(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111636006.4 (22)申请日 2021.12.2 9 (30)优先权数据 110127415 2021.07.26 TW (71)申请人 友达光电股份有限公司 地址 中国台湾新竹市 (72)发明人 陈盟仁　陈彦任　温源浩　潘盈豪　 (74)专利代理 机构 隆天知识产权代理有限公司 72003 代理人 黄艳 (51)Int.Cl. G06V 10/764(2022.01) G06K 9/62(2022.01) G06V 10/40(2022.01) G06V 10/774(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 用于系统管理的故障预测与健康管理系统 与相关方法 (57)摘要 用于系统管理的故障预测与健康管理系统 与相关方法。 基于机器学习模型的故障预测与健 康管理系统包含机台感测器、 指令接收器、 处理 器、 及警示器。 机台感测器动态地接收与受测机 台运行状况相关的受测机台数据。 指令接收器动 态地接收模 型指定指令。 处理器动态 地使用模型 指定指令 所对应的损坏预警机器学习模型， 处理 受测机台数据， 以预测受测机台出现异常状况的 异常状况几率。 处理器并动态地根据异常状况几 率， 在受测机台产生损坏可能性警示， 并决定受 测机台是否继续运行。 警示器根据损坏可能性警 示， 提示异常状况几率， 并提示受测机台是否继 续运行。 权利要求书3页 说明书8页 附图6页 CN 114299338 A 2022.04.08 CN 114299338 A 1.一种基于 机器学习模型的故障预测与健康管理方法， 包 含： 动态地接收与一受测机台运行状况相关的一受测机台数据； 动态地接收一模型指定指令； 动态地使用该模型指定指令所对应的一损坏预警机器学习模型， 处理该受测机台数 据， 以预测该受测机台出现异常状况的一异常状况几率； 及 动态地根据该异常状况几率， 在该受测机台产生一损坏可能性警示， 并决定该受测机 台是否继续 运行； 其中该损 坏预警机器学习模型是包含一完整生命周期机器训练模型、 一无故障机器训 练模型、 及一数值转换影像机器训练模型， 该完整生命周期机器训练模型是根据至少一个 机台的完整生命周期运行记录所训练而成， 该无故障机器训练模型是根据至少一个 从未发 生故障的机台的运行记录所训练而成， 且该数值转换影像机器训练模型是根据至少一个机 台的运行记录所存 储的数值 转换为影 像加以分析 所训练而成。 2.如权利要求1所述的方法， 其中该完整生命周期机器训练模型是包含低秩分解深度 神经网络模型。 3.如权利要求2所述的方法， 其中动态地使用该模型指定指令所对应的该损坏预警机 器学习模型， 处理该受测机台数据， 以预测该受测机台出现异常状况 的该异常状况几率包 含： 使用罗吉斯回归与逻辑模型来进行低秩分解， 以使用回归曲线来分类该受测机台数 据； 使用深度神经网络来建立对应的一深度网络模型； 及 使用该深度网络模型来诊断当下的受测机台状况以及对应的异常状况几率。 4.如权利要求1所述的方法， 其中该无故障机器训练模型是包含支援向量数据描述模 型。 5.如权利要求1所述的方法， 其中动态地使用该模型指定指令所对应的该损坏预警机 器学习模型， 处理该受测机台数据， 以预测该受测机台出现异常状况 的该异常状况几率包 含： 对该受测机 台数据采用频率特征与时间特征， 以对该受测机 台数据进行频域与时域运 算处理； 及 使用支援向量数据描述于经过频域与时域运算处理的该受测机台数据来建立一最佳 化模型， 以分类该受测机台数据中不同数据点的异常状况几率。 6.如权利要求1所述的方法， 其中该数值转换影像机器训练模型是包含卷积神经网络 模型。 7.如权利要求1所述的方法， 其中动态地使用该模型指定指令所对应的该损坏预警机 器学习模型， 处理该受测机台数据， 以预测该受测机台出现异常状况 的该异常状况几率包 含： 对该受测机 台数据进行影像数据过滤与切割及异常数据生成， 以将该受测机 台数据转 为一影像数据； 根据该影像数据 上的影像特征来抽取该影像数据的特征值， 以将该影像数据进行参数 最佳化； 及权　利　要　求　书 1/3 页 2 CN 114299338 A 2使用卷积神经网络模型来分析已进行参数最佳化的该影像数据， 以诊断当下的受测机 台状况及分析 该受测机台数据所对应的整体异常状况几率。 8.如权利要求1所述的方法， 其中动态地使用该模型指定指令所对应的该损坏预警机 器学习模型， 处理该受测机台数据， 以预测该受测机台出现异常状况 的该异常状况几率包 含： 当该模型指定指 令动态地改指 定相异于目前使用的损坏预警机器学习模型的另一损坏 预警机器学习模型时， 动态地切换使用该另一损坏预警机器学习模型来处理该 受测机台数 据， 以更新该异常状况几率的预测。 9.一种基于 机器学习模型的故障预测与健康管理系统， 包 含： 整请参方法项 一机台感测器， 用来动态地接收与一受测机台运行状况相关的一受测机台数据； 一指令接收器， 用来动态地接收一模型指定指令； 一处理器， 用来动态地使用该模型指定指令所对应的一损坏预警机器学习模型， 处理 该受测机台数据， 以预测该受测机台出现异常状况 的一异常状况几率， 该处理器并动态地 根据该异常状况几率， 在该受测机台产生一损坏可能性警示， 并决定该受测机台是否继续 运行； 及 一警示器， 用来根据 该损坏可能性警示， 提示该异常状况几率、 并提示该受测机台是否 继续运行的建议； 其中该损 坏预警机器学习模型是包含一完整生命周期机器训练模型、 一无故障机器训 练模型、 及一数值转换影像机器训练模型， 该完整生命周期机器训练模型是根据至少一个 机台的完整生命周期运行记录所训练而成， 该无故障机器训练模型是根据至少一个 从未发 生故障的机台的运行记录所训练而成， 且该数值转换影像机器训练模型是根据至少一个机 台的运行记录所存 储的数值 转换为影 像加以分析 所训练而成。 10.如权利要求9所述的故障预测与健康管理系统， 其中该处 理器包含： 一完整生命周期机器学习模块， 其采用该完整生命周期机器训练模型； 一无故障机器学习模块， 其采用该 无故障机器训练模型； 及 一数值转换影像机器学习模块， 其采用该 数值转换影像机器训练模型； 其中该处理器是另动态地指定使用该完整生命周期机器学习模块、 该无故障机器学习 模块、 及该数值转换影像机器学习模块其中之一， 以动态的采用对应的该损坏预警机器学 习模型， 来处 理该受测机台数据。 11.如权利要求10所述的故障预测与健康管理系统， 其中该深度神经网络模型是包含 低秩分解深度神经网络模型。 12.如权利要求11所述的故障预测与健康管理系统， 其中该完整生命周期机器学习模 块是包含： 一罗吉斯回归 模块； 一逻辑模型模块， 用来与该罗吉斯回归模块共 同执行低秩分解， 以将该受测机台数据 用回归曲线分类； 及 一深度神经网络模块， 用来根据分类后的该受测机台数据， 建立对应的一深度网络模 型， 并根据该深度网络模型诊断出当下的受测机台状况以及对应的一异常状况几率。 13.如权利要求10所述的故障预测与健康管理系统， 其中该无故障机器训练模型是包 含支援向量数据描述模型。权　利　要　求　书 2/3 页 3 CN 114299338 A 3