机台监控装置以及方法与流程

1.本发明有关于一种监控技术，且特别涉及一种机台监控装置以及方法。


背景技术：

2.当工厂或厂房中的机台生产产品时，对产品或机台进行测量是产品品质把关的重要防线。然而，测量装置有时候会发生异常状态。此时，测量装置的测量的精准度便随之下降，且测量装置的测量数据也失去参考价值。因此，要如何得知测量装置发生异常状态以造成测量数据失去参考价值是本领域技术人员急欲解决的问题。


技术实现要素：

3.本发明提供一种机台监控装置，其包括收发电路、存储器以及处理器。收发电路用以接收第一自检数据以及第一测量数据，其中第一自检数据相关于测量装置，其中第一测量数据相关于由至少一机台所制造的多个第一产品；存储器用以存储多个指令；以及处理器连接收发电路以及存储器，并用以载入并执行多个指令以：产生与第一自检数据以及第一测量数据相关的预测模型；经由收发电路接收第二自检数据，并依据第二自检数据以利用预测模型产生预测数据；以及依据预测数据以及数值范围产生监控结果，以依据监控结果进行监控。
4.本发明提供一种机台监控方法，其中所述方法包括：通过收发电路接收第一自检数据以及第一测量数据，其中第一自检数据相关于测量装置，其中第一测量数据相关于由至少一机台所制造的多个第一产品；通过处理器对第一测量数据以及第一自检数据执行机器学习演算法以产生预测模型；通过处理器经由收发电路接收第二自检数据，并依据第二自检数据以利用预测模型产生预测数据；以及通过处理器依据预测数据以及数值范围产生监控结果，以依据监控结果进行监控。
5.基于上述，本发明提供的机台监控装置以及方法可预测机台在未来所制造的产品的测量数据，并可实时地检测测量装置是否发生异常状态。
附图说明
6.图1是根据本发明一些示范性实施例的机台监控装置的方框图。
7.图2是根据本发明一些实施例示出自检数据以及测量数据的示意图。
8.图3是根据本发明一些示范性实施例的机台监控方法的示意图。
9.图4是根据本发明一些示范性实施例的机台监控方法的流程图。
10.附图标记说明：
11.100：机台监控装置
12.110：收发电路
13.120：存储器
14.121：数据库
15.122：模型库
16.130：处理器
17.200：测量装置
18.300(1)～300(n)：机台
19.400：预警装置
20.s310～s360、s410～s440：步骤
21.t、t+1：自检时间
具体实施方式
22.图1是根据本发明一些示范性实施例的机台监控装置100的方框图。参照图1，机台监控装置100可以是任意的边缘运算(edge computing)装置(例如，智能手机、平板电脑、笔记本电脑、台式电脑或伺服器等电子装置)。在实际应用中，机台监控装置100可连接测量装置200，测量装置200可连接至少一机台300(1)～300(n)，其中n可以为任意的正整数。
23.进一步而言，测量装置200可对机台300(1)～300(n)所制造的多个产品进行测量以产生测量数据。测量装置200也可进行自我检测以产生自检数据。如此一来，机台监控装置100可从测量装置200接收上述测量数据以及自检数据。
24.举例而言，测量装置200可对上述产品的各输出端或输入端等进行测量以产生测量数据(例如，电压、电流或功率等)，也可对自身的各输出端或输入端等进行自我检测以产生自检数据(例如，电压、电流或功率等)，进而将此测量数据以及此自检数据传送至机台监控装置100。
25.在一些实施例中，测量装置200可在多个自检时间进行自我检测(即，周期性地自我检测)。此外，在这些自检时间之间的多个测量时间段，测量装置200可对机台300(1)～300(n)所制造的多个产品进行测量。
26.举例而言，图2是根据本发明一些实施例示出自检数据以及测量数据的示意图。同时参照图1以及图2，测量装置200可在自检时间t执行自我检测n(即，执行第n次自我检测)以产生自检数据n，并可在自检时间t+1执行自我检测n+1(即，执行第n+1次自我检测)以产生自检数据n+1。
27.此外，测量装置200可在自检时间t以及自检时间t+1之间(即，上述测量时间段)执行产品测量k(即，执行第k次产品测量)至产品测量k+m(即，执行第k+m次产品测量)以产生测量数据k至测量数据k+m。换言之，在自检时间t以及自检时间t+1之间，测量装置200可对机台300(1)～300(n)所生产的m+1个产品进行测量。
28.以此类推，测量装置200也可在其他自检时间执行自我检测，并可于其他相邻两个自检时间之间进行产品测量。
29.值得注意的是，上述测量数据以及自检数据虽是通过测量装置200产生的，然而，在其他实施例中，上述测量数据以及自检数据也可以不是通过测量装置200产生的，而是通过机台300(1)～300(n)直接产生的(此时，机台300(1)～300(n)可视为上述的测量装置200，且自检数据可以是机台300(1)～300(n)对自身的各输出端或输入端等进行自我检测以产生的)。
30.在本实施例中，机台监控装置100可包括收发电路110、存储器120以及处理器130。
收发电路110可接收上述自检数据以及测量数据。存储器120可存储多个指令。处理器130可连接收发电路110以及存储器120，并用以载入并执行这些指令。
31.在一些实施例中，收发电路110例如是传送器电路、模拟-数字转换器、数字-模拟转换器、低噪音放大器、混频器、滤波器、阻抗匹配器、传输线、功率放大器、一个或多个天线电路以及本地存储媒体元件的其中之一或其组合。
32.在一些实施例中，存储器120可例如是任何形态的固定式或可移动式的存储器、硬盘或类似元件或上述元件的组合。
33.在一些实施例中，处理器130例如是中央处理单元(central processing unit，cpu)，或是其他可程序化的一般用途或特殊用途的微控制单元(micro control unit，mcu)、微处理器(microprocessor)、数字信号处理器(digital signal processor，dsp)、可程序化控制器、特殊应用集成电路(application specific integrated circuit，asic)或其他类似元件或上述元件的组合。
34.在一些实施例中，处理器130可以有线或无线的方式连接收发电路110与存储器120。
35.图3是根据本发明一些示范性实施例的机台监控方法的示意图。图3所示实施例的方法适用于图1的机台监控装置100，但不以此为限。为方便及清楚说明起见，下述同时参照图1以及图3，以机台监控装置100中各元件之间的作动关系来说明图3所示机台监控方法的详细步骤。
36.首先，于步骤s310中，收发电路110可接收第一自检数据以及第一测量数据，以存储于存储器120中的数据库121。详细而言，收发电路110可从测量装置200接收测量装置200所产生的第一自检数据以及第一测量数据(即，测量装置200过去所检测到的自检数据以及测量数据)，以存储于存储器120中的数据库121中。
37.在一些实施例中，第一自检数据可对应于测量装置200的第一自检时间，且第一测量数据可对应于测量装置200所测量的多个第一产品的第一测量时间段，其中第一测量时间段在第一自检时间以及第二自检时间之间。
38.换言之，测量装置200可在第一自检时间进行自我检测以产生第一自检数据。此外，在第一自检时间以及第二自检时间(即，在第一自检时间之后的下一个自检时间)之间的时间段，测量装置200可测量机台300(1)～300(n)在此第一测量时间段所制造的多个第一产品以产生第一测量数据。
39.值得注意的是，本实施例虽仅示出与一个第一自检时间对应的第一自检数据以及与一个第一测量时间段对应的第一测量数据，然而，在实际应用上，也可以是与多个第一自检时间对应的多个第一自检数据以及与多个第一测量时间段对应的多个第一测量数据，并没有特别的限制。举例而言，以下表一示出了与多个第一自检时间对应的多个第一自检数据的例子，且以下表二示出了与多个第一测量时间段对应的多个第一测量数据的例子。
40.表一
[0041][0042]
表二
[0043]
[0044][0045]
如表一所示，测量装置200可在各自检时间(即，2020/2/15 08：01、2020/2/17 07：52以及2020/2/18 07：45等时间)进行自我检测，以产生第一自检数据(即，包括直流电压v1、直流电压v2、交流电压v3、直流电压v4、直流电压v5、直流电压v6、直流电流i1、直流电压v7、直流电压v8、直流电压v9、直流电流i2以及接地电压v0等自检类别的数据)。
[0046]
此外，如表二所示，测量装置200可在多个第一测量时间段(即，表一中的2020/2/15 08：01与2020/2/17 07：52之间的时间段以及2020/2/17 07：52与2020/2/18 07：45之间的时间段等)对机台300(1)～300(n)所制造的多个产品(即，产品序号为a0001～a0042等的产品)进行测量，以产生第一测量数据(即，包括高电压的电压(hv voltage)、高电压的电流(hv current)、输入功率(pin)、低电压的电压(lv voltage)、低电压的电流(lv current)、输出功率(pout)、效率(efficient)以及噪声(noise)等测量类别的数据)。
[0047]
接着，于步骤s320中，处理器130可产生与第一自检数据以及第一测量数据相关的预测模型，以存储于存储器120中的模型库122。详细而言，处理器130可从存储器120中的数据库121读取包括过去所有自检数据的第一自检数据以及包括过去所有测量数据的第一测量数据，并利用第一自检数据以及第一测量数据产生预测模型，以将所产生的预测模型存储于存储器120中的模型库122。
[0048]
在一些实施例中，处理器130可对第一测量数据以及第一自检数据执行机器学习演算法以产生预测模型。此机器学习演算法可以是线性回归(linear regression)演算法、多项式回归(polynomial regression)演算法或长短期记忆(long short-term memory，lstm)演算法等预测分析演算法，并没有对上述机器学习演算法有特别的限制。
[0049]
在进一步的实施例中，此预测模型可包括多个子模型，其中这些子模型对应于第一测量数据的多个测量类别。详细而言，处理器130可利用第一自检数据以及第一测量数据的中与其中一个测量类别对应的数据训练出与其中一个测量类别对应的子模型。以此类推，处理器130可训练出与上述这些测量类别对应的多个子模型。
[0050]
举例而言，如上述表一以及表二，处理器130可计算各第一测量时间段中与hv voltage(即，上述其中一个测量类别)对应的数据的平均值。换言之，处理器130可计算各第一测量时间段中与hv voltage对应的数据的平均值(例如，针对hv voltage，2020/2/15 08：01至2020/2/17 07：52之间所测量的数据的平均值为360.3018，而2020/2/17 07：52至2020/2/18 07：45之间所测量的数据的平均值为360.015)。
[0051]
借此，处理器130可对第一自检数据以及与hv voltage对应的数据的平均值执行机器学习演算法以产生与hv voltage对应的子模型。以此类推，处理器130可训练出分别与这些测量类别对应的多个子模型。
[0052]
详细而言，表三示出了第一自检数据以及与hv voltage对应的数据的平均值的对应关系。
[0053]
表三
[0054][0055]
如表三所示，在2020/2/15 08：01至2020/2/17 07：52之间与hv voltage对应的数据的平均值可对应于第一自检时间2020/2/15 08：01，且在2020/2/1707：52至2020/2/18 07：45之间与hv voltage对应的数据的平均值可对应于另一第一自检时间2020/2/17 07：52。以此类推，可计算出与多个第一自检时间对应的多个平均值。进一步而言，可以这些第一自检数据作为自变数，并以与hv voltage对应的数据的这些平均值作为因变数，进而执行机器学习演算法以产生与hv voltage对应的子模型。以此类推，可训练出分别与上述多个测量类别对应的多个子模型(即，分别与hv voltage、hv current、pin、lv voltage、lv current、pout、efficient以及noise等对应的多个子模型)。
[0056]
值得注意的是，上述虽以取平均值方法作为例子，然而，在应用面上，还可以取中位数或其他具统计意义的方法对第一测量数据进行处理，以进一步训练出分别与上述多个测量类别对应的多个子模型。
[0057]
在进一步的实施例中，机台监控装置100还可包括显示器(未示出)。机台监控装置100可计算所训练出的预测模型的模型表现(model performance)。如此一来，机台监控装
置100可通过显示器显示所训练出的预测模型的模型表现，以供使用者对此模型表现进行监控。举例而言，以由线性回归演算法所产生的预测模型为例，机台监控装置100可计算与此预测模型对应的判定系数(coefficient of determination)的数值，并将此数值显示于显示器上。
[0058]
接着，于步骤s330中，机台监控装置100可经由收发电路110接收第二自检数据，并依据第二自检数据以利用预测模型产生预测数据。详细而言，在第一自检时间之后的第二自检时间，测量装置200可进行自我检测以产生第二自检数据，并将此第二自检数据传送至机台监控装置100的收发电路110。借此，机台监控装置100可从存储器120中的模型库122读取预测模型，并依据第二自检数据以利用所读取的预测模型产生预测数据(即，对在第二自检时间以及第三自检时间(在第二自检时间的后)之间(即，第二测量时间)由机台300(1)～300(n)所制造的多个第二产品的测量数据进行预测，以产生此预测数据)。
[0059]
举例而言，当机台监控装置100在第二自检时间接收第二自检数据时，机台监控装置100可进一步依据第二自检数据以利用预测模型预测在第二测量时间段(第二自检时间以及第三自检时间之间的时间段)与上述hv voltage、hv current、pin、lv voltage、lv current、pout、efficient以及noise等测量类别对应的数据(类似表二中的其中一列数据)。换言之，机台监控装置100可预测对在第二测量时间段的第二测量数据进行预测以产生预测数据。
[0060]
在一些实施例中，机台监控装置100可依据第二自检数据以分别利用预测模型所包括的多个子模型进行预测，以产生分别与多个子模型对应的多个子预测数据，进而将这些子预测数据作为预测数据。
[0061]
举例而言，机台监控装置100可将与第二自检数据分别输入与上述hv voltage、hv current、pin、lv voltage、lv current、pout、efficient以及noise等测量类别对应的子模型。借此，与上述hv voltage、hv current、pin、lv voltage、lv current、pout、efficient以及noise等测量类别对应的子模型可分别输出对应的子预测数据。如此一来，机台监控装置100可将分别从这些子模型输出的这些子预测数据作为预测数据。
[0062]
在一些实施例中，机台监控装置100可经由该收发电路110接收第二测量数据，其中第二测量相关于由机台300(1)～300(n)所制造的多个第二产品，该第二产品可以是在不同批次制造的相同类型的产品。借此，当机台监控装置100判断与第二测量数据以及预测数据对应的至少一差值(即，第二测量数据中的至少一测量值以及分别与此至少一测量值对应的预测数据中的至少一预测值之间的至少一绝对差值。换言之，当a为预测值，b为测量值时，该差值为|a-b|)未小至少一阈值时，机台监控装置100可依据第二自检数据以及第二测量数据更新预测模型。
[0063]
详细而言，测量装置200可对在第二测量时间段(第二自检时间以及第三自检时间之间的时间段)由机台300(1)～300(n)所制造的多个第二产品进行测量，以将所产生的第二测量数据传送至机台监控装置100。借此，机台监控装置100可计算与第二测量数据以及预测数据对应的至少一差值。当机台监控装置100判断至少一差值皆未小于至少一阈值时，机台监控装置100可依据第一自检数据、第一测量数据、第二自检数据以及第二测量数据重新训练出另一预测模型。
[0064]
举例而言，当机台300(1)～300(n)在第二测量时间段制造10个第二产品时，测量
装置200可对这10个第二产品进行测量以产生与8个测量类别对应的80个子测量数据，以将这80个子测量数据作为第二测量数据。借此，机台监控装置100可计算与10个第二产品的各测量类别对应的平均值(例如，若测量类别为hv voltage，可对由10个第二产品所测量出的与hv voltage对应的10个数据进行平均值运算，以产生与hv voltage对应的平均值)。
[0065]
如此一来，机台监控装置100可将预测数据中与各测量类别对应的子预测数据以及第二测量数据中与各测量类别对应的平均值进行差值运算，以产生分别与8个测量类别对应的8个差值。因此，机台监控装置100可判断这8个差值是否皆小于8个预设的阈值。
[0066]
当机台监控装置100判断这8个差值皆小于8个预设的阈值时，机台监控装置100便不会对预测模型进行更新。反之，当机台监控装置100判断这8个差值未皆小于8个预设的阈值时，机台监控装置100可依据第一自检数据、第一测量数据、第二自检数据以及第二测量数据重新训练出另一预测模型。
[0067]
值得注意的是，上述虽以取平均值方法作为例子，然而，在应用面上，还可以取中位数或其他具统计意义的方法对第二测量数据进行处理，以进一步判断是否更新预测模型。
[0068]
在进一步的实施例中，上述至少一阈值可预先存储于存储器120中，或者是由使用者预先设定以存储于存储器120中。
[0069]
接着，于步骤s340中，机台监控装置100可判断预测数据是否在至少一数值范围之内。当预测数据在数值范围之内时，进入步骤s350。反之，当预测数据未在数值范围之内时，进入步骤s360。
[0070]
详细而言，至少一数值范围可分别对应于至少一测量类别。机台监控装置100可判断预测数据中与至少一测量类别对应的至少一子预测数据是否皆分别在与至少一测量类别对应的至少一数值范围之内。换言之，机台监控装置100可判断预测数据中与至少一测量类别对应的至少一子预测数据是否皆分别小于上述至少一数值范围的最大值，且皆分别大于上述至少一数值范围的最小值。
[0071]
举例而言，机台监控装置100可判断预测数据中与hv voltage对应的子预测数据(例如，360.5)是否在与hv voltage对应的数值范围(例如，359.78至360.86之间)之内。
[0072]
在一些实施例中，上述数值范围可以是由机台300(1)～300(n)的厂商提供以存储于存储器120中的，也可以是依据第一测量数据以经验法则(rule of thumb)产生的，还可以是由机台管理伺服器(未示出)产生以存储于存储器120中的。
[0073]
接着，于步骤s350中，机台监控装置100可产生与正常状态(normal state)相关的监控结果。换言之，机台监控装置100可产生一个用以指示正常状态的监控结果。
[0074]
在一些实施例中，当机台监控装置100产生用以指示正常状态的监控结果时，机台监控装置100可在上述显示器上显示上述预测结果，以供使用者进行数据监控。
[0075]
最后，于步骤s350中，机台监控装置100可产生与异常状态(abnormal state)相关的监控结果。换言之，机台监控装置100可产生一个用以指示异常状态的监控结果。
[0076]
在一些实施例中，机台监控装置100可将此监控结果传送至预警装置400。借此，预警装置400可依据此监控结果判断是否产生警告信息。当预警装置400判断此监控结果相关于异常状态，预警装置400可产生警告信息，以向使用者警告机台300(1)～300(n)中的任意者或测量装置200可能已发生异常。
[0077]
在进一步的实施例中，预警装置400可将警告信息传送至使用者所使用的任意装置(例如，智能手机、平板电脑、笔记本电脑、台式电脑等)以警告使用者，也可以是通过预警装置400中的显示器(未示出)警告使用者，还可以是将警告信息传送至机台监控装置100，以通过机台监控装置100中的显示器警告使用者。
[0078]
通过上述步骤，本发明的机台监控装置100可准确地预测在未来的测量时间段中所制造的产品的测量数据。此外，本发明的机台监控装置100还可检测测量装置200是否发生异常状态。
[0079]
图4是根据本发明一些示范性实施例的机台监控方法的流程图。同时参照图1与图4，首先，于步骤s410中，通过收发电路110接收第一自检数据以及第一测量数据，其中第一自检数据相关于测量装置200，其中第一测量数据相关于由机台300(1)～300(n)所制造的多个第一产品。
[0080]
接着，于步骤s420中，通过处理器130产生与第一自检数据以及第一测量数据相关的预测模型。
[0081]
接着，于步骤s430中，通过处理器130经由收发电路110接收第二自检数据，并依据第二自检数据以利用预测模型产生预测数据。
[0082]
最后，于步骤s440中，通过处理器130依据预测数据以及数值范围产生监控结果，以依据监控结果进行监控。
[0083]
值得注意的是，本实施例的详细流程已公开如上，故不在此进一步赘述。
[0084]
综上所述，本发明提出的机台监控装置以及方法可依据测量装置的过去的自检数据以及产品的过去的测量数据预测未来的测量数据。此外，还可依据预设的数值范围以及所预测的测量数据判断测量装置是否发生异常状态。如此一来，可解决无法检测测量装置发生异常状态以造成测量数据失去参考价值的问题。
[0085]
虽然本发明已以实施例公开如上，然其并非用以限定本发明，任何所属技术领域中技术人员，在不脱离本发明的构思和范围内，当可作些许的变动与润饰，故本发明的保护范围当视权利要求所界定者为准。