[发明专利]使用K最近邻及逻辑回归方法的时间序列故障检测、故障分类及转变分析

权利要求书

1.一种方法，包括以下步骤：

接收时间序列数据，所述时间序列数据已在一工艺期间由一个或多个传感器生成，其中所述时间序列数据包括第一多个数据点；

生成训练数据集，所述训练数据集包括多个随机化数据点，其中所述多个随机化数据点中的各个随机化数据点相对应于来自所述时间序列数据的所述第一多个数据点中的一者；

使用在时间窗内的所述多个随机化数据点的集合来生成多个随机化数据点组合，其中所述多个随机化数据点组合中的第一随机化数据点组合包括所述多个随机化数据点的所述集合的第一子集；

基于所述多个随机化数据点组合来计算多个距离值，其中针对所述第一随机化数据点组合所计算的第一距离值表示所述多个随机化数据点的所述集合的所述第一子集相对于所述第一多个数据点的第一子集的组合距离，所述第一多个数据点的所述第一子集对应于所述多个随机化数据点的所述集合的所述第一子集；

基于多个经计算的距离值来生成分类器；及

使用所述分类器来判定所述工艺的新的执行的期间所生成的新的时间序列数据匹配所述时间序列数据的概率。

2.根据权利要求1所述的方法，其中生成所述分类器的步骤包括基于所述多个经计算的距离来判定距离阈值，所述方法更包括以下步骤：

接收所述新的时间序列数据；

计算所述时间窗内的所述时间序列数据及所述时间窗内的所述新的时间序列之间的第二距离值；

使用所述分类器基于所述第二距离值来判定所述时间窗内的所述新的时间序列数据是否超过所述距离阈值；及

响应于所述时间窗内的所述新的时间序列数据超过所述距离阈值的判定而生成故障。

3.根据权利要求2所述的方法，更包括以下步骤：

基于所述时间序列数据检测所述工艺中的设定点变化之间的转变；及

检测所述新的时间序列数据中的相对于预期转变轨迹的偏差，其中所述预期转变轨迹是由所述时间序列数据所界定的。

4.根据权利要求1所述的方法，其中：

所述时间窗是滑动时间窗；

所述工艺在大于所述滑动时间窗的时间区间内发生；及

生成所述随机化数据点组合的所述步骤、计算所述距离值的所述步骤、及生成所述分类器的所述步骤是针对所述滑动时间窗的多个实例中的各者执行的，其中所述多个实例中的各个实例跨越所述时间区间中的不同的时段。

5.根据权利要求1所述的方法，其中所述分类器是使用逻辑回归来生成的。

6.根据权利要求5所述的方法，更包括以下步骤：

从所述训练数据判定所述逻辑回归，其中所述逻辑回归包括从第一数据点到第二数据点的转变图案的位置，其中所述转变图案在居中定位在所述转变图案上的反射点附近反射；

接收第一参数以调整判定所述概率的所述步骤的敏感度的；及

基于所述第一参数调整围绕所述反射点的所述转变图案的浅度。

7.根据权利要求1所述的方法，更包括以下步骤：针对所述时间窗，使用k最近邻(kNN)算法来计算距离阈值，计算所述距离阈值的所述步骤包括：

针对所述多个随机化数据点组合中的各者，计算随机化数据点组合和来自所述训练数据集的各个剩余随机化数据点组合之间的欧式距离；及

从经计算的欧式距离中识别最小欧式距离，其中所述最小欧式距离是所述距离阈值。

8.根据权利要求1所述的方法，其中所述时间序列数据包括来自第一传感器的第一数据及来自第二传感器的第二数据，所述方法更包括以下步骤：

判定所述第一数据及所述第二数据之间的时间关系。