[發(fā)明專(zhuān)利]預(yù)測(cè)模型的建模樣本的篩選方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201210453644.7
• 申請(qǐng)日: 2012-11-13
• 公開(kāi)（公告）號(hào): CN103177180A
• 公開(kāi)（公告）日: 2013-06-26
• 發(fā)明（設(shè)計(jì)）人: 鄭芳田;吳偉民
• 申請(qǐng)（專(zhuān)利權(quán)）人: 鄭芳田
• 主分類(lèi)號(hào): G06F19/00
• 分類(lèi)號(hào): G06F19/00
• 代理公司: 上海專(zhuān)利商標(biāo)事務(wù)所有限公司 31100
• 代理人: 聞卿

技術(shù)領(lǐng)域

本發(fā)明是有關(guān)于一種預(yù)測(cè)模型的建模樣本的篩選方法，且特別是有關(guān)于一種使用動(dòng)態(tài)移動(dòng)視窗(Dynamic?Moving?Window；DMW)的預(yù)測(cè)模型的建模樣本的篩選方法。

背景技術(shù)

歷史樣本數(shù)據(jù)常被用于建構(gòu)首套預(yù)測(cè)模型。然后，將預(yù)測(cè)模型應(yīng)用于后續(xù)的實(shí)際應(yīng)用環(huán)境中。隨著新樣本數(shù)據(jù)的取得，習(xí)知技術(shù)會(huì)使用新樣本數(shù)據(jù)來(lái)進(jìn)行模型更新，以更新或重新訓(xùn)練預(yù)測(cè)模型。因此，預(yù)測(cè)模型的預(yù)測(cè)精度是與歷史樣本數(shù)據(jù)和線上模型更新期間所取得的新進(jìn)樣本數(shù)據(jù)有密切關(guān)系。

以建構(gòu)虛擬量測(cè)模型為例，在生產(chǎn)過(guò)程中，工藝機(jī)臺(tái)會(huì)面臨到定期維護(hù)(Preventive?Maintenance；PM)機(jī)臺(tái)、機(jī)臺(tái)漂移(Drift)，或?yàn)榱藴y(cè)試機(jī)臺(tái)特性或校正機(jī)臺(tái)所需進(jìn)行的實(shí)驗(yàn)設(shè)計(jì)(Design?of?Experiments；DOE)等狀況。若能搜集到上述事件的重要樣本數(shù)據(jù)，將可使虛擬量測(cè)模型所包含的數(shù)據(jù)特性更加完整，進(jìn)而提升虛擬量測(cè)即時(shí)預(yù)測(cè)產(chǎn)品品質(zhì)的準(zhǔn)確性及穩(wěn)健性。傳統(tǒng)上，習(xí)知技術(shù)是采用靜態(tài)移動(dòng)視窗(Static?Moving?Window；SMW)機(jī)制來(lái)維持及管理建模樣本數(shù)據(jù)。所謂“靜態(tài)移動(dòng)視窗”機(jī)制是以固定樣本數(shù)量的方式，以新進(jìn)入視窗中的樣本數(shù)據(jù)取代視窗中最舊的樣本數(shù)據(jù)來(lái)進(jìn)行更新樣本。如此，當(dāng)時(shí)間的演進(jìn)，位于視窗前端的樣本數(shù)據(jù)會(huì)逐漸被陸續(xù)進(jìn)入視窗中的樣本數(shù)據(jù)所取代，使得上述事件的重要樣本數(shù)據(jù)會(huì)因時(shí)間一久，而被摒棄于建模樣本之外。因此，當(dāng)未來(lái)再面臨類(lèi)似的機(jī)臺(tái)偏移狀況時(shí)，預(yù)測(cè)模型(虛擬量測(cè)模型)就無(wú)法準(zhǔn)確地預(yù)測(cè)出此種偏移狀況。

因此，需要一種預(yù)測(cè)模型的建模樣本的篩選方法，以獲得并留住重要且足夠的建模樣本數(shù)據(jù)，來(lái)克服上述習(xí)知技術(shù)的缺點(diǎn)。

發(fā)明內(nèi)容

因此，本發(fā)明的一目的就是在提供一種預(yù)測(cè)模型的建模樣本的篩選方法，藉以獲得并留住重要且足夠的建模樣本數(shù)據(jù)，以確保預(yù)測(cè)模型的預(yù)測(cè)精度。

根據(jù)本發(fā)明的一方面，提供一種預(yù)測(cè)模型的建模樣本的篩選方法。在此方法中，首先，獲得關(guān)于一待預(yù)測(cè)標(biāo)的的依時(shí)序產(chǎn)生的數(shù)個(gè)組第一樣本數(shù)據(jù)，其中第一樣本數(shù)據(jù)包含：數(shù)個(gè)組監(jiān)測(cè)數(shù)據(jù)和數(shù)個(gè)目標(biāo)數(shù)據(jù)，其中此些目標(biāo)數(shù)據(jù)與此些組監(jiān)測(cè)數(shù)據(jù)是一對(duì)一對(duì)應(yīng)并具有因果關(guān)系。接著，對(duì)第一樣本數(shù)據(jù)進(jìn)行一分群步驟，以將第一樣本數(shù)據(jù)間的相似度高者分為一群，而獲得數(shù)個(gè)第一群組。然后，尋找具有最多組第一樣本數(shù)據(jù)的第一群組，而獲得至少一個(gè)第二群組。然后，判斷第二群組的數(shù)目是否大于或等于2，而獲得第一判斷結(jié)果。當(dāng)?shù)谝慌袛嘟Y(jié)果為是時(shí)，尋找具有最舊第一樣本數(shù)據(jù)的第二群組，而獲得一第三群組，并判斷此第三群組中第一樣本數(shù)據(jù)的數(shù)目是否小于一預(yù)設(shè)數(shù)目(例如：3)，而獲得第二判斷結(jié)果。當(dāng)?shù)谝慌袛嘟Y(jié)果為否時(shí)，判斷第二群組中第一樣本數(shù)據(jù)的數(shù)目是否小于前述的預(yù)設(shè)數(shù)目(例如：3)，而獲得第三判斷結(jié)果。當(dāng)?shù)诙袛嘟Y(jié)果或第三判斷結(jié)果為是時(shí)，保留全部的第一樣本數(shù)據(jù)，以供一預(yù)測(cè)模型建模或更新之用，其中預(yù)測(cè)模型是用以預(yù)測(cè)待預(yù)測(cè)標(biāo)的狀態(tài)或行為。當(dāng)?shù)诙袛嘟Y(jié)果為否時(shí)，棄除第三群組中的最舊的第一樣本數(shù)據(jù)，并保留其余的第一樣本數(shù)據(jù)，以供預(yù)測(cè)模型建模或更新之用。當(dāng)?shù)谌袛嘟Y(jié)果為否時(shí)，棄除第二群組中的最舊的第一樣本數(shù)據(jù)，并保留其余的第一樣本數(shù)據(jù)，以供預(yù)測(cè)模型建模或更新之用。

根據(jù)本發(fā)明的一實(shí)施例，前述的第一樣本數(shù)據(jù)包含：儲(chǔ)存于一數(shù)據(jù)庫(kù)中的數(shù)個(gè)組歷史樣本數(shù)據(jù)；以及一組新搜集到的樣本數(shù)據(jù)。

根據(jù)本發(fā)明的一實(shí)施例，前述的第一樣本數(shù)據(jù)是利用一移動(dòng)視窗來(lái)獲得。

根據(jù)本發(fā)明的一實(shí)施例，前述的待預(yù)測(cè)標(biāo)的為被一工藝機(jī)臺(tái)所處理的一工件，前述的預(yù)測(cè)模型為一虛擬量測(cè)模型。前述的監(jiān)測(cè)數(shù)據(jù)為數(shù)個(gè)組工藝數(shù)據(jù)，其是于工藝機(jī)臺(tái)處理數(shù)個(gè)歷史工件時(shí)所產(chǎn)生，而每一組工藝數(shù)據(jù)包含有數(shù)個(gè)工藝參數(shù)。前述的目標(biāo)數(shù)據(jù)為數(shù)個(gè)量測(cè)數(shù)據(jù)，其是由一量測(cè)機(jī)臺(tái)量測(cè)歷史工件所獲得，其中量測(cè)數(shù)據(jù)以一對(duì)一的方式對(duì)應(yīng)至工藝數(shù)據(jù)。

根據(jù)本發(fā)明的一實(shí)施例，前述的分群步驟是根據(jù)一適應(yīng)性共振理論2(AdaptiveResonance?Theory?2；ART2)、一歐氏距離(Euclidean?Distance；ED)演算法或一加權(quán)歐氏距離(Weighted?Euclidean?Distance；WED)演算法來(lái)進(jìn)行。

根據(jù)本發(fā)明的一實(shí)施例，前述的分群步驟是針對(duì)第一樣本數(shù)據(jù)的監(jiān)測(cè)數(shù)據(jù)來(lái)進(jìn)行。

根據(jù)本發(fā)明的一實(shí)施例，前述的分群步驟是針對(duì)第一樣本數(shù)據(jù)的監(jiān)測(cè)數(shù)據(jù)和目標(biāo)數(shù)據(jù)來(lái)進(jìn)行。

根據(jù)本發(fā)明的又一方面，提供一種電腦程式產(chǎn)品，當(dāng)電腦載入此電腦程式產(chǎn)品并執(zhí)行后，可完成前述的預(yù)測(cè)模型的建模樣本的篩選方法。