◈ GreyTheory WORKBENCH 本機分析 · 資料不送往外部服務

FROM SIGNALS TO FEATURES

把資料放進來，
比較樣本與特徵。

讀光譜、整理製程實驗、比較圖片。載入資料、選擇方法，再執行分析。

HTML 預覽：內建展示是 Python 預先計算結果。即時運算請執行 python3 run.py workbench，開啟不需 server 的本機視窗。

檔案交換：python3 run.py workbench --request greytheory-request.json → 匯入產生的 .result.json

正在載入專案內的展示資料…
DATASET

先載入一組資料

從 PVD 或 CVD 模擬 DOE 開始，或選擇 data/test 裡的 Bruker 檔案。

—樣本 / 位置
—數值特徵
—保留變異量
PROJECTION

樣本差異

執行後顯示 PC1 / PC2；滑鼠移到點上可看樣本。

點越近，代表在這組主成分中越相似。

FEATURE RANKING

哪些特徵值得看？

選擇目標後，顯示 GRA 分數。

執行後顯示排序。

資料預覽

所有結果都屬探索分析，不是預測準確率。

Workbench 操作手冊

光譜入門：從載入到看結果

先把光譜想成「某個量測位置記錄的一長串訊號」。一條線是一個位置；比較多個位置，就能觀察哪裡的訊號組合不同。M4 可做點、線與面掃描；這裡分析的是讀進來的數值。

第一輪照這樣做

  1. 「內建與本機資料」選合成 XRF · 144 個位置。若要試本機實測資料，可選 m4_tornado/minBcf.bcf，目前可讀出 9 個位置。
  2. 「BCF 偵測器」先用 0；「SPX 光譜索引」先用 0。按載入選取資料。
  3. 先確認右側名稱已換成光譜資料，樣本數為 144 或 9。如果出現載入失敗，舊畫面不代表新檔已讀取。
  4. 看「光譜輪廓」：橫軸是能量，縱軸是記錄到的訊號量。先觀察不同線的峰位置、形狀和高度。
  5. 「比較目標」改成不指定目標 · 看資料差異；分析方法選 GreyPCA + 特徵排序，PCA 方法選標準 pca。
  6. 保留主成分用 2；GRA 保留主成分先填 0；保留光譜總計數正規化與預設輸入特徵。
  7. 按執行分析。左圖看位置間的差異，右側找值得回頭檢查的能量區間。
  8. 先記下靠得近／離得遠的樣本，再看排序前幾個區間。不急著刪特徵；需要保存時先下載分析 JSON。

畫面上每一項的意思

操作／圖表意思與第一輪設定
內建與本機資料選資料來源；選完還要按載入。PVD／CVD 是製程數值表，不是光譜。
BCF 偵測器選同一次量測使用的哪個感測器。0 是第一個，不是關閉；不能把不同偵測器當成可直接相加。
SPX 光譜索引選 SPX 中的第幾組光譜，從 0 開始。可能含樣品或背景；載入 BCF 時不用這項。
載入選取資料讀下拉清單中的檔案。右側資料名稱與筆數改變才算載入成功。
選擇 CSV／SPX／BCF從電腦挑另一個檔案，選完立即讀取；不是讀取上方下拉選單。SPX 常只有一筆，單筆可看光譜圖，無法做位置間 PCA。
比較目標問「哪些特徵與這個已知數值較相關」。沒有濃度或品質實測值，先不指定。不要隨便選一個能量欄當品質目標；合成 Cu 混合權重也不是真實 Cu 濃度。
分析方法／PCA 方法前者選整個分析流程，後者選其中的降維方式。第一輪都用標準 GreyPCA／pca，先看懂結果再換方法。
保留主成分用幾個綜合數值描述原本很多欄的差異。先用 2，對應圖上的 PC1、PC2；它們不是兩種元素。
GRA 保留前幾個主成分依已知目標再篩主成分。第一輪填 0 表示不用；填正數時必須有目標。
GRA 參數控制與目標的比較方式。先保留 rho 0.5、zscore、either；這些不是儀器能量或偵測器設定。各參數見手冊「PCA 與 GRA 參數」。
光譜按總計數正規化先讓每個樣本的總訊號量相同，再比較形狀；不會把數值轉成濃度。若要研究總強度差異，可取消後重新比較。上方光譜輪廓仍顯示載入的原始強度。
輸入特徵／全選／還原建議決定哪些欄進入分析。光譜先以最多 64 個相鄰能量區間加總；每一欄是一段能量，不是自動辨識出的元素。第一輪保留預設勾選。
執行分析按目前資料與設定重新計算；改參數後要再按一次。
光譜輪廓橫軸能量是訊號的分類位置；縱軸 Counts 是記錄量，背景估計可能為小數。彩線顯示前 9 個位置，白線是全部位置的平均。峰高不直接等於元素百分比。
位置 y,x／總計數位置座標與該點的總訊號。顏色只反映總量，不是某個元素的濃度圖。
樣本差異／PC1、PC2每個點代表一個樣本或位置；靠近表示在保留的主成分中較相似。離得遠值得回頭檢查原光譜，但不能直接認定材質不同。
保留變異量保留了原資料多少差異。高比例不代表元素辨識率或預測準確率。
特徵排序未指定目標時看能量區間與主成分的相關程度；指定目標後看 GRA。它是檢查優先順序，不是元素濃度或因果證據。
保留前／套用至輸入特徵只勾選排序前幾名，再重新執行。它會改變分析輸入；先保存完整分析，之後再做篩選。
資料預覽／下載分析 JSON預覽顯示部分資料列；JSON 保存這次的設定和結果。一般分析 JSON 不是「匯入 Python 結果」專用的 .result.json。

這次的 BCF 錯誤

unsupported or truncated SFS/BCF signature 表示讀取器沒有辨識出它支援的內部結構。副檔名是 BCF，不代表每種編碼都已支援；這則錯誤本身也不能判定檔案損毀。先用合成 XRF 練習，或由儀器軟體匯出 SPX 看單筆光譜。BCF 載入失敗後，先確認右側仍是哪一組舊資料。

要把能量峰解釋成元素、再估算濃度，還需譜線判讀、校正及適用的定量方法。本頁先協助找差異與值得檢查的區間。

開始與重整

用 python3 run.py workbench 開啟即時分析視窗。直接雙擊 HTML 只能查看內建預覽；新資料或新參數需要 Python 計算。

按右上角「重整頁面」會重新載入介面，回到預設 PVD 資料。已選檔案、參數及畫面上的結果會清除；需要保留時，先下載結果 JSON。重整不會重新啟動 Python；修改 Python 程式後請關閉視窗再啟動。

選擇資料檔

公開展示檔集中在專案根目錄的 data/demo/。CSV 在 doe/，筆跡來源在 handwriting/，已完成報告在 results/。上方「Demo 資料包」可查檔案與操作對照。

先用內建 PVD／CVD 熟悉流程：選資料，再按「載入選取資料」。自己的檔案用「選擇 CSV / SPX / BCF」載入。

  • DOE CSV：UTF-8 編碼，第一列為欄名，每列一筆實驗。製程參數和量測結果分欄；單位可寫在欄名，例如 power_w、thickness_nm。可參考上方的 PVD／CVD CSV。
  • 光譜 CSV：每列一個樣本，每欄一個依序排列的通道；這條匯入路徑視為一般數值表。需要光譜專用窗口或計數處理時，請使用支援的 SPX／BCF。
  • SPX：選儀器匯出的 .spx。光譜索引從 0 開始；含多組光譜時可切換量測或背景。
  • BCF：選光譜地圖 .bcf。偵測器從 0 開始，各偵測器分開分析；部分編碼尚不支援。

先設定偵測器／索引再選檔。若要切換上傳檔的偵測器／索引，修改數值後重新選取檔案；「載入選取資料」只載入下拉清單中的資料。

單檔上限 32 MiB；CSV 最多 5,000 列、256 個數值欄。非數值或含缺值的整欄會排除，請先確認資料預覽。光譜至少 3 筆才能做本頁分析；單筆 SPX 可先看光譜圖。

光譜／DOE：第一次分析

  1. 選內建 PVD，按「載入選取資料」。
  2. 「比較目標」選 thickness_nm；「分析方法」先用 GreyPCA + 特徵排序。
  3. PCA 選標準 pca，保留主成分先用 2；「GRA 保留前幾個主成分」先留 0。
  4. 輸入特徵只勾製程參數。分析膜厚時，不要把其他量測結果一併當成製程參數。
  5. 按「執行分析」。左圖看樣本差異，右側看與目標的 GRA 排序。
  6. 要減少欄位，填「保留前」並按「套用至輸入特徵」，再按一次「執行分析」。按「下載分析 JSON」保存結果。

沒有比較目標時，選「不指定目標」。PCA 路徑會依特徵與主成分的相關程度排序；這和有目標的 GRA 排序不同。修改設定後需要重新執行。

分析方法怎麼選

方法何時用、需要填什麼
GreyPCA + 特徵排序先看樣本差異，再比較特徵；一般 DOE 從這個開始。
GRA只比較特徵與目標，不做 PCA；必須選比較目標。
GM(0,N)／GM(1,N)分析有先後順序的多變量資料；選目標並確認「資料列有合理的先後順序」。不要把無序 DOE 當成時間序列。
灰品質評分排樣本的品質分數。勾要評分的指標，逐欄設定望大、望小或目標值，以及上下界和權重。預設上下界來自資料範圍，請改成適用的範圍；目標值需嚴格落在上下界內。權重不可全為 0。
Grey 窗口 → GreyPCA適用由光譜讀取器載入的連續通道資料。設定窗口大小和位移；窗口不可超過可用通道數。
PoissonPCA只用於非負原始光子計數。不要用背景扣除、濃度、已正規化或估計背景資料。

PCA 與 GRA 參數

  • PCA：先選標準 pca、保留 2 個成分。Sparse 的 alpha 越大通常越稀疏；Kernel 先試 rbf，gamma 控制尺度；Robust 系列用於比較擾動的影響；Adv 的半徑先用 adaptive，manual 才需填 delta。
  • 主成分 GRA 篩選：0 為關閉。啟用時必須選目標，且保留數不可超過已計算的主成分數。
  • GRA：rho 先用 0.5；不同單位先用 zscore。direction 的 either 比較正反向關係，positive 只比較正向關係；不是品質望大／望小。
  • 光譜總計數正規化：要比較光譜形狀時可保留勾選；要保留原始強度差異時取消。DOE 不用這個選項。

主成分正負與變異量都不是品質好壞。若要評品質，使用「灰品質評分」設定指標方向。

圖片比較：選哪些圖片

  1. 先按「試跑 AI 筆跡 demo」看輸出格式。
  2. 「待比較圖片」選 1 張筆跡；「參考圖片」選 3–30 張已分開存好的筆跡圖片。支援 PNG、JPEG、WebP、BMP、TIFF，每張最多 8 MiB。
  3. 先裁掉大面積空白、桌面或邊框。盡量選相同文字、相近範圍與拍攝條件；不要把整張拼貼圖當成多張參考。
  4. PCA 先用標準 pca，按「比較我的圖片」。
  5. 看參考圖片排序與距離；距離越小，表示本次擷取的數值特徵越接近。

更換圖片或 PCA 參數後，重新按比較。模型只用參考圖擬合；距離不是同一作者的機率。

應用實驗室：操作方式

選情境，先保留預設參數，按「執行情境」。看完結果後一次改一項參數，再執行比較；用相同 seed 可重現同一組合成資料。按「結果 JSON」保存。

除「改用自己的時間序列」外，這區使用內建合成資料，沒有配送、藝術品或軌跡檔案的上傳入口。自己的 DOE 請到「光譜 / DOE」，圖片請到「圖片比較」。下方下載的合成輸入 JSON 供程式使用，不是匯入結果檔。

配送路線

選配送點數 3–8，選路目標先用 grey。調整距離、時間、遲到權重後執行，至少一項權重要大於 0。圖上看拜訪順序，表格比較距離、時間及遲到。改用 distance 可比較最短距離路線；權重只對 grey 選路生效。這裡用模擬平面座標，不是真實道路導航。

司機與訂單媒合

設定司機人數、訂單數和三項權重後執行。表格列出配對與未媒合訂單；查看載重、技能或可用時間是否滿足。每名司機最多配一單；訂單較多或資格不符時可以沒有配對。調高接貨距離權重可觀察配對變化。

藝術品區域差異：現場展示

圖片展示：「示範資料來源」選「AI 絹畫圖片」，保留 PCA、3 個成分、門檻 0.95 執行。關閉／開啟標記，比較右上葉片色差與左下花瓣剝落；再提高門檻至 0.99 重跑。此模式直接分析兩張 PNG 的 RGB 特徵，不是光譜；亂數與材料強度不適用。圖片和完整數值在 data/demo/artwork/。以下步驟則使用「合成光譜地圖」。

  1. 執行 python3 run.py workbench，進入「應用實驗室」選藝術品情境。這裡比較合成光譜地圖，不是作品照片。
  2. seed 7、PCA、3 個成分、門檻分位 0.95、材料強度 0.6，按執行。左圖是重建誤差，圈線是超過參考門檻的位置；右圖是刻意變更的 18 個位置，僅用於核對。
  3. 門檻改為 0.99 再執行，通常標記會減少；同時看誤報與漏報。
  4. 恢復 0.95，強度降為 0.2，以相同 seed 再執行，觀察細微差異如何影響檢出。每次下載結果 JSON。

真實作品需要有使用授權、位置對齊、能量校正一致且量測條件可比較的參考／待測光譜地圖。目前此情境沒有實際地圖成對上傳入口。支援的 BCF 可到「光譜 / DOE」探索，但不是這裡的成對差異分析。標記是調查線索，需由修復專家查驗，不能直接判定補畫、年代或真偽。

訂單量預測／Convolution

先選 gm11，預測 2–4 期後執行。看最後 4 期回測與未來預測；切到 convolution 時再設定窗口大小、位移。

自己的序列填在「改用自己的時間序列」：依時間先後輸入 12–120 個正數，用逗號或空白分隔，例如 80, 84, 82, 89, 91, 90, 96, 98, 100, 103, 102, 108。留白使用模擬訂單；此處不讀 CSV。Convolution 是兩層 GM11 窗口。

多維軌跡

選 2、3 或 4 維，先保留 32 個重採樣點與預設窗口，再執行。看 PCA 投影與距離比較；畫面只畫前兩維，分析會使用選定的全部維度。此區產生合成軌跡；真實軌跡需透過 Python API 載入。

光譜工具

選工具後只需填畫面顯示的參數，再按執行。NMF／MCR 用於混合成分分解；MNF／MLPCA 比較噪聲處理；baseline 調整基線平滑；peaks 比較擬峰；element_lines 輸入原子序查譜線。這區使用合成光譜及已知模擬噪聲，分解權重不是元素濃度。

半導體工具

選 PVD 或 CVD，再選製程工具。PLS 看保留資料預測；monitor 看 Q／T² 與門檻；suggest 比較降低均勻度誤差的候選；lhs 產生試驗點。先保留預設參數執行，再調主成分、門檻或候選數。這區使用每製程 15 筆合成 DOE；自己的 CSV 請到第一頁分析。

快速分析四步驟

  1. 選「最佳化 · 快速分析四步驟」，保留預設值，按「執行情境」。這裡不用選檔案。
  2. 按「1 排序穩定性」看每個特徵入選前兩名的頻率；增加重抽樣次數可觀察排名變動。
  3. 按「2 差異門檻」看橘色超標點與紫邊模擬偏移點。偏移強度改成 0 再執行，可檢查正常資料誤報。
  4. 按「3 自動選組合」比較驗證 RMSE，越小越好；摘要另列獨立測試 RMSE。
  5. 按「4 多目標方案」看成本與品質損失；降低成本上限再執行，觀察哪些方案被排除。
  6. 按「結果 JSON」保存參數、完整分析報告與數值。圖表切換不需重算。

資料是 120 筆訓練、60 筆正常校正、60 筆獨立測試。參數變更需要 Python；直接開 HTML 可看預設結果，或用匯出請求／匯入結果重新計算。自己的資料請使用 analyze_features()，這個展示沒有新設資料上傳入口。這不是機台處方或文物修復判定。

研究模型：從預設值開始

  1. 選「研究模型」，方法先用 rlfgm，保留 auto，按執行。圖上比較歷史、保留回測與未來預測。
  2. 選 ginn 或 fginn，再執行；先用窗口 3、先驗權重 0.1。FGINN 可調 order 與 beta，兩者為 1 時回到一般灰色先驗。權重 0 則不使用灰色引導。
  3. 看下方 converged 與診斷。未收斂仍會保留結果與警告；不要只挑最好看的曲線。
  4. 選 grey_fuzzy_gpr，比較一般 GPR 與 Grey–Fuzzy GPR 的保留測試誤差；可靠度只表示本次模糊規則，不是正確率。
  5. 「搭配 PCA」選 on，再選 PCA 方法與主成分數，下方可調該方法專用參數。時序還原三個通道，圖表只顯示第一個；品質可靠度只反映保留成分。
  6. 按「結果 JSON」保存。這區使用合成資料，不用選檔案；自己的序列與量測請使用 forecast_series()、predict_quality() 或模型 API。

RL-FGM 是公式核心實作，但使用時間保留段與格點選階數。GINN／FGINN 是明確記錄變更的工程版本；Grey–Fuzzy GPR 是獨立設計。都不是作者實驗的完整重現，也不支援非等間隔日期。直接開 HTML 可切換預設結果；改參數需要本機 Python 或請求／結果交換。

結果檔與離線交換

即時視窗：分析後按「下載分析 JSON」或「結果 JSON」。這些 JSON 保存結果，不是原始 CSV，也不是可匯入的新資料集。

直接開 HTML：需要新計算時，按「匯出運算請求」，執行 python3 run.py workbench --request greytheory-request.json，再用「匯入 Python 結果」選產生的 greytheory-request.result.json。請勿選原始請求或一般結果 JSON。

若按執行後沒有結果，先看頁面頂端的錯誤訊息；確認資料筆數、所選欄位和參數範圍。出現預覽提示時，改用即時視窗或檔案交換。