一种用于分类未知部件的方法,该方法包括获取在部件的训练集中的多个部件的宽带频率响应,该部件的训练集包括多个无缺陷部件和多个缺陷部件,对宽带频率响应进行统计分析以形成多个部件子集,该多个部件子集包括至少一个无缺陷部件子集和至少一个缺陷部件子集,并且利用该多个部件子集形成部件的混合子集,该部件的混合子集用于将未知部件分类为缺陷部件或无缺陷部件。此处也对实行该方法的工具进行了描述。
【技术实现步骤摘要】
【国外来华专利技术】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。
技术介绍
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(clusteranalysis)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 centerellipsoid)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”(VIPRScore )。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。
技术实现思路
在一个实施例中,提供一种对未知部件进行分类的方法。该方法包括获取对在部件的训练集中的多个部件的宽带频率响应,部件的训练集包括多个无缺陷部件和多个缺陷部件,在宽带频率响应上进行统计分析以形成多个部件子集,该多个部件子集包括至少一个无缺陷部件的子集和至少一个缺陷部件的子集,以及利用多个部件子集来形成部件的混合子集,该部件的混合子集被用于将未知部件分类为缺陷部件或无缺陷部件。在另一个实施例中,提供了群集分析工具(cluster analysis tool)。该群集分析工具包括用于扫描部件的训练集的超声探针,该部件的训练集包括多个无缺陷部件和多个缺陷部件,以及连接到超声探针的群集分析模块。该群集分析模块被配置为从针对多个在部件的训练集中的部件的超声探针中获取宽带频率响应,部件的训练集包括多个无缺陷部件和多个缺陷部件,在宽带频率响应上进行统计分析以形成多个部件子集,该多个部件子 集包括至少一个无缺陷部件子集和至少一个缺陷部件子集,并且将该多个部件子集传输到统计分析工具,该统计分析工具形成部件的混合子集,该部件的混合子集被用于将未知部件分类为缺陷部件或无缺陷部件。通过查阅如下详细的描述、权利要求和附图,本专利技术的其它特征或优点对本领域的技术人员而言将变得显而易见,其中相同的数字用于指代相同的特征。附图说明图I是分类未知部件的示范性方法的流程图。图2是与不同实施例相关的所获得的示范性的宽带信号的图解说明。图3是与不同实施例相关的被分类为两个示范性子集的示范性的部件分布的图解说明。图4是与不同实施例相关的示范性工具的简化方框图,所述工具可用于执行在图I中所示的方法。图5是与不同实施例相关的在图4中所示工具的一部分的简化的图解说明。在详细解释本专利技术的实施例之前,应理解的是,本专利技术在其应用中并不局限于如下描述中所陈述的或在附图中所说明的部件的结构和布置的细节。本专利技术可以包括其他实施例并且能够以不同方法来实现或执行。同样,应理解的是,此处所用的措辞和术语是为了描述的目的而不应该视为限制。使用“包括”和“包含”以及其变型意味着包含之后列举的所有项目和它们的等同物以及其他的项目和其等同物。具体实施例方式在此描述的是一种便于将未知部件分类为缺陷部件或无缺陷部件的群集分析的方法和设备。当该部件被分类为缺陷部件时,该方法也能确定缺陷的类型。该方法利用部件的训练集来形成多个子集,该子集在此也被称为群集或部件群集。在此所描述的群集分析方法可用作例如上述的VIPR系统的针对统计分析/模式识别工具的预处理器,以改进统计分析/模式识别(VIPR)工具的结果。如此处所使用的,群集分析是一种算法分本文档来自技高网...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】2009.11.19 US 61/262,7751.一种用于分类未知部件的方法,所述方法包括 获取针对在部件的训练集中的多个部件的宽带频率响应,所述部件的训练集包括多个无缺陷部件和多个缺陷部件; 在所述宽带频率响应上进行统计分析以形成多个部件子集,所述多个部件子集包括至少一个无缺陷部件的子集和至少一个缺陷部件的子集;以及 利用所述多个部件子集来形成部件的混合子集,所述部件的混合子集被用于将未知部件分类为缺陷部件或无缺陷部件。2.根据权利要求I所述的方法,包括 将所述宽带信号堆叠;以及 从每个宽带信号中选择多个共振峰值以进行所述统计分析。3.根据权利要求I所述的方法,其进一步包括 将所述宽带信号堆叠; 识别塔器,所述塔器代表频率响应,所述频率响应在多个宽带信号之中是共同的;以及 在所述被识别的塔器上进行统计分析。4.根据权利要求I所述的方法,其进一步包括在所述宽带频率响应上进行所述统计分析以形成多个部件子集,所述多个子集包括缺陷部件的第一子集和缺陷部件的第二子集,所述第一子集包括具有第一缺陷类型的部件,且所述第二子集包括具有不同的第二缺陷类型的部件。5.根据权利要求I所述的方法,其进一步包括在所述宽带频率响应上进行所述统计分析以形成多个部件子集,所述多个子集包括第一缺陷部件子集和第二缺陷部件子集,所述第一子集包括具有裂缝的部件且所述第二子集包括具有规格缺陷的部件。6.根据权利要求I所述的方法,其进一步包括在所述宽带频率响应上进行所述统计分析以形成多个部件子集,所述多个子集包括无缺陷部件的第一子集和无缺陷部件的第二子集,所述第一子集包括具有第一物理特征的部件,且所述第二子集包括具有不同的第二物理特征的部件。7.根据权利要求I所述的方法,其进一步包括利用所述多个部件子集以形成部件的混合子集,所述部件的混合子集包括从无缺陷部件子集获取的多个共振频率,以及从缺陷部件的子集获取的多个共振频率。8.根据权利要求I所述的方法,其中为了形成所述多个子集,所述方法进一步包括 形成第一子集以包括无缺陷部件; 形成第二子集以包括无缺陷部件; 根据所述部件与所述两个无缺陷部件子集的每一个的中心的距离来给每个在所述训练集中的无缺陷部件分配等级;以及 根据所述分配的等级,将每个无缺陷部件分配到所述第一子集或所述第二子集。9.根据权利要求I所述的方法,其中为了形成所述多个子集,所述方法进一步包括 形成第一子集以包括缺陷部件; 形成第二子集以包括缺陷部件; 根据所述部件与所述两个无缺陷部件子集的每一个的中心的距离来给每个在所述训练集中的缺陷部件分配等级;以及根据所述分配的等级,将每个缺陷部件分配到所述第一子集或所述第二子集。10.根据权利要求I所述的方法,其中进行所述统计分析,所述统计分析包括测量在每...
【专利技术属性】
技术研发人员:卢卡斯·R·米勒,
申请(专利权)人:伊利诺斯工具制品有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。