應用貝氏網路於工業製程之診斷與預測

全文

(1) . . . . . . . . . .

(2) . . . Application of Bayesian Networks to Diagnosis and Prognosis of Manufacturing Process. . . . . .

(3). . .

(4). .

(5) . . . .

(6) . . . . . . Application of Bayesian Networks to Diagnosis and Prognosis of Manufacturing Process . . . Student : Chin-Hsien Lin. . . Advisor : Chi-Cheng Jou.

(7). .

(8). . . . A Thesis Submitted to Department of Electrical and Control Engineering College of Electrical Engineering and Computer Science National Chiao-Tung University in Partial Fulfillment of the Requirements for the Degree of Master in Electrical and Control Engineering September 2004 Hsinchu, Taiwan, Republic of China. . . . . . . . . .

(9) . . . . . . .

(10) . . . . #. 2. . . . 3. H. 4. I. @ d m. . . o. . . p. 9. . E. s. =. K. . . . p. & '(. 8 2. 9. M. &. Y Z 8. t. i. ). *. ?. %. ]. . . . . .

(11). . . . T. v. %. w. a. . x. K. R. /. 0 D. . 1 E. F. G. A. B. ' ?. b. . C. >. y. .. B. G g. . -. Q. F. %. *. . f. k. . @A. 1 `. . ,. ?. E *. S. . +. >. P ,. . . =. O. j. . . <. _. T. . . ;. ^. i. . . &. @N. \. +.

(12). :. T i. u d. . > [. h. . . . .

(13) . %. L. 2. o. $. X. c. r. C . C. g. . @A. k. %. z. B. %. b. . c. f. =. { |. }. ~. . ". g. >. . l. ?. A. B. . ' j. . J. W. 2. L. V. f q. . =. e. . K. #. 1. 3. . ". 7. . . !. 6. U. +. n. \. 5. T. . . J S. . . . . . . . . . . . D. D. ". -. E. . . . c. N. %. =. O. &. . . b. . . . . . . . …. h. . y . . . '. . . . `. a. ". . [. \. . . . -. . [ c.

(14) Application of Bayesian Networks to Diagnosis and Prognosis of Manufacturing Process. Student: Chin-Hsien Lin. Advisor : Chi-Cheng Jou. Department of Electrical and Control Engineering National Chiao Tung University. Abstract. There are hundreds of steps in the process of manufacturing operation. Every step contains lots of measurements. As a result a tremendous amount of data is available. These data maybe contain reasons that case abnormal states of manufacturing process. We use Junction Tree Algorithm to establish Junction Tree Models, in order to provide engineers or analysts to diagnose abnormal states. Take manufacture of silicon wavers for example. After establishing the junction tree model, we use the model to find abnormal states. Then we will discuss factors such as number of cases and variables and the limit of calculation time and the quantization of yield variable. At last we will verify the junction tree model. This method also can be applied to many areas that need to handle a tremendous amount of data, for example in the industrial, medical or meteorological area etc.. We can use this method to diagnose and prognose results after the junction tree is built.. .

(15) #. $. %. &. A. '. B. (. C. ). D. *. '. +. E. . F.

(16) ,. G. -. . . . . . H. I. . . / . . 0. . J. 1. 2. . . 34. . 5. 6. 7. 8. . . 9. . :. ;. <. ! =. >. " ?. . @. K. L ^. <. . _. M . `. a. N b. O . P '. Q c. '. R . S d. =. T. e. R f. U. V. W. X. Y. Z. '. . I. [. . \. O ]. (. Q. . K. E w. x. g. . . h. 0. . i. j. . k. l !. ". m. #. n. o. p. q. . $ C. r. B. s. t. u. v. . K. y . . V. ~. . .

(17) . z . { . . | . }. .

(18) . . u. . . u . . M . . M. . . . . . . . . . . t. Y. . Z. Y. . Z. . t. 7. . u. . . . ¡. ¢. . ¨. . ¶. ¤. ± ·. ³. ¤ . ¬ ±. ¡. § . «. ¯ °. °. £. ¦ ©. ª. . . ¤. . . . . ¥. . . . . . ¦ . . §. ¤. ® ¥. ². ² ´. µ. . . ¯. ¸ ¹ º » ¼ ½ º » ¾ ¿ ¯ Ä. À. ¯ °. ±. Å. Á. ³. Â. Â. Ã ². .

(19) Æ. Ç. ¯. È. m. É. Ê. Á. ¯. Ë Æ. Ç. È. . m. Ì. Ï. . ¥. . ¯ N. æ. O. ¯ ê. ç. ß ë. è. Aì. ¯ ê ¯¯ ú. ë. û. ø. O. Ó. ý Û. ä. . ¡. m . É. Ê. Û Á. . ¯. ¤. ¯÷ . á Ä. . þ. Ã Ã. . ×Û ¥. à. È. Ú. ¯ ü. ¯¯ . ß. á. Ù. ¯÷ . ù. Û. ë. µ. ³. . Þ. à. ×Ø. ¤. ±. ¯¯ . ë. ê. ö. ù. Ý. ß. . Ã. í. ö. ¯¯ . ¯¯ ê. ñ. Á. Á. ø. Þ. Ã. óÐ. ¯ °. Ö. Ã. ð. ¯ Â. ¯Ã õ. ². Õ. Ý. ã. í. ï. ¯¯ ô. ®. Ç. Ô. (. é . ¯ ò. Ã. Ã. à. ¯ î. m. . Ó. â O. È. . Ü. N. Á. Î. Æ. Ñ. Ò. å. Í. ,. Ð |. Ê. ¤. Æ. ). É. Û. Ä. Ã¯. ô. Á. Ä . Ã. Ã® .

(20) . æ u. v. t. ÷ . . .

(21) 1-1 ô Ä. Á. Ã. Å. {a, d } . 3-2 . ×¢. . 3-3 Ð Ñ.

(22). ¯ î. . ï. ð. ¯ ò. óÐ. ¯ . ø. ñ. ¯ Ã ª ¯ ¯ ¤ ª ¯ ® ª ¯ ². ¯ ÷ # » $ ). ¯ . Û. . ¯ # ' $ .. . . *. ¯ V1 V5 ¯ # » $ .. ( . k. . Û . ×. . . . . . n. Û . ². ¯. ¥. %. . &. ¥. 5 ". ¯Ã ¥. ¯®. ¯® . ¯® . ,. k Û. . ¥. ( . g. ) . . ç. E . . ¥. æ. Û g. |. ¯ ÷ # ( $ . Á. . ¯ ÷ # ' $ ). . P(V2 | V8 ) ¯¯ !. |. Û . P(V1 | V8 ) ¯¯. ¥ ¥. . ¥. ¤. ô ¥. . ². P(V3 | V1 , V2 ) ² Û. . «. ®. Ì. » Ä. ¥ . «. Æ. . . \. ¥. Î. m. . . Û. «. Í. È. ¤ Û. ¯ ¯®×. Ñ. í. . Ð. -. ú ". û. Ð +. 5. ¯® . ¯². V1 3 V2 / Q 0 ± " 5 1 < ¥ 2 ¥ ) * 33 ¥. Ã÷ . V1 3 V2 / Q 0 ± " 5 1 < ¥ 2 ¥ ) * 33 ¥. Ã. ¯ ¯ Ã÷ 2÷ ÷ 3Ã× . Û. . ¥ . Û. ä. » . × . 4. 5. 6. . n. ó Ã .

(23) ¯ Ã . ×. ¯ . ×. Û . Û . ¯ ¤# » $ 7. 4-18 Ä. û. . ¥. . <. ¯ ¯ . ?. ¥ . ¥ ¥. ¯ !. ¥. . . ¥. *. . ¥. Û. k . ú . . k û. 5 ". Ã. Ã . 5. Û. 8× Û. 8× Û. . Ð. ". 8×. & Û. . Â . (. C. . 3% . . ¯ ¯ V8 = L ¯ Ã !. (. . (. Ã¯. Ã¯. Ã¯. ¥ . 3 . ¥ ). 5. @". !. * A. Ã. B. . Û. . E. (. k . ". 5. Ã¤. Ã¤ . . ç . . * Ä. æ . Ä. ). Ð. ¥. E. ÃÃ =. ¯ ² » Ä ¯ ÷ >. ). Û . . E. ¥. Û . ! . Û. . . Û . ×. g. ¥ . . . :. Q. /. . ¯ ¤# ' $ 79. Q /. ô. ¥ . ¯ ¤# ( $ ; ú. ô. k. (. á. . . . . ú. B . û Û. . A D. k. ¥ . Û. 5 " Û. ". Ð +. Ã² . 5. Ã¤ . ". 5. Ã². Ã². .

(24) E Y. F. . Z. G 7. . Ï. 7. 7. ,. ¢. R. ±. ¶ F. Á. 4 H. I. í. . P. . K. M. N. O. P. Â. Ã. ÷ . O. ±

(25). Lb7. Â. N. °. Q. 3-1 °. M. Û. K. K. . E. ¯. aJ 2-1 ¢. h. 7#. ¥. ÷ . . ³. ´. µ. S. . . 3-2 T7 . . ¡. Â. LU7moralized graph Ã. V. . À. Á. . 7 N. K. Â M. . 3-4 W ù. E. ? X. Û Y. Z. ´. µ. . Ò [. \. ]. ã. ®. 3-5 W ù. E. ? X. Û Y. Z. ´. µ. . Ò. ò. óÕ ^. ®. 3-6 L .. >. ?. W. ù. E. ? X. Û Y. Z. ´. µ. Ò. ¤ . À. 3-8 Ä. Á. ² Ä. . Å. Â. 3-10 ° . ². ÷ . ³. ¯. . . ¡. . ¶. 3-13 É Ê. Á. Ä. 3-14 Ï ,. Æ. Ç. Ý. Þ Á. . ^. . Ò. ¯ . óÕ. Â ±. ¯ Â. ò. . Å. Ã (. . . ³. æ ". { A, C , E} !. . ° _. ±. ³. . Â. . {C , E} ¤ `. ÷ à ë. ¡. Å. ß ê. ·. . °. ±. ³. ´. µ. S. . . ® .

(26) ¯ a ¼ b ô. Á. æ. ç. ®. ¯ ¯ ¹ º » ¼ c b d º » ¾ ¿ 9 ¯ Ã °. ±. ³. ß. à. 4-6(b) V4 3 V5 4-6(c) V6 3 V7 . À. Á. Â. ¯÷ . ¯. 4-6(a) V1 3 V2 . 4-7 Ä. e. <. =. ß. ß. Ä. à. à. f. Ä. Ä. C. f. f. g¯Ã. C. C. g ¯ g¯. ÃÃ. .

(27)