分析和诊断:“从小到大到更好”。

任何诊断都离不开信息汇总和分析。

与数字和统计数据相比,人们总是更擅长通过图形信息来分析问题,尤其是当数据呈现随时间变化的问题时。

以记录您一天步行信息的GPS为例。

尽管下面图片的上部和下部在同一天显示了行程,但与上面的坐标和时间记录相比,下面地图的轨迹显然更易于理解。

过程设备诊断为了实现过程设备的诊断,Fanlin Group创建了一个名为“ LamDA数据分析器(LamDA)”的实用程序。

该程序可以读取日志数据并使用图形显示状况的变化,这非常适合比较不同的晶片或腔体。

客户和我们的一线工程师经常使用此程序,其当前的有效许可证已超过8,000。

使用LamDA的最佳方法是使用其提供的信息来确认或否定预先假设的假设。

但是,如果问题的范围太大而无法解决(即“大海捞针”问题)或存在但根本没有发现的问题,我们应该如何处理呢?更大的挑战面临更大的挑战,我们的应对方法也要改变,就像电影《大白鲨》的经典台词:“我们必须改变大船来应对大个子”。

范林集团推出的最新一代大数据分析工具箱匹配诊断工具(D2CM)就是这样的“大船”。

它使用机器学习算法,可用于长时间汇总和分析来自所有设备的数据。

换句话说,该工具可以积极地帮助您检测“针头”。

即使您根本不知道这种“针”的存在,也无论藏在海洋中,无论热还是冷,都隐藏在海洋中。

可以说D2CM是“ LamDA的超级版本”。

D2CM通常用于评估一组运行相同过程(或应用程序)的设备的性能。

尽管在批量生产中,客户可以通过控制极限来判断设备是否根据设置的参数进行操作,但不同设备仍会出现错误。

这些差异不仅难以识别,而且通常难以确定其背后的根本原因。

D2CM的多元(或多维)分析方法可以识别出这些具有统计意义的错误并找到改进的方向。

该方法的主要优点在于,它可以全面考虑不同信号数据之间的相互作用(记住压力,温度,功率等彼此相关),提高“信噪比”。

并更快地找到根本原因。

由于机器学习的高度复杂性,我们经常需要大量培训以精通其使用。

如果您需要真正了解如何将分析结果转换为维修或纠正措施,则需要更多技能,因为您需要非常了解过程设备。

有没有更好的办法?我们一直在努力开发一种“更好的方式”。

我们的想法是全面分析大规模使用大数据的基本方案,并将其开发为更简单的“应用程序”。

例如,该程序可以专用于评估同一组中所有设备的所有配置设置,或者是“子系统健康模型”,或者是有助于您完成设备的日常操作的程序。

另外,该程序还构建了一个“沙盒”。

在环境中,过程工程师可以轻松访问设备数据和D2CM的核心引擎,尝试不同的分析方法或将数据可视化。

该开发项目的第一批应用程序将于2020年下半年投入使用,将来还会添加更多应用程序,其中一些应用程序将来自客户自己的沙箱。

所有这些努力都是为了提高数据和分析的质量,从而更好地提高设备的性能和生产率。