确定不良原因的方法、装置、电子设备及存储介质

摘要

本发明公开了一种确定不良原因的方法、装置、设备及存储介质，其中，确定不良原因的方法包括：在检测对象存在已知不良时，抽取所述检测对象的生产数据，所述生产数据至少包括生产履历数据、生产设备的标识以及生产设备参数中的一种；将所述生产数据输入预先训练得到的模型，得到与所述已知不良有关的生产工序、生产设备以及生产设备参数中的至少一种，其中，所述模型根据所述检测对象的生产样本数据进行训练得到，所述生产样本数据中的各条数据标记了与所述已知不良之间的相关性，本发明可提高确定不良原因的效率。

权利要求

1.一种确定不良原因的方法，其特征在于，包括：

在检测对象存在已知不良时，抽取所述检测对象的生产数据，所述生产数据至少包括生产履历数据、生产设备的标识以及生产设备参数中的一种；

将所述生产数据输入预先训练得到的模型，得到与所述已知不良有关的生产工序、生产设备以及生产设备参数中的至少一种，其中，所述模型根据所述检测对象的生产样本数据进行训练得到，所述生产样本数据中的各条数据标记了与所述已知不良之间的相关性。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取未知不良数据，形成第一数据集；

基于所述第一数据集进行潜在因子离群值计算，得到离群值因子；

基于所述离群值因子发出告警提示信息；

获取针对所述告警提示信息的第一标记信息；

使用所述第一标记信息对所述未知不良数据进行标记，得到标记后的未知不良数据；

当标记后的未知不良数据的数据量达到阈值后，将标记后的所述未知不良数据导入所述模型的训练数据集，所述训练数据集中的数据用于训练所述模型。

3.根据权利要求1所述的方法，其特征在于，将所述生产数据输入预先训练得到的模型，得到与所述已知不良有关的生产工序、生产设备以及生产设备参数中的至少一种，包括：将所述生产履历数据、所述生产设备的标识以及所述生产设备参数分别输入所述模型，分别得到与所述已知不良有关的生产工序、生产设备以及生产设备参数。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：在抽取所述检测对象的生产数据之前，获取检测对象的生产样本数据；

根据所述生产样本数据中各样本数据与已知不良的相关性分别对各样本数据进行标记；

利用标记后的样本数据训练所述模型。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述方法还包括：在将所述生产数据输入预先训练得到的模型，得到与所述已知不良有关的生产工序、生产设备以及生产设备参数中的至少一种信息之后，获取针对所述生产设备参数的第二标注信息；

在所述第二标注信息指示所述检测对象在生产过程中存在不良时，根据产生所述生产设备参数的时间段，确定与所述不良相关的生产批次、产生所述不良后所述检测对象的后续生产工序以及所述检测对象的库存分布信息中的至少一种信息。

6.一种确定不良原因的装置，其特征在于，包括：

抽取模块，用于在检测对象存在已知不良时，抽取所述检测对象的生产数据，所述生产数据至少包括生产履历数据、生产设备的标识以及生产设备参数中的一种；

输入模块，用于将所述生产数据输入预先训练得到的模型，得到与所述已知不良有关的生产工序、生产设备以及生产设备参数中的至少一种，其中，所述模型根据所述检测对象的生产样本数据进行训练得到，所述生产样本数据中的各条数据标记了与所述已知不良之间的相关性。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：第一获取模块，用于获取未知不良数据，形成第一数据集；

计算模块，用于基于所述第一数据集进行潜在因子离群值计算，得到离群值因子；

提示模块，用于基于所述离群值因子发出告警提示信息；

第二获取模块，用于获取针对所述告警提示信息的第一标记信息；

标记模块，用于使用所述第一标记信息对所述未知不良数据进行标记，得到标记后的未知不良数据；

导入模块，用于当标记后的未知不良数据的数据量达到阈值后，将标记后的所述未知不良数据导入所述模型的训练数据集，所述训练数据集中的数据用于训练所述模型。

8.根据权利要求6或7所述的装置，其特征在于，所述输入模块用于：将所述生产履历数据、所述生产设备的标识以及所述生产设备参数分别输入所述模型，分别得到与所述已知不良有关的生产工序、生产设备以及生产设备参数。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述的确定不良原因的方法。

10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1至5任一项所述的确定不良原因的方法。

说明书

确定不良原因的方法、装置、电子设备及存储介质

技术领域

[0001] 本发明涉及计算机数据挖掘技术领域，特别是指一种确定不良原因的方法、装置、电子设备及存储介质。

背景技术

[0002] 目前，一些产品，例如，OLED面板(Organic Light-Emitting Diode，有机发光二极管)的生产工序高度整合，涉及到的工序、工艺和设备繁多，生产线突发已知不良和未知不良较多。如需确定产生不良的原因，则需基于该产品的生产过程中所涉及到的各个环节中的数据进行分析，但这些数据分布在众多不同系统的数据库中，需要人为从这些数据库中拉取可能存在问题的数据进行不良分析，分析过程较为繁琐，效率较低。

发明内容

[0003] 有鉴于此，本发明提出一种确定不良原因的方法、装置、设备及存储介质，可提高确定检测对象在生产过程中产生不良的原因的效率。

[0004] 根据本发明的第一个方面，提供了一种确定不良原因的方法，包括：在检测对象存在已知不良时，抽取所述检测对象的生产数据，所述生产数据至少包括生产履历数据、生产设备的标识以及生产设备参数中的一种；将所述生产数据输入预先训练得到的模型，得到与所述已知不良有关的生产工序、生产设备以及生产设备参数中的至少一种，其中，所述模型根据所述检测对象的生产样本数据进行训练得到，所述生产样本数据中的各条数据标记了与所述已知不良之间的相关性。

[0005] 可选的，所述方法还包括：获取未知不良数据，形成第一数据集；基于所述第一数据集进行潜在因子离群值计算，得到离群值因子；基于所述离群值因子发出告警提示信息；获取针对所述告警提示信息的第一标记信息；使用所述第一标记信息对所述未知不良数据进行标记，得到标记后的未知不良数据；当标记后的未知不良数据达到阈值后，将进行标记后的所述未知不良数据导入所述模型的训练数据集，所述训练数据集中的数据用于训练所述模型。

[0006] 可选的，将所述生产数据输入预先训练得到的模型，得到与所述已知不良有关的生产工序、生产设备以及生产设备参数中的至少一种，包括：将所述生产履历数据、所述生产设备的标识以及所述生产设备参数分别输入所述模型，分别得到与所述已知不良有关的生产工序、生产设备以及生产设备参数。

[0007] 可选的，所述方法还包括：在抽取所述检测对象的生产数据之前，获取检测对象的生产样本数据；根据所述生产样本数据中各样本数据与已知不良的相关性分别对各样本数据进行标记；利用标记后的样本数据训练所述模型。

[0008] 可选的，所述方法还包括：在将所述生产数据输入预先训练得到的模型，得到与所述已知不良有关的生产工序、生产设备以及生产设备参数中的至少一种信息之后，获取针对所述生产设备参数的第二标注信息；在所述第二标注信息指示所述检测对象在生产过程中存在不良时，根据产生所述生产设备参数的时间段，确定与所述不良相关的生产批次、产生所述不良后所述检测对象所经过的生产工序以及所述检测对象的库存分布信息中的至少一种信息。

[0009] 根据本发明的第二个方面，提供了一种确定不良原因的装置，包括：抽取模块，用于在检测对象存在已知不良时，抽取所述检测对象的生产数据，所述生产数据至少包括生产履历数据、生产设备的标识以及生产设备参数中的一种；输入模块，用于将所述生产数据输入预先训练得到的模型，得到与所述已知不良有关的生产工序、生产设备以及生产设备参数中的至少一种，其中，所述模型根据所述检测对象的生产样本数据进行训练得到，所述生产样本数据中的各条数据标记了与所述已知不良之间的相关性。

[0010] 可选的，所述装置还包括：第一获取模块，用于获取未知不良数据，形成第一数据集；计算模块，用于基于所述第一数据集进行潜在因子离群值计算，得到离群值因子；提示模块，用于基于所述离群值因子发出告警提示信息；第二获取模块，用于获取针对所述告警提示信息的第一标记信息；标记模块，用于使用所述第一标记信息对所述未知不良数据进行标记，得到标记后的未知不良数据；导入模块，用于当标记后的未知不良数据达到阈值后，将进行标记后的所述未知不良数据导入所述模型的训练数据集，所述训练数据集中的数据用于训练所述模型。

[0011] 可选的，所述输入模块用于：将所述生产履历数据、所述生产设备的标识以及所述生产设备参数分别输入所述模型，分别得到与所述已知不良有关的生产工序、生产设备以及生产设备参数。

[0012] 根据本发明的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明第一个方面所述的任意一种确定不良原因的方法。

[0013] 根据本发明的第四个方面，提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行本发明第一个方面任意一项所述的确定不良原因的方法。

[0014] 从上面所述可以看出，本发明实施例的确定不良原因的方法，对存在已知不良的检测对象，将其生产数据输入预先训练好的模型，可确定出与该已知不良相关的生产数据，从而可方便快捷地获知在检测对象的生产过程中产生不良的原因。

附图说明

[0015] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0016] 图1是根据一示例性实施例示出的一种确定不良原因的方法的流程图；

[0017] 图2是根据一示例性实施例示出的在确定不良原因的方法中对未知不良数据的处理流程图；

[0018] 图3是根据一示例性实施例示出的一种确定不良原因的装置的示意图；

[0019] 图4是根据一示例性实施例示出的一种确定不良原因的装置的框图。

具体实施方式

[0020] 为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

[0021] 需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。

[0022] 图1是根据一示例性实施例示出的一种确定不良原因的方法的流程图，如图1所示，该方法包括：

[0023] 步骤101：在检测对象存在已知不良时，抽取所述检测对象的生产数据，所述生产数据至少包括生产履历数据、生产设备的标识以及生产设备参数中的一种；

[0024] 例如，检测对象可以是OLED面板。

[0025] 生产履历数据例如可包括检测对象在生产过程中所经过的生产工序的数据。

[0026] 生产设备的标识可包括用于生产检测对象的生产设备的编号、名称、型号等信息。

[0027] 生产设备参数可包括生产设备在生产检测对象时，生产设备的运行参数、生产设备在生产检测对象过程中发生异常的异常参数等。

[0028] 在步骤101中，可从数据源抽取检测对象的生产数据，数据源中可包括生产过程实时产生的工艺履历信息、不良信息、检测信息等结构化数据，这些数据分别存储于生产过程执行、故障侦测及分类、不良文件以及良率管理等不同系统中，数据源中还可包括第三方导入的半结构化、非结构化数据，例如，不良图片以及设备日志等。

[0029] 步骤102：将所述生产数据输入预先训练得到的模型，得到与所述已知不良有关的生产工序、生产设备以及生产设备参数中的至少一种，其中，所述模型根据所述检测对象的生产样本数据进行训练得到，所述生产样本数据中的各条数据标记了与所述已知不良之间的相关性。

[0030] 其中，与已知不良有关的生产数据例如是可能导致该已知不良的生产数据；生产数据与已知不良之间的相关性，例如某生产数据导致已知不良的概率，举个例子，假设将生产数据输入预先训练得到的模型后，该模型的输出为生产设备005、90％，则表示与已知不良有关的生产数据为生产设备005，生产设备005导致该已知不良的概率为90％。

[0031] 在一种可实现方式中，在将生产数据输入预先训练得到的模型后，模型可按照生产数据与已知不良之间的相关性，输出排序后的生产工序、生产设备以及生产设备参数中的至少一种结果，例如，模型可输出工序A、工序B以及工序C，其中，工序A至工序C对已知不良的影响依次增大，又或者，模型可输出工序A对应的相关性为80％，工序B对应的相关性为60％，工序C对应的相关性为10％。

[0032] 本发明的确定不良原因的方法，对存在已知不良的检测对象，将其生产数据输入预先训练好的模型，可确定出与该已知不良相关的生产数据，从而可方便快捷地获知在检测对象的生产过程中产生不良的原因。

[0033] 在本发明提供的确定产生不良的原因的方法中，在从数据源中抽取出数据后，可对抽取到的数据进行处理，例如，从数据源增量抽取数据后，对抽取到的数据进行字段筛选、字段类型转换、时间分片分区、数据去重、规则匹配筛选、数据字段校验、字段扩展以及字段计算等处理中的至少一种处理。以下依次对这些处理方法进行说明。

[0034] 字段筛选处理：根据业务需求筛选需要的数据字段，去掉无效的数据字段。

[0035] 字段类型转换处理：将源数据中的字符数据类型转换成易计算且节约存储空间的时间、数字数据类型。

[0036] 时间分片分区处理：将大数据量的数据按照时间维度将数据切片，提高数据处理效率及处理极限。

[0037] 数据去重处理：按筛选后的字段对数据做去重操作，减小数据总量。

[0038] 规则匹配筛选处理：按业务需求中各字段的数据范围筛选规则，进行数据筛选。

[0039] 数据字段校验处理：校验数据字段的取值分布及取值是否符合规则。

[0040] 字段扩展处理：将一个字段，扩展成多个字段，便于后续业务使用，比如，对于时间字段，可以扩展为当前天、周、月、季等。

[0041] 字段计算处理：在数据抽取过程中，将日期数字化，如将当前月表示为(年*12+当前月份)，便可直接对数字日期进行加、减相应的数字，以达到根据日期筛选数据的目的。

[0042] 在对数据进行上述至少一种处理后，可根据数据的业务分类，将处理后的数据组成各种业务数据主题，存入数据仓库中。其中，数据仓库中可分为模型训练数据以及全量大数据，其中，模型训练数据可从全量大数据中抽取而来，用于训练上述模型。

[0043] 为了减小数据认知的学习成本及业务实现的统一性，可将数据仓库中的数据划分为不同的数据主题，此处以数据仓库中存储的数据为OLED面板生产数据为例，将数据仓库中的数据划分为生产履历数据主题、不良检测数据主题、不良点位测量数据主题、站点丢弃数据主题、设备数据主题以及维度数据主题六大数据主题。以下依次对这六大数据主题进行说明。

[0044] 生产履历数据主题：GLASS级(一片玻璃)、HALF GLASS(半片玻璃)级、PANEL级粒度的全生命周期的生产履历数据，记录产品生产过程中经过的工序、设备、CST(面板置放架)等数据。该主题的数据量最大，可采用列式存储，设置压缩格式存储，可以节省存储空间。

[0045] 不良检测数据主题：记录检测站点、维修站点的检测记录；记录PANEL(面板)检测等级、不良类型、不良坐标、维修记录、维修后PANEL等级及不良信息等，该主题的数据可采用列式存储。

[0046] 不良点位测量数据主题：包含产品测量点位的描述信息，如，测量点位的机台坐标、测量类型，以及按GLASS的点位、测量类型、时间为主键的测量值。该数据主题中的数据可采用列式存储。

[0047] 站点丢弃数据主题：记录各站点破片、缺陷无法修复的、丢弃的GLASS、HALF GLASS、PANEL数据，该数据主题中的数据可采用列式存储。

[0048] 设备数据主题：包含整个工厂的设备维度信息，记录设备的归属站点、位置、功能及分类等相关信息；记录设备的运行条件，比如温度、湿度、电压、电流等生产运行中的工作环境数据；记录设备运行过程中的发生事件的信息，比如停机、更换零件、清洗、预警等事件的时间与影响等相关数据。该数据主题中的数据可采用行式存储，可提高数据的查询效率以及并发性。

[0049] 维度数据主题：为了上层应用之间的数据统一及可用性，建立基于数据仓库的公共维度主题，包含产品的生产工艺流程维度数据，产品缺陷的描述维度，所有产品在各个工厂的产品型号的关联数据等等维度数据。该数据主题中的数据可采用数据采用行式存储，可提高数据的查询效率以及并发性。

[0050] 需要说明的是，数据主题并不限于以上六种，可根据业务需求增加或重构新的数据主题。

[0051] 图2是根据一示例性实施例示出的在确定不良原因的方法中对未知不良数据的处理流程图，如图2所示，在图1所示的方法的基础上，该方法还可包括：

[0052] 获取未知不良数据，形成第一数据集；

[0053] 其中，未知不良数据，例如在产品的生产过程中产生的突发未知不良数据，在产生这些数据后，可将这些数据标记为未知不良数据。该数据的数据量较小，可从数据源抽取该突发未知不良数据，对该数据进行处理(可采用上文中所述的数据处理方法)，形成第一数据集。

[0054] 基于所述第一数据集进行潜在因子离群值计算，得到离群值因子；

[0055] 基于所述离群值因子发出告警提示信息；

[0056] 例如，在发出告警提示信息后，业务人员对告警提示信息进行判断，如果确定告警提示信息准确，确定定位到不良原因，则业务人员可为与该告警提示信息对应的数据分配一个编号或标识，还可对该数据进行标记，从而得到已知不良。

[0057] 获取针对所述告警提示信息的第一标记信息；

[0058] 例如，接收业务人员输入的第一标记信息。

[0059] 使用所述第一标记信息对所述未知不良数据进行标记，得到标记后的未知不良数据；

[0060] 当标记后的未知不良数据的数据量达到阈值后，将进行标记后的所述未知不良数据导入所述模型的训练数据集，所述训练数据集中的数据用于训练所述模型。

[0061] 例如，当标记后的未知不良数据达到阈值后，将标记后的未知不良数据导入模型的训练数据集后，还可触发模型的重新训练，从而使得模型能够识别出更多影响不良的因素。

[0062] 在一种可实现方式中，将所述生产数据输入预先训练得到的模型，得到与所述已知不良有关的生产工序、生产设备以及生产设备参数中的至少一种，可包括：

[0063] 将所述生产履历数据、所述生产设备标识以及所述生产设备参数分别输入所述模型，分别得到与所述已知不良有关的生产工序、生产设备的类型以及生产设备参数。例如，可依次将生产履历数据、生产设备的标识以及生产设备参数输入所述模型，则所述模型可依次输出与已知不良有关的生产工序的信息(例如，按照与已知不良之间相关性由高至低排序的生产工序的标识)、与已知不良有关的生产设备的信息(例如，按照与已知不良之间相关性由高至低排序的生产设备的标识)，以及与已知不良有关的生产设备参数(例如，按照与已知不良之间相关性由高至低排序的生产设备参数)。

[0064] 在一种可实现方式中，所述方法还可包括：在抽取所述检测对象的生产数据之前，获取检测对象的生产样本数据；根据所述生产样本数据中各样本数据与已知不良的相关性分别对各样本数据进行标记；利用标记后的样本数据训练所述模型。例如，从上述全量大数据中抽取模型训练数据，根据不良CODE(例如，一种已知不良对应一个不良CODE)对数据进行标记，通过随机森林的模型训练方法基于标记后的数据进行训练，得到训练好的模型。

[0065] 在一种可实现方式中，所述方法还可包括：在将所述生产数据输入预先训练得到的模型，得到与所述已知不良有关的生产工序、生产设备以及生产设备参数中的至少一种信息之后，接收针对所述生产设备参数的第二标注信息；例如，在模型输出生产设备参数之后，现场人员判断该生产设备参数超过预先设置的该参数对应的数值范围，可为该参数分配一个不良CODE(为第二标注信息的一个示例)，则该参数指示所述检测对象在生产过程中存在不良；或者，现场人员判断该生产设备参数在预先设置的该参数对应的数值范围之内，则现场人员可将该参数标记为正常参数。在所述第二标注信息指示所述检测对象在生产过程中存在不良时，根据产生所述生产设备参数的时间段，确定与所述不良相关的生产批次、产生所述不良后所述检测对象的后续生产工序以及所述检测对象的库存分布中的至少一种信息，从而可为拦截不良产品提供了依据。

[0066] 图3是根据一示例性实施例示出的确定不良原因的装置的示意图，如图3所示，该装置包括：

[0067] 数据源100、数据抽取及处理模块110、数据仓库120、数据分发模块130、数据分析模块140以及结果呈现模块150。这些模块通过数据交互以及处理从而实现确定不良原因的方法，例如，数据抽取及处理模块110从数据源100中增量抽取生产数据，在对数据进行清洗与处理后，将数据存储于数据仓库120；数据分发模块130从数据仓库120中拉取数据、触发数据分析模块140；数据分析模块140对模型进行训练、评估与部署，将计算结果在结果呈现150模块展现。

[0068] 以下对上述各模块进行说明。

[0069] 数据源100：生产过程实时产生的工艺履历信息、不良信息、检测信息等结构化数据101分别存储于生产过程执行、故障侦测及分类、不良文件、良率管理等系统中，这些结构化数据101同第三方导入的半结构化、非结构化数据102一起，作为大数据不良分析的数据来源。

[0070] 数据抽取及处理模块110，用于从数据源100增量抽取数据，并进行数据处理，数据处理可包括字段筛选、字段类型转换、时间分片分区、数据去重、规则匹配筛选、数据字段校验、字段扩展以及字段计算等。

[0071] 在数据经过一系列的数据处理后，根据数据的业务分类，可将数据组成各种业务数据主题，存入数据仓库120中。

[0072] 数据仓库120，可包括模型训练数据121以及全量大数据122。模型训练数据121可以从全量大数据122抽取，用于数据分析模块140中的模型训练141。为了减小数据认知的学习成本及业务实现的统一性，可将数据仓库120中的数据划分为上述六大数据主题123。

[0073] 数据分发130模块可分为模型训练触发器131、模型训练数据抽取模块132以及机器学习分析触发模块133。依据结果呈现模块150创建的作业以及设定的调度配置针对已知不良，触发机器学习分析模块133，而对于未知不良，数据分发模块130从数据仓库120中抽取模型训练数据121，并触发模型训练模块131。其中，模型训练数据抽取模块132用于从全量大数据122中抽取一部分数据用于模型训练。机器学习分析触发模块133，用于根据一种定时机制，定时抽取全量大数据122导入已部署的模型143(数据分析模块140，可分为模型训练模块141、模型评估模块142、已部署的模型143)，进行结果分析。

[0074] 模型训练141模块可用于特征工程与模型构建，特征工程可探索对不良有明显影响作用的特征(例如，工序、设备以及设备参数中的至少一种)，例如可通过箱式图探索离群值或通过独热编码变换数据等方式探索对不良有明显相应作用的特征。模组构建结合业务与数据，选择合适的机器学习模型，发掘特征和不良之间的内在关联。

[0075] 模型评估142模块可利用测试数据集与专家经验对模型运行结果进行综合评估。

[0076] 已部署的模型143：将训练好的模型部署到生产环境，用于不良分析。

[0077] 数据分析模块140可用于已知不良分析、未知不良分析以及不良预测。其中，已知不良分析例如可通过如图1所示的方法确定导致检测对象产生不良的原因，未知不良分析可通过如图2所示的流程来实现，不良预测功能例如，针对每一个“主工序－次工序－设备”组合(该组合指产品在加工过程中经过的主工序、次工序以及设备)，建立一个参考模型，实时计算当前得出的生产设备参数与参考值之间的差值，保存为差异值；当差异值超过预设的一个阀值时，发出异常预警。现场人员可以根据经验判断该预警是否是正确的，可根据判断结果标记与该预警对应的数据，标记后的数据可用来重新训练模型，从而实现对模型的改进。而系统可根据不良数据发生的时间范围，自动追溯在该期间内产生的风险LOT(批号)ID(编号)、提供清单(不良LOT ID的清单)及其后续工序/库存分布情况给现场人员、生产过程执行系统，用于风险LOT的拦截。

[0078] 结果呈现模块150，用于通过模型分析，提供错误定位影响因子(例如导致不良的工序、设备或设备)及其重要性排序，提供风险LOT清单，呈现其工序/库存分布情况，还可提供交互界面用于人员创建作业流程与调度配置。

[0079] 图4是根据一示例性实施例示出的一种确定不良原因的装置的框图，如图4所示，该装置40包括：

[0080] 抽取模块41(可为上述数据抽取及处理模块110中的一个组成部分)，用于在检测对象存在已知不良时，抽取所述检测对象的生产数据，所述生产数据至少包括生产履历数据、生产设备的标识以及生产设备参数中的一种；

[0081] 输入模块42，用于将所述生产数据输入预先训练得到的模型，得到与所述已知不良有关的生产工序、生产设备以及生产设备参数中的至少一种，其中，所述模型根据所述检测对象的生产样本数据进行训练得到，所述生产样本数据中的各条数据标记了与所述已知不良之间的相关性。

[0082] 在一种可实现方式中，所述装置还可包括：第一获取模块，用于获取未知不良数据，形成第一数据集；计算模块，用于基于所述第一数据集进行潜在因子离群值计算，得到离群值因子；提示模块，用于基于所述离群值因子发出告警提示信息；第二获取模块，用于获取针对所述告警提示信息的第一标记信息；标记模块，用于使用所述第一标记信息对所述未知不良数据进行标记，得到标记后的未知不良数据；导入模块，用于当标记后的未知不良数据的数据量达到阈值后，将进行标记后的所述未知不良数据导入所述模型的训练数据集，所述训练数据集中的数据用于训练所述模型。

[0083] 在一种可实现方式中，所述输入模块可用于：将所述生产履历数据、所述生产设备的标识以及所述生产设备参数分别输入所述模型，分别得到与所述已知不良有关的生产工序、生产设备以及生产设备参数。

[0084] 在一种可实现方式中，所述装置还可包括：第三获取模块，用于在抽取所述检测对象的生产数据之前，获取检测对象的生产样本数据；标记模块，用于根据所述生产样本数据中各样本数据与已知不良的相关性分别对各样本数据进行标记；训练模块，用于利用标记后的样本数据训练所述模型。

[0085] 在一种可实现方式中，所述装置还包括：第三获取模块，用于在将所述生产数据输入预先训练得到的模型，得到与所述已知不良有关的生产工序、生产设备以及生产设备参数中的至少一种信息之后，获取针对所述生产设备参数的第二标注信息；确定模块，用于在所述第二标注信息指示所述检测对象在生产过程中存在不良时，根据产生所述生产设备参数的时间段，确定与所述不良相关的生产批次(例如，可提供与不良相关的生产批次的清单)、产生所述不良后所述检测对象的后续生产工序以及所述检测对象的库存分布信息中的至少一种信息。

[0086] 需要说明的是，上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

[0087] 基于同一发明构思，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任一实施例所述的确定不良原因的方法。

[0088] 基于同一发明构思，本发明实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的确定不良原因的方法。

[0089] 所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

[0090] 另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。

[0091] 尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

[0092] 本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。