预测模型建立方法及其相关预测方法与计算机程序产品

摘要

本发明提供了一种预测模型建立方法应用于加工机台制造一工件。此预测模型建立方法包括下列步骤：于制造该工件的期间，产生一加工机台参数组；于制造该工件后，量测该工件以产生一工件质量参数组；由该加工机台参数组决定一关键零件状态；以及根据该加工机台参数组、该工件质量参数组与该关键零件状态来产生对应的一关键零件状态下的工件质量预测模型。

说明书

技术领域

本发明是有关于一种预测模型建立方法及其相关预测方法与计算机程序产品。

背景技术

在日趋复杂的加工应用中，工件的合格与否(Go/NoGo)往往是要综合多种工件质量(quality)判断的结果。以轴承的加工机台为例，轴承的加工机台的工件质量包括：轴承的高、入口径、内径与沟径。当工件(轴承)制造(manufacture)完成后，需进一步量测轴承的高、入口径、内径与沟径，而量测这些工件质量的结果即可用来判断工件合格与否。

当一个或一个以上的工件质量被判定为质量不佳，则该工件被视为不合格(NoGo)。例如，当轴承的入口径或内径或沟径被判定为不合格时，则该工件(轴承)被视为不合格(NoGo)。

再者，将加工机台制造的所有工件都拿来量测其工件质量会有成本上的考虑。因此，现今仅能以抽检的方式来对抽检的工件进行工件质量的量测，并据以推断其他未抽检的工件是否合格。然而，此方式无法达成全方位品管的目的。

虚拟量测(virtual metrology，简称VM)系统的发展可用来对工件质量进行实时预测(prediction)、加工机台效能监控以及生产工艺的改善。由于虚拟量测系统可以实时预测出工件质量是否异常，因此可以避免加工机台持续生产不合格(NoGo)的工件，并造成重大损失。

举例来说，为了让轴承的加工机台不间断地运转并维持高良率。虚拟量测系统在加工机台的运作过程，持续地根据实时的加工机台参数组来预测制造出的工件的工件质量。当一个工件质量(例如，轴承的入口径)被预测为质量不佳而造成工件不合格(NoGo)时，工作人员即可据以调整或更换刀具以避免加工机台持续运作而造成重大损失。

再者，现有的虚拟量测系统是根据加工机台参数组来建立每一个工作工件质量的预测模型(prediction model)。基本上，现有的虚拟量测系统是利用特定的一种算法来获得预测模型，例如拉索回归(Lasso Regression)。以下以轴承的加工机台为例来说明现有的虚拟量测系统。

一般来说，轴承的加工机台上会设置机台监控模块，用以实时监控加工机台上所有零组件的状态。也就是说，机台监控模块中包括多个传感器(sensor)，用以感测加工机台以及零组件，并产生加工机台参数组。

举例来说，机台监控模块可产生n个加工机台参数x₁～x_n，集合这些加工机台参数x₁～x_n即成为一加工机台参数组，用以代表此加工机台以及零组件的状态。而加工机台参数组可为环境温度参数、机台震动参数、切削力参数、刀具状态参数、刀具磨耗参数、刀具使用次数参数....等等。

再者，轴承的加工机台的工件质量为轴承的高、入口径、内径与沟径。也就是说，轴承的加工机台的四个工件质量参数分别代表轴承的高的误差y₁、入口径的误差y₂、内径的误差y₃与沟径的误差y₄。而集合这些工件质量参数y₁～y₄即成为一工件质量参数组，代表该工件的工件质量。以下以四个工件质量参数所组成一个工件质量参数组为例来进行说明。当然，工件质量参数组并不限定于只有四个工件质量参数，也可以包括更多的工件质量参数，例如轴承的厚度误差...等等。

于虚拟量测系统的训练阶段，根据加工机台参数组与一工件质量参数，并搭配特定算法来建立单一个工件质量的预测模型。以轴承的加工机台为例，共需要建立四个预测模型来分别预测四个工件质量参数y₁～y₄。

当四个预测模型建立完成后。于虚拟量测系统的预测阶段，就可以实时的根据加工机台所产生的加工机台参数组以及四个预测模型来分别预测工件的四个工件质量参数y₁～y4。也就是说，利用加工机台参数组x₁～_xn搭配第一预测模型来预测高的误差y₁；利用加工机台参数组x₁～x_n搭配第二预测模型来预测入口径的误差y₂；利用加工机台参数组x₁～x_n搭配第三预测模型来预测内径的误差y₃；以及，利用加工机台参数组x₁～x_n搭配第四预测模型来预测沟径的误差y₄。

另外，当其中一个工件质量的预测结果与实际的工件质量差异过大时，需要修正对应的预测模型。举例来说，当预测入口径的误差y₂与实际入口径的误差之间差异过大时，即需要调整第二预测模型。

由以上的说明可知，现有的虚拟量测系统都是针对单一工件质量来建立其预测模型。每个预测模型仅预测一个工件品质，且不同工件质量的预测模型需要各自进行调整。

发明内容

本发明关于一种虚拟量测系统的预测模型建立方法及其相关预测方法。其中，预测模型建立方法应用于加工机台制造一工件。此预测模型建立方法包括下列步骤：于制造该工件的期间，产生一加工机台参数组；于制造该工件后，量测该工件以产生一工件质量参数组；由该加工机台参数组决定一关键零件状态；以及根据该加工机台参数组、该工件质量参数组与该关键零件状态来产生对应的一关键零件状态下的工件质量预测模型。

本发明提供一种计算机程序产品，其上储存有一软件程序，该软件程序执行时将使具有一控制器的一电子装置进行一预测模型建立方法，该预测模型建立方法包括下列步骤：于一加工机台制造多个工件的期间，对应地产生多个加工机台参数组；于制造为这些工件后，量测这些工件以对应地产生多个工件质量参数组；由这些加工机台参数组决定多个关键零件状态，其中这些关键零件状态包括一第一关键零件状态与一第二关键零件状态；以及选择属于该第一关键零件状态所对应的这些加工机台参数组、这些工件质量参数组，搭配一算法来产生一第一关键零件状态下的工件质量预测模型。

本发明关于一种虚拟量测系统的预测模型建立方法及其相关预测方法。其中，该预测方法，应用于一加工机台制造一工件，包括下列步骤：于制造该工件的期间，产生一加工机台参数组；由该加工机台参数组决定一关键零件状态；根据该关键零件状态决定对应的一关键零件状态下的工件质量预测模型；以及根据该关键零件状态下的工件质量预测模型与该加工机台参数组预测该工件的一工件品质参数组。

本发明提供一种计算机程序产品，其上储存有一软件程序，该软件程序执行时将使具有一控制器的一电子装置进行一预测方法，该预测方法包括下列步骤：于一加工机台制造多个工件的期间，产生对应的多个加工机台参数组；由这些加工机台参数组中决定一第一部分的加工机台参数组属于一第一关键零件状态，且一第二部分的加工机台参数组属于一第二关键零件状态；提供一第一关键零件状态下的工件质量预测模型，接收该第一第一部分的加工机台参数组，预测对应工件的多个工件品质参数组；以及提供一第二关键零件状态下的工件质量预测模型，接收该第二第一部分的加工机台参数组，预测对应工件的多个工件品质参数组。

附图说明

图1A至图1D所绘示为虚拟量测系统于训练阶段产生的任务数据库(taskdatabase)以及建立预测模型的示意图。

图2A至图2D所绘示为虚拟量测系统于预测阶段利用加工机台参数组以及多个关键零件状态下的工件质量预测模型来预测工件质量参数组的示意图。

附图标记说明

102：工件质量量测模块

104：任务数据库

106：多任务数据筛选模块

108：预测模型训练模块

110：机台监控模块

112：关键零件状态分析模块

114：关键零件状态数据库

121：第一关键零件状态下的工件质量预测模型

122：第二关键零件状态下的工件质量预测模型

123：第三关键零件状态下的工件质量预测模型

124：第四关键零件状态下的工件质量预测模型

210：预测模块

220：预测模型数据库

S130～S136：步骤流程

S230～S238：步骤流程

具体实施方式

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。

本发明为一种多任务学习为基础的虚拟量测(multitask learning based VM)系统。于虚拟量测系统的训练阶段时，运用多任务数据筛选(multitask data selection)机制，于任务数据库(task database)中依照关键零件状态(component status)来挑选适合的任务数据来进行训练(train)，并对应的建立多个预测模型。而本发明的虚拟量测系统利用多任务学习算法(Multitask Learning Algorithm)，并以拉索(Lasso)回归来建立预测模型。当然，本发明并不限定于利用拉索回归来建立预测模型之外，也可以利用例如脊状回归(Ridge-regression)来建立预测模型。

于虚拟量测系统的预测阶段时，根据加工机台参数组来决定一关键零件状态，并据以决定一选定预测模型运用于加工机台，而该选定预测模型即根据加工机台参数组来预测一工件品质参数组。换言之，本发明的选定预测模型可以根据一加工机台参数组来预测出多个工件品质参数。

以下以轴承的加工机台为例来介绍本发明的虚拟量测系统，预测模型建立方法以及工件质量的预测方法。当然，本发明并不仅限于轴承的加工机台，且工件也不限于轴承。因此其他加工机台，例如半导体研磨机台、半导体蚀刻机台…等等，也可以运用本发明的虚拟量测系统、预测模型建立方法及其相关预测方法来达成工件质量的预测，有效地提高工件制造的良率。

请参照图1A至图1D，其所绘示为虚拟量测系统于训练阶段产生的任务数据库(task database)以及建立预测模型的示意图。

由于轴承的加工机台上的机台监控模块可监控加工机台上所有零组件的状态。假设机台监控模块可产生一加工机台参数组，包括n个加工机台参数组x₁～x_n，用以代表加工机台以及零组件的状态；以及，轴承的加工机台的工件质量参数组，包括四个工件质量参数y₁～y₄，分别代表轴承的高、入口径、内径与沟径的误差。其中，机台参数x₁为刀具磨耗参数，机台参数x₂为崩刀参数，且机台参数x₁与机台参数x₂定义为关键零件状态。

另外，当机台参数x₁(刀具磨耗参数)为a时，代表低度磨耗刀具；当机台参数x₁(刀具磨耗参数)为b时，代表中度磨耗刀具；当机台参数x₁(刀具磨耗参数)为c时，代表高度磨耗刀具。再者，当机台参数x₂(崩刀参数)为i时，代表正常刀具；当机台参数x₂(崩刀参数)为ii时，代表崩刀刀具。

举例来说，于训练阶段，需要取样5000个工件，而制造5000个工件的过程中，所有加工机台参数组x₁～x_n以及实际量测的工件质量参数组y₁～y₄皆被记录，并成为于任务数据库(task>

如图1A所示，于制造第1个工件时，加工机台参数组x₁～x_n以及工件质量参数组y₁～y₄为：a、ii、x_{3_1}～x_{n_1}、y_{1_1}、y_{2_1}、y_{3_1}、y_{4_1}。于制造第1000个工件时，加工机台参数组x₁～x_n以及工件质量参数组y₁～y₄为：a、ii、x_{3_1000}～_{xn_1000}、y_{1_1000}、y_{2_1000}、y_{3_1000}、y_{4_1000}。同理，其他工件的加工机台参数组x₁～x_n以及工件质量参数组y₁～y₄不再赘述。

再者，如图1B所示，根据关键零件状态(即，机台参数x₁与机台参数x₂)可知，制造第1个工件至第1000个工件被定义为第一关键零件状态，代表低度磨耗(x₁＝a)与崩刀刀具(x₂＝ii)状态。而第1000个工件制造完成后，更换新的刀具。

再者，制造第1001个工件至第3000个工件被定义为第二关键零件状态，代表低度磨耗(x₁＝a)与正常刀具(x₂＝i)状态。制造第3001个工件至第4500个工件被定义为第三关键零件状态，代表中度磨耗(x₁＝b)与正常刀具(x₂＝i)状态。制造第4501个工件至第5000个工件被定义为第四关键零件状态，代表高度磨耗(x₁＝c)与正常刀具(x₂＝i)状态。

本发明仅以四个关键零件状态来进行说明，但本发明并不限于此。在此领域的技术人员也可以定义更多的关键零件状态来实现本发明的技术。例如，本发明的关键零件状态定义更可包括：低度磨耗(x₁＝b)与崩刀刀具(x₂＝ii)状态、与高度磨耗(x_i＝c)与崩刀刀具(x₂＝ii)状态。

请参照图1C，其为预测模型的建立流程示意图。该建立流程可运用软件程序来完成。于制造5000个工件的过程中，工件质量量测模块(module)102会实际量测所有工件的工件质量并产生工件质量参数组y₁～y₄。因此，机台监控模块110产生的所有加工机台参数组x₁～x_n，以及工件质量量测模块102产生的工件质量参数组y₁～y₄皆被记录于任务数据库104。

再者，关键零件状态分析模块112仅根据机台参数x₁(刀具磨耗参数)与机台参数x₂(崩刀参数)来判断制造该次工件时的关键零件状态，并记录于关键零件状态数据库114。由图1A可知，制造第1个工件至第1000个工件为第一关键零件状态S₁。制造第1001个工件至第3000个工件为第二关键零件状态S₂。制造第3001个工件至第4500个工件为第三关键零件状态S₃。制造第4501个工件至第5000个工件为第四关键零件状态S₄。而这些关键零件状态S₁～S₄会被记录于关键零件状态数据库(component>

当任务数据库104与关键零件状态数据库114记录完成后，关键零件状态数据库114会依序产生四个关键零件状态S₁～S₄至多任务模数据筛选模块(multitask>1～S₄来挑选适合的任务数据T至预测模型训练模块108来进行训练(train)，并建立对应的关键零件状态下的工件质量预测模型121～124。

举例来说，当关键零件状态数据库114提供第一关键零件状态S₁至多任务数据筛选模块106时，多任务模数据筛选模块106即于任务数据库104中选择属于第一关键零件状态S₁的所有加工机台参数组x₁～x_n与加工机台的工件质量参数组y₁～y₄作为任务数据T。根据图1A中任务数据库104的内容可知，任务数据为工件编号1至工件编号1000所对应的加工机台参数组x₁～x_n与加工机台的工件质量参数组y₁～y₄作为任务数据T。当预测模型训练模块108接收任务数据T，并以多任务拉索回归来建立对应的第一关键零件状态下的工件质量预测模型121。

同理，当关键零件状态数据库114提供第二关键零件状态S₂至多任务数据筛选模块106时，多任务模数据筛选模块106即于任务数据库104中选择属于第二关键零件状态S₂的所有加工机台参数组x₁～x_n与加工机台的工件质量参数组y₁～y₄作为任务数据T。根据图1A中任务数据库104的内容可知，任务数据为工件编号1001至工件编号3000所对应的加工机台参数组x₁～x_n与加工机台的工件质量参数组y₁～y₄作为任务数据T。当预测模型训练模块108接收任务数据T并以多任务拉索回归来建立对应的第二关键零件状态下的工件质量预测模型122。

再者，第三关键零件状态下的工件质量预测模型123与第四关键零件状态下的工件质量预测模型124也是以相同的方式来建立，此处不再赘述。

请参照图1D，其为本发明的预测模型的建立方法。当训练阶段开始后，于制造一工件的期间，产生一加工机台参数组(步骤S130)。于制造该工件后，量测该工件以产生一工件质量参数组(步骤S132)。由该加工机台参数组决定一关键零件状态(步骤S134)。接着，根据该加工机台参数组、该工件质量参数组与该关键零件状态来产生对应的一关键零件状态下的工件质量预测模型(步骤S136)。

再者，上述的预测模型的建立方法可运用于计算机程序产品，储存一软件程序。而利用电子装置所具有的控制器来执行此软件程序即可建立该预测模型。

图1D所示的预测模型建立方法中，介绍制造1个取样工件时，利用其加工机台参数组、工件质量参数组与关键零件状态来产生关键零件状态所对应的一关键零件状态下的工件质量预测模型。

相同的原理也可以运用至制造5000个取样工件。也就是说，如图1C结合本发明的内容，将对应的5000个加工机台参数组与工件质量参数组，以及决定的多个关键零件状态来产生对应于关键零件状态的多个预测模型。

相较于现有的虚拟量测系统，仅利用加工机台参数组来进行训练并产生单一工件质量参数的预测模型。本发明结合加工机台参数组与工件质量参数组来进行训练并可产生所有工件质量参数的预测模型。因此，在加工机台运作时，仅需利用一个预测模型即可预测工件的所有工件质量。

由于工件质量(轴承的高、入口径、沟径、内径)都与刀具的状态有关。因此，本发明将刀具相关的参数定义为关键零件状态，将不同的工件质量视为不同的任务。再者，利用本发明的多任务学习来获得多个任务之间的共通性(commonality)，于训练的过程可降低回归误差(mean absolute error)，以获得更准确的预测模型，以提升工件合格与否(Go/NoGo)判断的准确度。

另外，当训练阶段完成并建立各种关键零件状态下的工件质量预测模型之后，即进入预测阶段。于进入预测阶段，即不需要利用工件质量量测模块102来量测工件质量，而是利用状态预测模型来预测工件质量。

请参照图2A至图2D，其所绘示为虚拟量测系统于预测阶段利用加工机台参数组以及多个关键零件状态下的工件质量预测模型来预测工件质量参数组的示意图。

于训练阶段后，四个关键零件状态下的工件质量预测模型121～124已建立完成。之后，即进入预测阶段用以预测工件的工件质量。以下的说明以制造第5001个工件开始进入预测阶段。

相同地，于预测阶段，加工机台制造的所有工件(例如工件编号5001～9500)的过程中，所有加工机台参数组x₁～x_n皆被记录并储存于任务数据库(task>

如图2A所示，于制造第5001个工件时，加工机台参数组x₁～x_n：a、ii、x_{3_5001}～x_{n_5001}。于制造第5795个工件时，加工机台参数组x₁～x_n为：a、ii、x_{3_5795}～x_{n_5795}。同理，其他工件的加工机台参数组x₁～x_n不再赘述。

再者，如图2B所示，根据关键零件状态(即，机台参数x₁与机台参数x₂)可知，制造第5001个工件至第5795个工件时为第一关键零件状态，代表低度磨耗(x₁＝a)与崩刀刀具(x₂＝ii)状态。而第5795个工件制造完成后，更换新的刀具。

再者，制造第5796个工件至第7800个工件时为第二关键零件状态，代表低度磨耗(x₁＝a)与正常刀具(x₂＝i)状态。制造第7801个工件至第9000个工件时为第三关键零件状态，代表中度磨耗(x₁＝b)与正常刀具(x₂＝i)状态。制造第9001个工件至第9500个工件时为第四关键零件状态，代表高度磨耗(x₁＝c)与正常刀具(x₂＝i)状态。

请参照图2C，其为预测工件质量参数组的流程示意图。该预测流程可运用软件程序来完成。于预测阶段，机台监控模块110会产生的所有工件所对应的加工机台参数组x₁～x_n记录于任务数据库104。

再者，关键零件状态分析模块112仅根据机台参数x₁(刀具磨耗参数)与机台参数x₂(崩刀参数)来判断制造该次工件时的关键零件状态，并记录于关键零件状态数据库114。

由图2A可知，制造第5001个工件至第5795个工件为第一关键零件状态S₁。制造第5796个工件至第7800个工件为第二关键零件状态S₂。制造第7801个工件至第9000个工件为第三关键零件状态S₃。制造第9001个工件至第9500个工件为第四关键零件状态S₄。而这些关键零件状态S₁～S₄会被记录于关键零件状态数据库114。

当任务数据库104与关键零件状态数据库114记录完成后，关键零件状态数据库114会依序产生四个关键零件状态S₁～S₄至多任务模数据筛选模块(multitask>

再者，多任务模数据筛选模块106会在于任务数据库104中依照关键零件状态S₁～S₄来挑选适合的任务数据T至预测模块210，并且预测模型数据库220提供对应的关键零件状态下的工件质量预测模型至预测模块210。因此，预测模块210根据接收到的关键零件状态下的工件质量预测模型以及任务数据T，并预测工件质量参数组y₁～y₄。

举例来说，当关键零件状态数据库114提供第一关键零件状态S₁至多任务数据筛选模块106以及预测模型数据库220时，多任务模数据筛选模块106即于任务数据库104中选择属于第一关键零件状态S₁的所有加工机台参数组x₁～x_n作为任务数据T。而预测模型数据库220提供第一关键零件状态下的工件质量预测模型121至预测模块210。

根据图2A中任务数据库104的内容可知，任务数据为工件编号5001至工件编号5795所对应的加工机台参数组作为任务数据T。而预测模块210接收任务数据T，并根据第一关键零件状态下的工件质量预测模型121来预测工件编号5001至工件编号5795所对应的工件品质参数组。

同理，当关键零件状态数据库114提供第二关键零件状态S₂至多任务数据筛选模块106以及预测模型数据库220时，多任务模数据筛选模块106即于任务数据库104中选择属于第二关键零件状态S₂的所有加工机台参数组作为任务数据T。而预测模型数据库220提供第二关键零件状态下的工件质量预测模型122至预测模块210。

根据图2A中任务数据库104的内容可知，任务数据为工件编号5796至工件编号7800所对应的加工机台参数组作为任务数据T。而预测模块210接收任务数据T，并根据第二关键零件状态下的工件质量预测模型122来预测工件编号5796至工件编号7800所对应的工件品质参数组。

同理，第三关键零件状态下的工件质量预测模型123可预测工件编号7801至工件编号9000所对应的工件品质参数组；且第四关键零件状态下的工件质量预测模型124可预测工件编号9001至工件编号9500所对应的工件品质参数组。此处不再赘述。

请参照图2D，其为本发明的工件质量参数的预测方法。当预测阶段开始后，于制造一工件的期间，产生一加工机台参数组(步骤S230)。由该加工机台参数组决定一关键零件状态(步骤S234)。接着，根据该关键零件状态来决定对应的一关键零件状态下的工件质量预测模型(步骤S236)。根据该关键零件状态下的工件质量预测模型与该加工机台参数组预测该工件的一工件质量参数组(步骤S238)。

再者，上述的工件质量参数的预测方法可运用于计算机程序产品，储存一软件程序。而利用电子装置所具有的控制器来执行此软件程序即可预测该工件的工件质量。

图2D所示的工件质量参数的预测方法，其介绍制造1个取样工件时，利用其加工机台参数组与关键零件状态下的工件质量预测模型来产生关键零件状态所对应的一工件质量参数组。

相同的原理也可以运用至制造多个工件。也就是说，如图2C结合本发明的内容，将对应的多个加工机台参数组对应至不同的关键零件状态下的工件质量预测模型，并据以产生每个工件的工件质量参数组。

由以上的说明可知，本发明的虚拟量测系统，在加工机台运作的预测阶段，仅需利用加工机台参数组与对应的关键零件状态下的工件质量预测模型，即可预测该工件的工件质量参数组。

以下表a为本发明虚拟量测系统，搭配不同关键零件状态下的工件质量预测模型后所预测的工件品质参数组。

取样工件预测工件高入口径内径沟径1～10005000～57951.442.111.863.441001～30005796～78001.181.011.050.823001～45007801～90001.381.790.911.164500～50009001～95000.320.810.760.99

表a(单位：条)

取样工件编号1～1000的加工机台参数组与工件质量参数组所建立的第一关键零件状态下的工件质量预测模型121运用于预测工件编号5000～5790。由预测的结果可知，工件质量参数y₁(高的误差)为1.44条、工件品质参数y₂(入口径的误差)为2.11条、工件品质参数y₃(内径的误差)为1.86条、工件品质参数y₄(沟径的误差)为3.44条。其中1条代表0.01mm。

同理，取样工件编号1001～3000的加工机台参数组与工件质量参数组所建立的第二关键零件状态下的工件质量预测模型122运用于预测工件编号5795～7800。取样工件编号3001～4500的加工机台参数组与工件质量参数组所建立的第三关键零件状态下的工件质量预测模型123运用于预测工件编号7801～9000。取样工件编号4501～5000的加工机台参数组与工件质量参数组所建立的第四关键零件状态下的工件质量预测模型124运用于预测工件编号9001～9500。

另外，以下表b为不考虑关键零件状态所建立的单一预测模型后所预测的工件品质参数组。

表b(单位：条)

利用取样工件编号1～5000的加工机台参数组与工件质量参数组来建立单一的预测模块。而利用此预测模块来预测工件编号5000～5795、5796～7800、7801～9000、9001～9500。

明显地，由表a的内容可知，本发明的虚拟量测系统具备有较佳的预测结果。

以下表c为比较本发明的虚拟量测系统与现有虚拟量测系统对于预测工件质量的结果。

表c

以表c中，轴承的高为例来说明。利用现有虚拟量测系统以拉索回归建立的预测模型，其预测轴承的高与实际量测的结果之间会有0.71条的误差。利用本发明虚拟量测系统以多任务拉索回归建立的预测模型，其预测轴承的高与实际量测的结果之间会有0.58条的误差。明显地，本发明的虚拟量测系统可以改善18.3％。同理，其他工件质量的预测结果也可以获得改善。

另外，于图2C所示的预测阶段，还可包括一更新模块。当本发明虚拟量测系统中的一关键零件状态下的工件质量预测模型所预测的一工件质量参数组与实际的工件质量参数组之间的差异超过一门坎值(threshold)时，该更新模块会进行更新动作，用来修正该关键零件状态下的工件质量预测模型。

举例来说，第四关键零件状态下的工件质量预测模型124所预测的一工件质量参数组与实际的工件质量参数组之间的差异超过门坎值时，该更新模块会进行更新动作，用来修正该第四关键零件状态下的工件质量预测模型124。

综上所述，本发明的优点在于提出一种虚拟量测系统的预测模型建立方法及其相关预测方法。利用多任务学习来获得多个任务之间的共通性，而于训练的过程可降低回归误差，以获得更准确的预测模型，以提升工件合格与否(Go/NoGo)判断的准确度。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。