數，但大部分的製程操作情況通常具有非靜態(Non-stationary)、自關聯性(Auto-correlated)以及交互關聯性(Cross-correlated)等特質，而非個別獨立的製程參數，因此應用單變量SPC來監測製程變異可能會發生誤導 的作用，甚至有許多的錯誤無法偵測到。因此，業界提出了各種多變量製程管制方法來改善單變量SPC的缺點。然而，這些多變量製程管制方法雖然可以監視製程是否產生異常，但卻無法及時辨識製程產生異常的原因。

因此，需要一種製程偵錯與診斷方法來及時辨識製程產生異常的原因。

本發明的目的是在於提供一種製程偵錯與診斷方法，其不但可監視製程是否產生異常，同時也可及時辨識製程產生異常的原因。

根據上述之目的，此製程偵錯與診斷方法包含模型建立階段以及線上分析階段。在模型建立階段中，首先提供複數筆歷史樣本資料。接著，對歷史樣本資料進行分群，以獲得第一資料分群模型，其中第一資料分群模型包含複數個資料群組。然後，根據歷史樣本資料和第一資料分群模型來決定每一資料群組所對應之正常資料門檻值。接著，根據每一資料群組所對應之正常資料門檻值來將每一資料群組之至少一離群樣本資料移除，以獲得第二資料分群模型。在線上分析階段中，首先，根據第二資料分群模型來判斷目標資料是否為異常資料。接著，當目標資料為異常資料時，利用統計製程管制方法來判斷目標資料是否位於管制範圍內。然後，當目標資料超出管制範圍時，計算目標資料之複數筆資料數值之變異機率。接著，根據變異機率來決定目標資料所對應之至少一個異常製程因子。

根據本發明之一實施例，上述之歷史樣本資料對應至不同的時間點。

根據本發明之又一實施例，其中對歷史樣本資料進行分群之步驟係以K平均演算法(K-means)、K中心點演算法(K-medoids)或高斯混合模型(Gaussian Mixture Model)來進行。

根據本發明之又一實施例，上述決定正常資料門檻值之步驟包含：計算第一資料分群模型之每一資料群組之複數個陰性對數相似度(negative log likelihood；NLL)值；將每一資料群組之NLL值取絕對值，並依大小排序，其中NLL值之最大者位於最上方，該些NLL值之一最小者位於最下方；將取絕對值後之NLL值由最小者往上第95%之一者決定為正常資料門檻值。

根據本發明之又一實施例，上述決定正常資料門檻值之步驟更包含利用S函數(Sigmoid function)來將取絕對值後之NLL值對應至0~1的範圍。

根據本發明之一實施例，上述根據第二資料分群模型來判斷目標資料是否為異常資料之步驟包含：計算第二資料分群模型之每一資料群組之中心與目標資料之離群距離；以及根據離群距離來判斷目標資料是否為異常資料。

根據本發明之又一實施例，上述管制範圍係以下列步驟來計算：根據目標資料所對應之目標樣本時間點，往前選取複數個正常目標資料；以及根據正常目標資料來決定管制範圍之範圍上限值以及範圍下限值。

根據本發明之又一實施例，上述統計製程管制方法係採用Xbar管制圖來判斷目標資料是否位於管制範圍內。

根據本發明之又一實施例，上述根據變異機率來決定目標資料所對應之異常製程因子之步驟包含：將資料數值所對應之變異機率依大小排序；從變異機率之最大者開始依序選取至少一個變異機率。根據被選取之變異機率來決定至少一個資料數值；以及決定該至少一個資料數值所對應之至少一製程因子為異常製程因子。

100‧‧‧製程偵錯與診斷方法

110‧‧‧模型建立階段

111-114‧‧‧步驟

113a-113c‧‧‧步驟

120‧‧‧線上分析階段

121-125‧‧‧步驟

121a-121b‧‧‧步驟

122a-122b‧‧‧步驟

124a-124d‧‧‧步驟

200‧‧‧四級空壓機

210‧‧‧第一級空壓機

220‧‧‧第二級空壓機

230‧‧‧第三級空壓機

240‧‧‧第四級空壓機

P1_in、P1_out、T1_in、T1_out‧‧‧訊號

P2_in、P2_out、T2_in、T2_out‧‧‧訊號

P3_in、P3_out、T3_in、T3_out‧‧‧訊號

P4_in、P4_out、T4_in、T4_out‧‧‧訊號

為了更完整了解實施例及其優點，現參照結合所附圖式所做之下列描述，其中：〔圖1〕係繪示根據本發明實施例之製程偵錯與診斷方法的流程示意圖；〔圖2〕係繪示應用製程偵錯與診斷方法之四級空壓機的結構示意圖；〔圖3〕係繪示根據本發明實施例之正常資料門檻值的決定步驟的流程示意圖；〔圖4〕係繪示根據本發明實施例之判斷目標資料是否為異常資料之步驟的流程示意圖；〔圖5〕係繪示根據本發明實施例之SPC監控方法的流程示意圖；以及 〔圖6〕係繪示根據本發明實施例之異常製程因子決定步驟的流程示意圖。

以下仔細討論本發明的實施例。然而，可以理解的是，實施例提供許多可應用的概念，其可實施於各式各樣的特定內容中。所討論、揭示之實施例僅供說明，並非用以限定本發明之範圍。

請同時參照圖1和圖2，圖1係繪示根據本發明實施例之製程偵錯與診斷方法100的流程示意圖，圖2係繪示應用製程偵錯與診斷方法100之四級空壓機200的結構示意圖。本發明實施例之製程偵錯與診斷方法100係用以監控一系統的製程以監視製程是否產生異常，並及時辨識製程產生異常的原因。在本實施例中，製程偵錯與診斷方法100係應用於四級空壓機200，以對其製程進行監視。然而，本發明之實施例並不受限於四級空壓機之應用。製程偵錯與診斷方法100可適用於其他需要監視和錯誤診斷的系統。

如圖2所示，四級空壓機200包含第一級空壓機210、第二級空壓機220、第三級空壓機230以及第四級空壓機240，其中訊號P1_in和P1_out分別對應至第一級空壓機210之輸入氣體流量和輸出氣體流量，而訊號T1_in和T1_out分別對應至第一級空壓機210之輸入氣體溫度和輸出氣體溫度；訊號P2_in和P2_out分別對應至第二級空壓機220之輸入氣體流量和輸出氣體流量，而訊號T2_in和 T2_out分別對應至第二級空壓機220之輸入氣體溫度和輸出氣體溫度；訊號P2_in和P2_out分別對應至第三級空壓機230之輸入氣體流量和輸出氣體流量，而訊號T3_in和T3_out分別對應至第三級空壓機230之輸入氣體溫度和輸出氣體溫度；訊號P4_in和P4_out分別對應至第四級空壓機240之輸入氣體流量和輸出氣體流量，而訊號T4_in和T4_out分別對應至第四級空壓機240之輸入氣體溫度和輸出氣體溫度。

請回到圖1，製程偵錯與診斷方法100包含模型建立階段110和線上分析階段120。模型建立階段110係用以建立資料分群模型，而線上分析階段120則用以利用資料分群模型以及統計製程管制(statistical process control；SPC)方法來判斷目標資料是否異常，並找出異常的原因。

在模型建立階段110中，首先進行步驟111。以提供複數筆歷史樣本資料來做為訓練模型的資料。這些歷史樣本資料係對應至不同的時間點，且每筆歷史樣本資料包含複數筆資料數值。在本實施例中，這些資料數值包含但不受限於前述之16個訊號P1_in、P1_out、T1_in、T1_out、P2_in、P2_out、T2_in、T2_out、P3_in、P3_out、T3_in、T3_out、P4_in、P4_out、T4_in以及T4_out。

接著，進行步驟112，以對歷史樣本資料進行分群，以將歷史樣本資料分為複數個資料群組，而獲得第一資料分群模型。在本實施例中，步驟112係利用斯混合模型 (Gaussian Mixture Model)來進行歷史樣本資料的分群，但本發明之實施例並不受限於此。在本發明之其他實施例中，可利用K平均演算法(K-means)或K中心點演算法(K-medoids)來進行歷史樣本資料的分群。另外，群組個數可使用Gap Statistics、Silhouette指標等方法來決定群組的個數。

然後，進行步驟113，以根據歷史樣本資料和第一資料分群模型來決定每一資料群組所對應之正常資料門檻值。在本實施例中，假設歷史樣本資料大部分為正常情況，但可能包含一定比例之異常事件，故在此設定正常資料門檻值，以排除異常事件的歷史樣本資料。

請參照圖3，圖3係繪示根據本發明實施例之正常資料門檻值的決定步驟113的流程示意圖。在步驟113中，首先進行步驟113a，以計算第一資料分群模型之每一資料群組之陰性對數相似度(negative log likelihood；NLL)值。接著，進行步驟113b，以將每一資料群組之NLL值取絕對值，並依大小排序。在本實施例中，上述NLL值中之最大者位於序列最上方，而NLL值中之最小者位於序列最下方，但本發明之實施例並不受限於此。然後，進行步驟113c，以將取絕對值後之NLL值由最小者往上第95%之一者決定為上述之正常資料門檻值。換句話說，在本實施例中，有5%的歷史樣本資料被決定為異常資料。

考慮到NLL值的數值範圍可能介於正負無窮大之間，對於待測試的目標資料而言可能會出現遠超出訓練資 料的表現範圍。故，在本發明之其他實施例中，將第一資料分群模型所輸出的NLL值對應至0~1之間。在此，利用S函數(Sigmoid function)來將取絕對值後之NLL值對應至0~1的範圍。S函數表示如下： 其中，常數a和c係用以控制S函數IF(x,a,c)的形狀，x為取絕對值後之NLL值。

請回到圖1，在步驟113後，接著進行步驟114，以根據每一資料群組所對應之正常資料門檻值來將每一資料群組之離群樣本資料移除，以獲得第二資料分群模型。由於本實施例係以95%作為正常資料的門檻，故有5%的歷史樣本資料被決定為離群的樣本資料而被移除。

在模型建立階段110完成後，即可利用第二資料分群模型來進行線上分析階段120，以對線上的目標資料進行偵錯與診斷。

在線上分析階段120中，首先進行步驟121，根據第二資料分群模型來判斷目標資料是否為異常資料。請參照圖4，其係繪示根據本發明實施例之判斷目標資料是否為異常資料之步驟121的流程示意圖。在步驟121中，首先進行步驟121a，以計算第二資料分群模型之每一資料群組之中心與目標資料之間的離群距離。例如，目標資料dl之第i個訊號數值(上述之16個訊號的其中一者)偏離中心的距離可表示如下： 其中u _q,i 為模型第q個群(Mixture)中心的第i個維度；Σ _q,i 為第q個Mixture之共變異矩陣對角線上第i個變異數；距離d _l,i 為訊號數值t _l,i 到各Mixture中心的第i個維度u _q,i 的馬氏距離乘上此Mixture的權重(Weight)之總和。

接著，進行步驟121b，以根據離群距離來判斷目標資料是否為異常資料。在本實施例中，可設定距離的閥值來判斷目標資料是否偏離過大，但本發明的實施例並不受限於此。當離群距離大於距離閥值時，則初步判定目標資料為異常資料。

請回到圖1，在步驟121後，接著進行步驟122，以利用統計製程管制方法(statistical process control；SPC)來判斷目標資料是否位於管制範圍內。在本發明之實施例中，為了避免誤警報發生，本發明之實施例再分別針對各儀表訊號值d _l,i ，以SPC方法來進行監控。在本實施例中，步驟121係以SPC Xbar管制圖來進行監控。然而，本發明之實施例並不受限於此。

請參照圖5，圖5係繪示根據本發明實施例之SPC監控方法的流程示意圖。在步驟122中，首先進行步驟122a，以根據目標資料所對應之時間點，以滾動(rolling)的方式往前選取複數個正常目標資料。

接著，進行步驟122b，以根據正常目標資料來決定管制範圍之範圍上限值以及範圍下限值。管制範圍之範圍上限值以及範圍下限值係以下列方程式來計算： 其中，UCL_l,i為管制上限；LCL_l,i為管制下限；為的平均值；為的標準差；b為Xbar的長度；d _l,i,j 為訊號數值t _l,i,j 到各Mixture中心的第i個維度和第j個維度的馬氏距離乘上Mixture的權重之總和。

請回到圖1，當步驟122判定目標資料超出SPC管制範圍時，則進行步驟123，以計算目標資料之資料數值所對應的變異機率。在本實施例中，變異機率的計算方式如下： 其中P_l(i)為變異機率；d_l,j為訊號數值t_l,j到各Mixture中心的第j個維度的馬氏距離乘上Mixture的權重之總和。

然後，進行步驟124，以根據變異機率來決定目標資料所對應之至少一個異常製程因子。請參照圖6，其係繪示根據本發明實施例之異常製程因子決定步驟的流程 示意圖。在步驟124中，首先進行步驟124a，以將資料數值所對應之變異機率依大小排序。接著，進行步驟124b，以從變異機率中之最大者開始依序選取至少一個變異機率。例如，選取變異機率中之最大者。然後，進行步驟124c，根據被選取之變異機率來選取資料數值。例如，選取最大變異機率所對應之資料數值。接著，進行步驟124d，以將步驟124c所選取之資料數值所對應的製程因子決定為異常製程因子。例如，若步驟124c所選取的資料數值為訊號T1_out的數值，則代表第一級空壓機之輸出氣體溫度有異常，需要對其進行檢測。

在本發明之其他實施例中，亦可預設一機率閥值來決定所選取的共變異數機率。例如，當共變異數機率超過此機率閥值時，則選取其所對應之資料數值，並將其製程因此決定為異常製程因子。然而，本發明之實施例並不受限於此。

在步驟124結束後，接著進行步驟125以接收下一筆待分析之目標資料，然後回到步驟121。

根據以上所述，本發明實施例應用相似度原理來建立製程/設備的預警模型，以對製程/設備的運行狀態進行即時監測，同時計算製程/設備的運行狀態，如此便能在製程/設備發生異常時，找出異常發生的原因。另外，本發明實施例亦應用了SPC方法來考慮製程/設備的運行狀態，以避免不要的誤警報。

雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。

Claims (8)

1. 一種製程偵錯與診斷方法，包含：一模型建立階段，包含：提供複數筆歷史樣本資料；對該些歷史樣本資料進行分群，以獲得一第一資料分群模型，其中該第一資料分群模型包含複數個資料群組；根據該些歷史樣本資料和該第一資料分群模型來決定每一該些資料群組所對應之一正常資料門檻值；以及根據每一該些資料群組所對應之該正常資料門檻值來將每一該些資料群組之至少一離群樣本資料移除，以獲得一第二資料分群模型；以及一線上分析階段，用以分析一目標資料，其中該線上分析階段包含：根據第二資料分群模型來判斷該目標資料是否為異常資料；當該目標資料為異常資料時，利用一統計製程管制方法來判斷該目標資料是否位於一管制範圍內；當該目標資料超出該管制範圍時，計算該目標資料之複數筆資料數值之複數個變異機率；以及根據該些變異機率來決定該目標資料所對應之至少一個異常製程因子；其中對該些歷史樣本資料進行分群之該步驟係以K平均演算法(K-means)、K中心點演算法(K- medoids)或高斯混合模型(Gaussian Mixture Model)來進行。
2. 如請求項1所述之製程偵錯與診斷方法，其中該些歷史樣本資料對應至不同的時間點。
3. 如請求項1所述之製程偵錯與診斷方法，其中決定每一該些資料群組所對應之該正常資料門檻值之該步驟包含：計算該第一資料分群模型之每一該些資料群組之複數個陰性對數相似度(negative log likelihood；NLL)值；將每一該些資料群組之該些NLL值取絕對值，並依大小排序，其中該些NLL值之一最大者位於最上方，該些NLL值之一最小者位於最下方；以及決定取絕對值後之該些NLL值由該最小者往上第95%之一者為該正常資料門檻值。
4. 如請求項3所述之製程偵錯與診斷方法，其中決定每一該些資料群組所對應之該正常資料門檻值之該步驟更包含：利用S函數(Sigmoid function)來將取絕對值後之該些NLL值對應至0~1的範圍。
5. 如請求項1所述之製程偵錯與診斷方法，其中根據該第二資料分群模型來判斷該目標資料是否為異常資料之該步驟包含：計算該第二資料分群模型之每一該些資料群組之中心與該目標資料之一離群距離；以及根據該離群距離來判斷該目標資料是否為異常資料。
6. 如請求項1所述之製程偵錯與診斷方法，其中該管制範圍係以下列步驟來計算：根據該目標資料所對應之一目標樣本時間點，往前選取複數個正常目標資料；以及根據該些正常目標資料來決定該管制範圍之一範圍上限值以及一範圍下限值。
7. 如請求項1所述之製程偵錯與診斷方法，其中該統計製程管制方法係採用Xbar管制圖來判斷該目標資料是否位於該管制範圍內。
8. 如請求項1所述之製程偵錯與診斷方法，其中根據該些變異機率來決定該目標資料所對應之該至少一異常製程因子之該步驟包含：將該些資料數值所對應之該些變異機率依大小排序；從該些變異機率之一最大者開始依序選取至少一個變異機率； 根據被選取之該至少一變異機率來選取至少一個資料數值；以及決定該至少一個資料數值所對應之至少一製程因子為該至少一異常製程因子。