[发明专利]改进分类性能的群集分析系统和方法

说明书

相关申请的交叉引用

本非临时申请要求2009年11月19日提交的、申请号为61/262,775的美国临时申请的优先权，所述美国临时申请的所有内容在此明确地全部并入本申请中。

背景技术

本申请大体涉及一种模式识别系统，特别涉及一种使用群集分析(cluster analysis)来改进不同部件的分类性能(sorting performance)的系统和方法。

用户们利用不同的部件来制造更加复杂的组件。在这些部件被安装到更复杂的组件中之前，用户们利用不同的测试方法来识别出“好”的和“坏”的部件。所述好的部件符合生产商的技术规范。然而，所述坏的部件不符合用户的技术规范。

为了既将所述好的部件识别出来又将所述坏的部件识别出来，用户通常给外部测试设备提供例如一组已知的好的部件和坏的部件。该组已知的好的部件和坏的部件在此处被称为“训练集”(training set)。该测试设备利用传统系统来收集训练集中的各种数据。然后将这些数据储存在传统系统的数据库中。针对各个部件所收集的数据包括共振或峰值的频率以及该峰值的数值，例如振幅、零交点宽度(zero-crossing width)等等。然后将针对所有的选定峰值的合成频率值(resultant frequency values)传输到传统的统计分析/模式识别(VIPR)的工具中。

所述VIPR工具利用合成频率(resultant frequencies)来识别马哈拉诺比斯田口系统(Mahalanobis Taguchi System)/马氏距离(Mahalanobis Distance(MTS))。所述MTS距离用于识别频率子集，该频率子集用于找到在所提供的好的部件和坏的部件之间的差异以及优化阈值距离(threshold distance)，以接收尽可能多的好的部件和拒绝尽可能多的坏的部件。这个最初的MTS测试仅使用好的部件来创建它的测试然后为每个部件(包括坏的部件)分配“MTS距离”，该距离即是该部件与所述好的部件的“中心”的距离。

MTS距离是多维值，该多维值在二维(2D)图形中可表现为椭圆形并且在三维(3D)图形中表现为“蛋形”，所有在“蛋形”内部的部件通过MTS测试(好的部件)而所有在“蛋形”外部的部件则没有通过MTS测试(坏的部件)。MTS测试通常使用3-7种频率(规格)来识别好的部件和坏的部件。在一些坏部件被接受的情况下，使用额外的“偏差检测”来拒绝这些额外的坏的部件。使用仅针对坏的部件的频率，通过计算额外的MTS距离来进行该偏差检测。结果，两个MTS距离被用于计算每个部件，即来自“好的椭球中心”(goods center ellipsoid)的该部件的距离和来自“坏的椭球中心”(bads center ellipsoid)的该部件的距离。两个MTS距离的比率用于拒绝额外的部件。更普遍地，如果传统系统确定该部件更靠近坏的椭球中心的中心，那么该部件则很有可能是坏的或非不合格的部件，从而被拒绝。然后该VI PR返回到一系列可能的解(possible solutions)，这些解可以包括用于从坏的部件中区分出好的部件的所述3-7种频率。该组可能的解被称为“VIPR得分”(″VIPR Score″)。该VIPR得分是好的部件通过MTS和偏差检测和坏的部件不能通过MTS和偏差检测的机率的总和。

传统的验证工具利用VIPR得分来确保所有上述峰值可被适当地挑选出来并且同样确保在VIPR的解(VIPR solution)中没有矛盾或问题。该验证工具决定哪些峰值可用于预测寻找下一个峰值的窗口(window)以及用于以最佳的方式组织清除峰值的次序。每个潜在分类被给予有效得分(Validation score)，该有效得分是根据真实的数据好的部件将通过该测试和坏的部件将不能通过该测试的机率的总和，而非仅为频率。使用者将所述解输入“产品”，意味着所述解被应用在从新产品所接收的未知部件上。当用户的过程(process)改变或结果不再是可接受的数据时，那么在新分类的部件上采集(taken on)数据并且重复整个过程。

然而，当所处理(processing)的部件具有大的过程差异(process variation)时，传统的VIPR系统通常没有那么有效。更具体的说，这种在好的部件中的变化如此之大以至于这些变化遮盖了在好的部件和坏的部件之间的差异。因此，VIPR被迫将所有的这些好的但可能并没有那么相似的部件聚集成一个大群。因为VIPR利用单一的大群来识别好的部件，所以大群的界限可变得如此之大以至于坏的部件可能被不小心包括在好的部件的群中。