Skip to main content

📊 判讀規則與模式識別

本章節介紹如何透過「規則引擎」捕捉除了「出界」以外的統計異常。領域專家能從數據的連續模式中，偵測出微小的製程衰退信號。

1. 規則引擎的核心邏輯​

數據點在界限內並不代表絕對的安全。基於統計學規則，系統能識別出具備規律的「非隨機模式」。

📊 訊號判類：OOC 異常來源診斷樹​

1.1 偏移偵測 (Shift Detection)​

  • 邏輯：連續 9 個點落在平均值 (CLCL) 的同一側。
  • 數學意義：連續 9 點發生的機率極低，低於 α=0.0027\alpha = 0.0027 的閾值。
  • 製程對應：暗示製程中心發生了「階躍式」變動。

1.2 趨勢偵測 (Trend Detection)​

  • 邏輯：連續 6 個點持續增加或減少。
  • 製程對應：通常是系統性老化的徵兆。

1.3 循環偵測 (Cyclic Pattern)​

  • 邏輯：14 個點呈現上下規律交替。
  • 製程對應：往往與環境因素有關。

2. 滑動窗口與實時判定​

為了實現高效判定，系統採用了滑動窗口算法。引擎執行位元掩碼 (Bitmask) 運算，迅速判定是否觸發違規，複雜度為 O(1)\mathcal{O}(1)。

3. 邊界案例處理​

3.1 零變異與最小界限​

  • 解決方案：系統強制插入一個最小界限值，防止微小噪聲觸發大量虛警。

3.2 樣本數變動與係數調整​

  • 解決方案：引擎自動查找統計係數表（如 d2,A2d_2, A_2），即時縮放界限。

4. 領域專家思維：模式分析勝過單點判斷​

專家會觀察「出界」與「趨勢」的關聯。若趨勢已連續 5 點上升，即便第 6 點仍在界限內，專家也會提前介入。