用于提供复杂制造系统的关键性能指标的预测的方法和设备与流程

用于提供复杂制造系统的关键性能指标的预测的方法和设备
1.本发明涉及一种计算机实现的方法和设备，该方法和设备用于在制造过程中提供要由复杂制造系统制造的产品族的产品变体pv的关键性能指标kpi的预测。
2.复杂制造系统目前面临着各种挑战，这些挑战与对可配置甚至可定制的产品、短的交付时间和降低的生产成本的强烈需求有关。因此，出现了其中固定的工作计划和机器分配不再可行的适应性强且灵活的制造系统。然而，这些适应性强且灵活的制造系统的复杂性也对效率评估是一项重大挑战，因为对产品族的不同产品变体pv的效率有关的关键性能指标进行正确评估并不容易。术语“效率”在此用作对生产控制感兴趣的许多可能指标的占位符。指标可以是绿度、生产成本和/或生产时间的多种表现形式。
3.虽然传统的生产效率模型可以用于严格的生产执行流程和预定义的工作计划，但是传统的生产效率模型在涉及灵活的复杂制造系统时就达到了其极限，灵活的复杂制造系统用来生产产品的产品族pf中的小批量不同的产品变体pv。
4.因此，本发明的目的是提供一种方法和设备，该方法和设备提供复杂制造系统的关键性能指标的预测以提高这种复杂制造系统的生产效率，以及/或者为制造商提供支持用于确定某种产品变体pv的生产是否在技术上可行以及是否可以有效执行。
5.根据本发明的第一方面，通过包括权利要求1的特征的计算机实现的方法来实现该目的。
6.根据第一方面，本发明提供了一种计算机实现的方法，该方法用于在制造过程mp中提供对由复杂制造系统msys制造的产品族pf的产品变体pv的关键性能指标kpi的预测，其中，该方法包括以下步骤：
7.针对用来制造产品族pf的产品变体pv的每个制造操作类型mot，提供制造操作模型mopm，
8.使用复杂制造系统的测量结果和功能来提供可以在已被执行以制造同一产品族pf的产品变体pv的制造过程mp期间收集的制造操作mo的关键性能指标、过程上下文数据pcd和过程执行数据ped，
9.基于收集的过程上下文数据pcd和收集的过程执行数据ped以及测量的对关键性能指标的贡献自动地学习所提供的制造操作模型mopm的模型参数以更新制造操作模型mopm，以及
10.结合更新的制造模型mm——更新的制造模型mm包括更新的制造操作模型mopm'——评估更新的生产效率模型pem以计算要由所述复杂制造系统msys取决于相应产品变体pv的产品配置而制造的产品变体pv的关键性能指标的预测。
11.生产效率模型pem包括制造模型mm。每个制造模型mm是先验的产品变体pv详情，并且包括组成规则和相应产品变体pv的制造操作模型mopm，所述组成规则指示效率贡献如何必须被组合以针对产品变体pv和给定的生产过程计算总效率关键性能指标kpi。然而，通常许多产品变体pv仅在其制造操作mo的过程执行数据ped上不同，并且可以应用同一组成规则。因此，制造模型mm可以被视为实际上适用于整类的产品变体pv。给定的制造操作模型mopm可以被涉及同一制造操作类型mot(可能具有不同的执行参数，以下称为过程执行数据
ped)的许多不同产品变体pv的不同制造模型mm使用。关于哪些制造操作mo以及因此哪些制造操作模型mopm必须包括在给定制造模型mm中的信息由过程清单bop提供，并且可以例如由产品生命周期管理系统plm自动传输。
12.关键性能指标kpi在功能上取决于用于制造产品变体pv的所述过程执行数据ped。过程执行数据ped包括描述如下物理执行所需的所有数据：制造操作mo的物理执行，或者当在生产整个产品变体pv的层面使用时生产过程中涉及的所有制造操作mo的物理执行。它们是过程清单bop和材料清单bom中的过程描述的一部分。例如，ped可以包括诸如要钻孔的井眼的深度和宽度、处理的材料体积的几何数据，或者诸如所需的温度的环境条件。这些数据可以手动或自动从构成生产过程的基础的材料清单(bom)和过程清单(bop)中提取。假定他们在复杂制造系统msys中可用。在现实生活生产过程中观察到的实际ped可能与这些指定的ped略有不同。本方法通过对照指定的ped来测量关键性能指标kpi的现实生活的值来自动地处理这样的差异，无论是系统性的还是随机性的。以这种方式获得了指定ped和kpi之间的(部分随机的)关系。仅指定的ped，而不是其随机波动的现实生活的对应物通常在复杂制造系统msys和人的生产管理的控制之下，并且因此该映射是需要被建立的以实现所述第一方面。然而，其中现实生活的ped可能与规范有很大不同并且是可测量的，复杂制造系统msys可以被配置成使用现实生活的ped而不是指定的值。
13.在根据本发明的第一方面的计算机实现的方法的可行实施方式中，提供的在用于制造同一产品族pf的产品变体pv的制造过程期间收集的过程上下文数据包括：
14.在相应制造过程期间执行的制造操作的顺序和结构，
15.通过制造操作的顺序制造的产品变体pv的配置，以及
16.指示同一产品族pf的产品变体pv的制造过程被执行的时间的时间上下文数据。
17.在根据本发明的第一方面的计算机实现的方法的可行实施方式中，制造操作模型的ped可以包括连续和/或离散变量。
18.在根据本发明的第一方面的计算机实现的方法的可行实施方式中，由复杂制造系统的制造执行系统提供的关键性能指标从由复杂制造系统的传感器和/或测量装置提供的测量数据导出。
19.在根据本发明的第一方面的计算机实现的方法的又一可行实施方式中，形成过程上下文数据的一部分的制造操作的顺序和结构由复杂制造系统的产品生命周期管理系统提供。
20.在根据本发明的第一方面的计算机实现的方法的可行实施方式中，使用神经网络、决策树或支持向量机在训练阶段来进行制造操作模型的模型参数的学习。
21.在根据本发明的第一方面的计算机实现的方法的可行实施方式中，模型参数通过执行回归过程迭代地适应。
22.在根据本发明的第一方面的计算机实现的方法的可行实施方式中，神经网络包括前馈神经网络。
23.在根据本发明的第一方面的计算机实现的方法的可行实施方式中，神经网络包括循环神经网络。
24.在根据本发明的第一方面的计算机实现的方法的可行实施方式中，评估针对同一产品族pf的不同产品变体pv预测的关键性能指标以提供可以在生产变体
(productionvariant)pdv和/或由复杂制造系统msys制造的产品变体(product variant)pv的选择中使用的标准，如下所述：
25.如果对于给定的产品变体存在不同的生产变体pdv，则针对所有生产变体pdv预测性地计算有关的关键性能指标并且可以确定用于生产相应产品变体的最佳生产变体pdv。
26.另一方面，具有其最佳生产变体pdv的不同的产品变体可以相对于有关的关键性能指标kpi被评估，并且可以相互比较。然后，制造商可以基于比较结果确定是否不能以足够的效率生产某些产品变体pv，并且可以省略这些产品变体pv的生产。
27.在根据本发明的第一方面的计算机实现的方法的可行实施方式中，制造过程包括提供如下数据的一个或更多个制造过程周期，这些数据被结合以使制造操作模型的模型参数适应或者被用于针对每个制造过程周期来使制造操作模型的模型参数适应。
28.根据另一方面，本发明还提供了一种预测设备，该预测设备被配置成计算要由复杂制造系统msys生产的产品族pf的产品变体pv的关键性能指标kpi的预测该复杂制造系统msys包括权利要求15的特征。
29.根据第二方面，本发明提供了一种预测设备，该预测设备适于提供针对要由复杂制造系统msys生产的产品族pf的产品变体pv的关键性能指标kpi的预测该复杂制造系统msys使用复杂制造系统的测量结果和功能提供在被执行以制造产品族pf的产品变体pv的制造过程期间收集的制造操作的关键性能指标、过程上下文数据和过程执行数据，所述预测设备包括处理单元，该处理单元适于处理关键性能指标、过程上下文数据和过程执行数据以自动地学习用于制造同一产品族pf的产品变体pv的制造操作类型的制造操作模型的模型参数以更新制造操作模型mopm，该处理单元还适于结合包括更新的制造操作模型mopm的更新的制造模型mopm来评估更新的生产效率模型以计算要由所述复杂制造系统msys取决于所述产品变体pv的产品配置而制造的产品变体pv的关键性能指标的预测
30.在根据本发明的第二方面的复杂制造系统的可行实施方式中，评估针对同一产品族pf的不同产品变体pv预测的关键性能指标以协助选择特定生产变体pdv和/或要由所述复杂制造系统msys制造的产品变体pv。
31.必须引入生产效率模型pem，其能够表示所有产品变体pv和对应的制造生产变体pdv的相关结构。通过这样的生产效率模型，可以评估产品变体pv是否可以在期望的效率范围内生产，例如以有竞争力的成本生产。基于生产效率模型pem的分析使对总生产效率的不同贡献透明，尤其是使占支配地位的贡献透明。在生产成本的情况下，这符合肇因者负责(cost
‑
by
‑
cause)原理。传统成本模型没有以令人满意的方式合并肇因者负责原理的原因与以下事实有关：间接成本是基于每个产品变体pv的估计销售数字分布的，如果对于那些数字使用了错误的估计则可能会导致错误的数目。此外，那些间接成本中的一些实际上是仅作为间接成本处理的直接成本，这是因为对直接成本的相关信息的准确评估被认为过于昂贵。典型的示例是每个制造操作的精确能耗，或与制造操作相关联的磨损程度。对于这些示例的直接成本或生产效率评估有难度，因为制造操作的处理时间和资源分配取决于分配的制造资源和生产配置。
32.由根据本发明的方法和设备使用的提出的生产效率模型pem在应用于生产成本时
以更准确的肇因者负责原理导向的成本结构和其透明度的增强来解决这些挑战。另外，提出的生产效率模型pem还旨在提高模型本身的准确性。
33.提出的方法和设备的总体目标是以尽可能少的努力确定每个产品变体pv的生产效率，以便实现以下两个主要益处：
34.针对给定的产品变体pv自动选择最有效的生产变体pdv，使得不需要人为干预并且由提出的计算机实现的程序发出物理生产系统跟踪命令；
35.如果在生产变体pdv的可能最好的选择下所考虑的产品变体pv相对于某些组的配置的关键性能指标kpi可以以足够的效率生产，则进行自动评估。在缺乏这种可能性的情况下，系统可以向生产管理发出警告并且可能不会自动接受生产订单。
36.此外，由根据本发明的本功能提供的分析可以用于确定生产的经济和技术可行性，并且用于为产品定价提供有效的基础。
37.根据本发明的方法可以从对已经生产的产品变体pv的测量结果开始。这些结果也可以用于对尚未完全生产的同一产品族pf的产品变体pv进行估计。
38.总而言之，该环境是具有大量不同的可能的产品变体pv(不同的可能的产品变体pv中的每个产品变体pv可能以低频率且以每订单少量的形式出现)的敏捷制造的环境，不同的可能的产品变体pv共享一些材料和生产操作但是在其他方面不同。
39.由根据本发明的方法克服的第一核心问题是目前不可能使生产效率结构透明(肇因者负责原理)。由根据本发明的方法克服的第二核心问题是目前不可能自动地学习和更新由敏捷制造系统使用的生产效率模型的参数。
40.在下文中，参照附图更详细地描述本发明的不同方面的可行实施方式。
41.图1示出了用于示出根据本发明的方面的复杂制造系统的示意图；
42.图2示出了根据本发明的计算机实现的方法的可能的示例性实施方式的流程图；
43.图3示出了用于示出根据本发明的方法和系统的可能的示例性实施方式的示意图；
44.图4示出了用于示出根据本发明的方法和系统的操作的又一示意图；
45.图5示出了用于示出在根据本发明的方法和系统的可能的实现方式中执行的递归适应过程的又一示意图；
46.图6至图13示出了用于说明根据本发明的方法和设备的操作的示例；
47.图14、图15示出了用于说明根据本发明的方法和系统的图。
48.从图1的示意图可以看出，复杂制造系统msys可以扩展并且可以包括处理单元pu，该处理单元pu接收在被执行以制造同一产品族pf的产品变体pv的制造过程期间收集的制造操作mo的对关键性能指标kpi的制造操作mo特定贡献即效率函数值efv、过程上下文数据pcd和过程执行数据ped。接收到的对关键性能指标kpi(efv)的制造操作mo特定贡献与单独的制造操作mo有关。它们形成对制造的产品变体pv的关键性能指标kpi的贡献。处理单元pu已经访问制造操作模型mopm和制造模型mm，并且可以处理接收到的对关键性能指标kpi的制造操作mo特定贡献(效率函数值efv)、接收到的过程上下文数据pcd和接收到的过程执行数据ped以自动地学习为用来制造同一产品族pf的产品变体pv的不同制造操作类型mot提供的制造操作模型mopm的模型参数以更新又如图5中所示出的各个制造操作模型mopm。该处理单元pu还适于使用更新的制造操作模型mopm以计算要由复杂制造系统msys取决于相
应产品变体pv的产品配置而制造的一个或更多个产品变体pv的关键性能指标的预测处理单元pu可以评估包括又如由图15的uml图所示出的制造模型mm的生产效率模型pem。一个或更多个产品变体pv的每个制造模型mm与又如图15中所示出的相应产品变体pv中涉及的制造操作模型mopm有关。制造模型mm还包括如下规则：其定义效率贡献如何被组合以计算一组产品变体pv和给定生产过程的总效率kpi。通过更新其制造操作模型mopm来更新每个制造模型mm。通过更新制造模型mm来更新生产效率模型pem。评估更新的生产效率模型pem以计算一个或更多个产品变体pv的效率关键性能指标的预测然后可以进一步分析或评估针对同一产品族pf的不同产品变体pv预测的关键性能指标以提供可以用于协助选择特定生产变体pdv和/或然后由复杂制造系统msys制造的产品变体pv的选择标准。
49.由复杂制造系统msys提供的观察到的关键性能指标贡献efv(效率函数值)可以包括各种不同的关键性能指标贡献，例如生产相应的产品变体pv所需的制造时间或用于生产相应的产品变体pv的制造过程期间消耗的所需资源。过程上下文数据pcd包括可以分配给生产过程的各个过程步骤的元数据。过程上下文数据pcd可以包括指示产品变体pv的数据，相应的过程步骤或制造操作mo已被用于该产品变体pv。此外，过程上下文数据pcd可以包括关于过程的数据，该过程由用于制造相应的产品变体pv涉及的过程或制造步骤的顺序组成。过程执行数据ped包括以定量方式描述过程或制造步骤的执行的数据，例如在钻孔制造步骤的情况下钻孔的深度或钻孔的宽度。过程执行数据ped形成用于计算对关键性能指标kpi的影响的基础。根据该制造操作类型mot的任何具体制造操作mo的过程执行数据ped，制造操作模型mopm描述了制造操作类型mot以及对来自该制造操作类型的关键性能指标kpi的贡献。
50.复杂制造系统msys适于制造一个或更多个产品族pf，其中每个产品族pf包括一批在其配置上略有不同的产品变体pv。这些差异可能出现在常见制造操作类型mot的过程执行数据ped中，也可能出现在涉及其自身的制造操作类型mot中。根据产品族pf的定义，不同的产品变体pv将共享几乎所有涉及的制造操作类型mot，而共享的制造操作类型mot的ped在产品变体pv之间可能有很大不同。例如，产品变体pv可以由于总共一百个制造操作类型内的两个制造操作类型mot而与同一产品族pf的另一产品变体pv不同。该方法允许将ped的特定值的测量信息转换为同一制造操作类型mot的ped的其他值。
51.因此，存在高度的可重复使用的信息，其可以从同一产品族pf的先前生产的产品变体pv的生产期间的制造步骤期间执行的显式测量结果导出。因此，代替必须针对每个产品变体pv都明确地测量对kpi的制造操作mo特定贡献——由于在产品族pf内选择和组合特征选项的可能性很大，因此在实践中不可行或极其繁琐——根据本发明的该方法允许基于对相对少量的实际生产的产品变体pv的测量结果来可靠地估计尚未生产的大量产品变体pv的kpi。针对每个制造操作类型mot的少量测量结果——无论其发生的产品变体pv上下文——足以为涉及这些同一制造操作类型mot但是具有任意的、通常不同的过程执行数据ped的任何尚未生产的产品变体pv来生成kpi预测。
52.根据本发明的方法和系统使用包括产品变体pv特定制造模型mm的生产效率模型pem。生产效率模型pem可以表示用于不同产品变体pv和相应制造过程变体的kpi结构。例如，通过生产效率模型pem，可以评估是否可以以具有竞争力的效率生产产品变体pv。由处
理单元pu基于生产效率模型pem进行的分析可以使对总生产效率的不同贡献(广义的肇因者负责原理)透明，尤其是使占支配地位的贡献透明。预测的关键性能指标的可信赖的和精确的知识也可以用于优化生产过程。根据本发明的方法和系统允许针对需要相对较少计算资源的每个产品变体pv确定预测的关键性能指标以便评估生产的可行性。在基本层次上，根据本发明的系统使用对过去已经由复杂制造系统msys生产的不同产品变体pv执行的测量结果。处理单元pu还可以对由制造系统msys尚未生产的产品变体pv进行估计或预测。采用学习算法来更新制造操作模型mopm。根据本发明的方法可以在复杂制造系统msys中使用，该复杂制造系统msys具有非常多的不同的可能的产品变体pv，其中，每个产品变体pv可以以低频率和以每个订单的少量或大量出现，并且其中，产品变体pv共享一些材料和生产操作但是在其他生产操作和/或材料方面可以不同。
53.图2示出了根据本发明的方面的计算机实现的方法的可能的示例性实施方式。在示出的流程图中，计算机实现的方法用于提供要由复杂制造系统msys(在将来)在制造过程mp中制造的产品族pf的产品变体pv的关键性能指标kpi的预测。在示出的示例性实施方式中，计算机实现的方法包括四个主要步骤s1、s2、s3、s4。
54.在第一步骤s1中，为用于制造产品族pf的产品变体pv的每个制造操作类型mot提供制造操作模型mopm。
55.在进一步的步骤s2中，复杂制造系统msys提供制造操作mo的测量的关键性能指标贡献efv、过程上下文数据pcd以及过程执行数据ped，这些数据可以在已被执行以制造同一产品族pf的其他产品变体pv的制造过程mp期间收集。
56.在进一步的步骤s3中，基于收集的过程上下文数据pcd和收集的过程执行数据ped以及测量的对关键性能指标kpi的制造操作mo特定贡献即效率函数值efv自动地学习提供的制造操作模型mopm的模型参数p以更新制造操作模型mopm。如果复杂制造系统msys的制造车间msf上存在这种测量，则这种测量可以使用来自合适的传感器或合适的装置(例如用于对能源kpi的贡献的能源计)的数据以便自动地确定kpi值。
57.在最后的步骤s4中，对结合更新的制造模型mm——其又包括更新的制造操作模型mopm'——的更新的生产效率模型pem进行评估以计算关于要由所述复杂制造系统msys取决于相应产品变体pv的产品配置而制造的相应产品变体pv的关键性能指标的预测
58.测量的、观察的或导出的对关键性能指标kpi的制造操作mo特定贡献作为效率函数值efv由复杂制造系统msys提供，又如图1的框图中所示出的。在可能的实施方式中，对关键性能指标kpi的制造操作mo特定贡献和过程执行数据ped由复杂制造系统msys的制造执行系统mes提供。对关键性能指标kpi的制造操作mo特定贡献(即效率函数值efv)由测量结果以及复杂制造系统msys的函数提供。每个kpi贡献的值是根据基于测量结果的kpi的定义确定的。由复杂制造系统msys的这种制造执行系统mes提供的观察到的对关键性能指标kpi的制造操作mo特定贡献可以从由复杂制造系统msys的传感器提供的测量数据或传感器数据导出。观察到的对关键性能指标kpi即效率函数值efv的制造操作mo特定贡献可以与各种不同的指标例如在产品变体pv的制造期间应用的生产步骤的持续时间有关。
59.在用于制造同一产品族pf的产品变体pv的制造过程mp期间收集的过程上下文数据pcd可以包括：在可能的实施方式中在相应的制造过程mp期间执行的制造操作mo的顺序
和结构；由制造操作mo的顺序所制造的产品变体pv的配置；以及在可能的实施方式中，指示制造系统msys已经执行同一产品族pf的产品变体pv的制造过程mp的时间的时间上下文数据。在可能的实施方式中可以由复杂制造系统msys的产品生命周期管理plm系统提供形成过程上下文数据pcd的一部分的制造操作mo的顺序和结构。制造模型mm的组成规则——其确定如何从制造操作mo特定贡献efv中获得给定产品变体pv的完整关键性能指标kpi——通常不仅取决于关键性能指标kpi的类型，而且可以取决于制造过程mp的结构，特别是取决于制造操作mo的所述顺序和结构。例如，对于表示制造某个产品变体pv的总持续时间的关键性能指标kpi，参与该产品变体pv的生产的并行制造操作mo的持续时间必须与该同一产品变体pv的顺序制造操作mo的持续时间区别处理。由制造模型mm使用的组成规则涉及关键性能指标kpi的类别和制造过程mp的类别，其可以以与对完整关键性能指标kpi的制造操作mo特定贡献的组成有关的同一方式被处理。在最简单的情况下，特别是对于通过制造操作mo特定贡献的简单求和获得的关键性能指标kpi的类别，不依赖于在制造过程mp内的制造操作mo的顺序结构。所述组成规则必须手动配置，但是因为其适用于关键性能指标kpi和制造过程mp的整个类别，因此将只有有限数目的组成规则。特别地，组成规则通常不依赖于制造操作mo的生产变体pv特定过程执行数据ped。
60.可以在步骤s2中在已被执行以制造同一产品族pf的产品变体pv的制造过程期间收集观察的制造操作mo的关键性能指标贡献(即，效率函数值efv)、过程上下文数据pcd和过程执行数据ped。
61.之后，基于接收到的观察到的关键性能指标贡献、接收到的过程上下文数据pcd和接收到的过程执行数据ped自动地学习提供的制造操作模型mopm的模型参数p以更新存储的制造操作模型mopm。步骤s3中制造操作模型mopm的模型参数p的学习包括：在可能的实施方式中模型参数p的迭代适应。可以以多种方式在训练阶段执行学习。
62.在可能的实施方式中，可以通过在步骤s3中执行回归过程来迭代地使模型参数p适应。在另一实施方式中，可以通过使用神经网络nn或通过使用决策树或通过使用支持向量机svm来迭代地使制造操作模型mopm的模型参数p适应。在可能的实施方式中，采用的神经网络nn可以包括简单的前馈神经网络。在另一替代实施方式中，使用的神经网络可以包括循环神经网络rnn。
63.在步骤s4中，更新的制造操作模型mopm'被用来计算要由复杂制造系统msys取决于接收到的相应产品变体pv的输入产品配置而制造的产品变体pv的关键性能指标的预测步骤s3中的制造操作模型mopm的更新导致产品变体pv的制造模型mm的更新，其进而更新生产效率模型pem。可以预先评估为同一产品族pf的不同产品变体pv所预测的关键性能指标以选择在以下制造过程mp中要由复杂制造系统msys的制造车间msf的机器制造的单个(最佳)生产变体pdv和/或一个或更多个产品变体pv。
64.制造过程mp可以包括提供数据的一个或更多个制造过程周期，这些数据被组合以使制造操作模型mopm的模型参数p适应或者被用于针对每个制造过程周期来使制造操作模型mopm的模型参数p适应。
65.图3示意性地示出了根据本发明的方法和系统的可行实施方式。在示出的实施方式中，复杂制造系统msys包括产品生命周期管理系统plm和制造执行系统mes，该制造执行系统mes从制造系统的制造车间msf接收数据。处理单元pu经由数据接口连接到制造执行系
统mes系统，如图3中所示出的。制造执行系统mes从产品生命周期管理plm得到过程上下文数据pcd和计划的过程执行数据ped
p
。制造执行系统mes从制造车间msf接收效率函数值efv和可能测量的产品执行数据ped
m
。制造执行系统mes将过程执行数据ped、过程上下文数据pcd和效率函数值efv中继到包含制造操作模型mopm和制造模型mm的处理单元pu。处理单元pu包括一个或更多个处理器，处理器适于执行计算机实现的方法以提供关键性能指标的预测如图2的流程图所示出的。在可能的实施方式中，处理单元pu可以首先基于制造操作模型mopm计算由制造执行系统mes执行的制造过程mp的每个制造操作mo的关键性能指标贡献。然后，处理单元pu基于制造模型mm将这些贡献组合成预测的关键性能指标所述预测的关键性能指标可以针对任何感兴趣的产品变体pv被评估。采用的制造操作模型mopm和制造模型mm形成生产效率模型pem的一部分，该生产效率模型pem用于针对所有产品变体pv计算感兴趣的效率kpi。然后可以在制造执行系统mes内输出或显示这种效率评估的结果。该预测是根据对感兴趣的kpi的所有制造操作mo特定贡献的预测构造的，并且因此这些贡献也可以例如使用基于由产品生命周期管理plm系统提供的数据的过程符号来单独显示。
66.图4示出了用于生产同一产品族pf的两种不同的产品变体pv
‑
a、pv
‑
b的执行流程图。不同的制造操作mo可以并行和/或串行执行以制造特定产品变体pv的产品。在图4的示例中，pv
‑
a和pv
‑
b的差别不仅在于制造操作mo1、mo2和mo3的可能不同的参数化，而且在于pv
‑
a使用制造操作mo4而pv
‑
b使用制造操作mo5的事实。
67.系统可以包括容纳产品数据和过程计划数据的产品生命周期管理plm。可以提供通用的过程清单bop和材料清单bom文件，其中描述了产品族pf的所有产品变体pv的制造过程mp、对应的制造操作mo、关于计划结构中使用的制造资源和材料清单bom中的材料的数据或信息。制造车间msf的计划结构可以包括制造资源，特别是使用的制造车间msf的制造机器和工具，他们是制造不同的产品变体pv所需的。材料清单bom可以用于描述完整产品序列的不同材料、零件和部件。产品生命周期管理plm可以包括产品配置器，该产品配置器可以用于生成产品变体pv特定过程清单bop和材料清单bom。
68.在先进的制造工厂，特别是工业4.0类型的工厂中，通常有不止一种生产给定产品变体pv的可能性，并且因此不止一种bop。例如，这些可能在用于某个制造步骤(例如将零件粘合而不是将零件拧在一起)的技术方面不同，或者在组装步骤或仅仅不同机器的定义方面不同，所述不同机器具有可以用于同一生产操作的不同的生产效率。本构思容许处理不同的生产变体pdv，并且以下所有考虑同样适用于每个生产变体pdv。
69.制造操作模型mopm的ped可以包括连续和/或离散变量，例如钻孔的深度和宽度(连续情况)或者材料类型(离散情况)。连续变量主要出现在机械加工、形成和铸造领域，然而离散变量主要出现在连接领域。某些制造操作类型mot也可以涉及两种类型的变量，即连续变量和离散变量。
70.制造操作模型mopm可以包括效率函数ef(用于具有连续参数的操作)，并且这些可以取决于若干过程执行数据ped如处理时间。效率函数ef根据过程的物理性质和根据感兴趣的效率kpi建模。他们实际上是对感兴趣的效率kpi的制造操作类型mot特定贡献。他们通常包含其精确值未知且由本方法确定的模型参数。例如，如果效率kpi是能耗并且已知所考
虑的制造操作类型mot对该kpi的贡献线性地依赖于制造操作mo的持续时间，那么该线性关系的比例系数是要确定的模型参数。因此，效率函数ef在单个制造操作类型mot的层次上定义，并且应被视为该mot对确定产品变体pv的kpi的贡献。
71.mopm还可以包括映射表(用于具有离散ped的操作)。在这种情况下，没有未知的模型参数要确定，但是本方法仍将例如通过形成平均值来结合用于ped的同一值的结果。
72.为简单起见，术语“效率函数”ef实际上用于两种情况(离散和连续ped)。此外，从广义上讲，制造操作模型mopm的每个效率函数ef是相应的制造操作类型mot对产品变体pv的某个关键性能指标kpi的贡献。
73.此外，生产效率模型pem可以包括若干主要类型的效率驱动因素，这些效率驱动因素可以有助于生产产品族pf的产品变体pv的整体效率kpi。这些效率驱动因素可以包括消耗品和磨损。消耗品可以包括在制造操作mo的执行期间直接消耗的资源诸如电能、化石燃料和任何种类的材料。消耗品的测量可以通过每台生产机器的相应仪表装置来完成。例如，能耗通常可以通过较小的努力来测量。
74.另一效率驱动因素如磨损，与使用过的机器和工具的维护、修理和操作成本相关联。复杂制造系统msys的每台机器和工具可以在一定范围内有效工作，该范围由两个边界即机器和工具的初始状态和磨损阈值来划定。一旦达到磨损阈值，就必须维护相应的机器或工具以便再次达到其初始状态。这种情况的示例是钻头的磨损。因此，需要特定钻头的每个执行的制造操作mo都会导致其磨损，直到达到磨损阈值并且需要更换钻头。因此，需要根据由不同制造操作mo引起的磨损的百分比来分配与更换钻头相关联的工作量。磨损以及消耗的资源可以是离散的或连续的类型。每个制造操作mo的磨损成本可以在可能的实施方式中建模为机器使用时间加上可能的机器操作模式/机器参数设置的函数。机器使用时间可直接测量。
75.另一可能的操作效率贡献是由重组成本给定的，所述重组成本起因于在从一种产品变体pv更改为另一种产品变体pv时，必须重新配置制造系统msys的机器。当然，这种效率降低是否发生取决于生产的类型和制造系统msys中使用的机器的类型。可以存在不取决于生产操作mo的执行的另一生产成本贡献，例如占用空间成本和折旧。
76.另一主要类别的生产效率驱动因素可以由生产操作持续时间给定。用于生产某个产品变体pv的总时间是这些的函数，因为可能存在并行分支而不一定是简单的求和，如图4中所示出的。
77.与制造操作模型mopm相比，制造模型mm不仅包括效率函数ef(即操作特定kpi贡献)，而且确定了如何将制造操作类型mot特定效率函数ef聚合为整体效率函数，即由同一制造模型mm管理的一个或更多个产品变体pv的整个生产的关键性能指标kpi。聚合法则不一定是制造操作类型mot特定贡献的简单求和。
78.可以遍及整个涉及不同的产品或产品变体pv的不间断的生产周期考虑生产过程。可以有涵盖所有不同的产品变体pv的n个生产操作类型mot的总体集合。两种产品可以由部分或完全相同的制造操作类型mot生产，但是常见的制造操作类型mot通常可以通过其参数化而不同，即他们可以具有带有不同的过程执行数据ped的值的制造操作mo。
79.根据可以为涉及的每个制造操作mo单独定义的贡献，可以使用生产效率模型pem计算产品变体pv的任何效率关键性能指标kpi。这些贡献又可以由产品特征和构造信息来
确定。贡献不取决于产品上下文，使得如果具有同一过程执行数据ped的制造操作mo出现在两个不同的产品变体pv中但使用同一机器，则其贡献将相同。换言之，贡献不取决于存在哪些其他制造操作mo用于制造产品变体pv。在一个或更多个已经实际生产的产品变体pv的情况下，对于尚未生产的其他产品变体pv(预测)，这对于为特定制造操作mo收集的信息重复使用的可能性是基础。
80.制造操作mo的操作效率贡献(效率函数值efv)取决于其过程执行数据ped。ped又由产品特性和构造信息确定。他们通常不依赖于制造操作mo相对于其他制造操作mo执行的相对顺序。例如，在感兴趣的效率kpi是总生产成本的情况下，总生产成本通常可以作为与生产过程中发生的各个制造操作mo有关的生产成本的总和获得，而与其相对顺序无关。该范式的突出示例是汽车行业，其中公司使用模块化构造套件来降低内部复杂性，在不同的产品变体pv中重复使用车辆的某些模块。例如，空调模块的组装成本取决于空调的类型，而不取决于车辆的其他特性例如选择的发动机(汽油、柴油等)、变速箱(自动或手动)、车身类型(旅行车、掀背式车、豪华轿车等)，并且不取决于中间工件(车辆)的生产状态即某些其他零件(例如手套储物柜)是否已经组装的问题。这使得可以由该制造操作mo通过结合同一产品族pf的许多产品变体pv内的数据针对每个有空调作为特征的产品配置重复使用该成本或kpi术语，导致关于关键性能指标kpi贡献特别是成本的可用统计数据大幅增加，。这假设由复杂制造系统msys生产的所有产品在常见制造操作类型mot方面具有相当程度的相似性。
81.对于制造操作mo，可以为制造操作模型mopm指定一组效率函数ef(例如，以具有给定次数的若干变量形式的多项式函数，涉及对于连续过程执行数据ped的相关性)。对于相对较大的生产效率kpi例如生产成本或能耗的类别，其中操作1次出现n1次，操作2次出现n2次，操作n次出现n
n
次的产品变体pv的kpi的一般形式是：
[0082][0083]
其中，c
total
是为n个不同的制造操作类型mot考虑的效率kpi的总值，其中出现多样性为n1…
n
n
。其是作为效率函数(ef)的总和c
i
获得的。
[0084]
对于其他类别的生产效率kpi，eq(1)必须被替换为适当的公式，该公式描述来自各个贡献(效率函数ef)的总效率kpi的组合。为具体起见，在该描述中，假设形式eq(1)，但是所提出的方法不限于此。
[0085]
等式(1)可以针对每个效率关键性能指标kpi单独写成，并且最终可以通过简单地对每个关键性能指标的c
total
值进行相应的加权求和来考虑效率关键性能指标kpi的任何加权线性组合。作为示例，可以考虑两种类型的关键性能指标kpi：“与材料消耗有关的生产成本”和“与磨损有关的生产成本”。在这种情况下，可以简单地将两个基本的关键性能指标kpi相加以获得如下的总生产成本：
[0086]
每个分别与不同的生产执行变量v
(i)(材料)
和v
(i)(磨损)
相关联。
[0087]
对于确定的制造操作类型mot(与不同的kpi有关)的所有效率函数ef应该彼此独立，使得他们中没有一个可以作为其他的函数计算。对于每个独立的效率函数ef，需要确定一组单独的(制造操作类型mot特定)参数，使得必要测量的数目随着独立效率函数ef的数目而增加。往往考虑kpi的线性组合，并且因此，对于kpi作为相应的效率函数ef的总和给出的情况考虑效率函数ef的线性组合。例如，总效率kpi可以被定义为50％的成本kpi和50％的“绿度”kpi的总和，并且制造操作类型mot特定效率函数ef然后将以同一方式分解。然而，在只需要一个特定线性组合的情况下，实际上只有一个效率函数ef和一个关键性能指标kpi。相比之下，如果要评估效率函数ef和关键性能指标kpi的任意线性组合，则需要为效率函数ef中的每个效率函数ef拟合参数。
[0088]
等式(1)是可以用于预测尚未生产的产品变体pv的公式，一旦基础函数已经完全确定，则即他们的未知系数(用于对于连续ped变量的相关性)和映射表(用于对于离散ped变量的相关性)固定。
[0089]
变量可以从与制造操作类型mot i有关的产品的特征向量导出。更准确地说，每个bop制造操作mo的过程执行数据ped可以是产品规范的函数。在可能的实施方式中，可以建立从产品规范到所有bop操作的ped变量的映射，从而显著减少独立ped变量的数目。这种减少的数目的变量可以包括特征向量。对效率函数ef的函数形式即效率函数ef类型例如多项式函数或指数函数的选择可以包括可以预先执行并且仅针对生产工程师执行一次的任务。函数类型的选择可以基于经验和对相应制造操作类型mot的物理性质的分析。可以测试若干效率函数ef类型并且例如使用回归技术将通过这些效率函数ef类型获得的结果的质量进行比较。对于制造操作类型mot i的每次出现由j
i
∈{1
…
n
i
}编号，产品特征向量并且因此结果值可以不同。
[0090]
在可能的实施方式中，可以使用转换的效率函数ef，为此，对要通过回归确定的自由参数的相关性会变成线性的。在该实施方式中，可以应用线性回归的技术。例如，假设与制造操作类型mot有关的产品特征以两个变量x1和x2为特征，并且已知效率函数ef的相关性在产品特征变量和一些要确定的效率函数ef参数方面都是形式为的近似指数分布。参数a、b和c表示例如通过回归要确定的效率函数ef参数。然后，可以应用对数映射：
[0091]
w
→
ln w(x1，x2)＝ln a bx1 cx2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)使得对数化的效率函数ef线性依赖于参数ln a、b和c。利用ln w(x1，x2)的计算过程现在可以使用线性回归的技术拟合参数ln a、b和c，并且最终恢复为w(x1，x2)。在实践中，通常可以通过以感兴趣的范围内的生产执行(ped)变量v
(i)
形式的多项式表示效率函数ef。在这种情况下，所有效率函数ef参数(即多项式的系数)的相关性自动呈线性。
[0092]
在许多情况下，可以假设对于每个制造操作类型mot i具有呈现c
i
(v
(i)
)，使得效率函数ef参数(原文如此！)的相关性是线性的(不一定是对ped变量v
(i)
的相关性)。然后，回归技术可以应用于所谓的一般线性问题。使用回归或其他自主学习技术，可以自动确定函数参数。目标是将未知模型参数针对测量的效率函数数据进行拟合，使得在以某些特定特征和/或ped值的有限数目的测量之后可以插入效率函数值efv和由此针对将来可能出现的
所有其他特征/kpi参数值产生的效率关键性能指标kpi数据。为了测量实际的kpi数据，可以建立合适的测量装置，例如用于消耗品测量的计数器和/或用于当前磨损状态的检测工具。这些测量装置不需要一直存在，但是可以被建立成执行所需的测量。本方法可以将必要测量的次数限制到最少。以此方式，通过由自主学习确定的一组有限的效率函数ef参数，可以处理所讨论的制造操作mo的连续无限数目的不同过程执行数据ped值。用于共享某个制造操作类型mot的许多不同的产品的数据可以以等式(1)、(2)进行组合。
[0093]
给定制造操作mo和给定产品变体pv的生产执行变量v可能在一个生产周期期间在统计上波动。生产周期通常可以是工作班次或由制造系统msys一起生产的某一堆生产订单。本方法假设给定制造操作mo的生产变量v仅在给定生产周期期间由于统计波动而变化。这意味着至少相当接近在一个生产周期内没有显著的系统趋势。
[0094]
等式(1)描述了针对在被假定为在一个生产周期内的特定时间跨度内的给定产品变体pv的所有制造操作mo的预测总效率kpi值。然而，对于用于确定生产效率模型系数的学习过程(例如回归)，可以单独考虑每种制造操作类型mot的统计数据，由于通过一般的假设，针对不同的制造操作类型mot，不同的效率函数值特别是成本之间没有耦合。这意味着可以单独地考虑每个c
i
。
[0095]
作为具体的示例，可以考虑c
i
对应于磨损成本的情况。为了简化符号，v
(i)(磨损)
可以由x
(i)
替代，其中，x
(i)
是k
i
个变量的向量，并且是具有m
i
个未知参数的、的函数。
[0096]
其中m＝6和k＝2的示例：
[0097][0098]
其中，为简单起见，索引i已被省略。
[0099]
系数确定起作用所需的测量结果的量取决于不同的操作类型mot n的量和效率函数ef的未知模型参数的数目m
i
。对于每个函数c
i
，应该存在具有不同的生产参数值的至少m
i
个测量结果。最小的一组测量结果只允许对模型参数p进行简单的拟合。通常，由此获得的模型参数值取决于所选择的一组测量结果并且可能不完全可靠。例如通过标准的回归分析来投入稍微更多的测量并扩展该程序可能会更好，在其中存在比绝对需要的测量结果更多的测量结果，并且在其中寻找模型参数p与测量的kpi值(例如，最小均方)的最佳拟合。系数确定的质量可以随着测量结果的数目增加。通过对涉及同一制造操作类型mot、可能具有不同的过程执行数据ped值的不同产品的测量结果进行组合，可以大大增强可用的统计数据。给定产品变体pv的不同生产操作类型mot可用的测量数目可能不同，并且因此通过学习(例如回归)过程获得的估计的准确性也可能不同。可以使用标准的统计技术获得对于整个产品变体pv的总估计精度。然而，如果对于某种制造操作类型mot，一个生产周期内的测量的次数不足(小于m
i
)，则无法固定该制造操作类型mot的效率函数ef参数。如果存在好的先验论证：该制造操作类型mot的kpi的时间差异应该很小，则可以组合来自连续生产周期的测量数据，直到至少达到所需的最小测量结果数目。在可能的实施方式中，还可以尝试简化效率函数ef的函数形式，使得涉及的需要确定(拟合)的参数较少。在应用回归的情况下，使用简化函数的拟合的质量始终可以借助于公知的回归系数r2进行
测试。回归系数也可以用于检查将来自不同的生产周期的数据进行结合是否合理。可以结合来自足够多的生产周期的数据以能够确定效率函数ef参数，并且然后在添加另外的生产周期时检查r2是否劣化。如果回归系数r2没有劣化甚至提高，则这就是组合生产周期的正当理由。
[0100]
如果已知制造操作类型mot相对于感兴趣的产品对kpi的相对贡献小，那么也可以决定简单地接受操作的kpi贡献的不确定性或者使用效率函数ef参数的粗略的先验估计。
[0101]
对于具有离散ped的制造操作类型mot，回归技术不适用，因为在各个ped的不同离散值之间进行插值是没有意义的。替代地，可以建立表格形式的映射为离散ped的每个组合指定制造操作模型mopm的效率函数ef的值。这些表的效率值可以预先知道或测量。依然使用另一个mo上下文的某个制造操作mo的效率值的独立性的一般假设，可以将在一个产品的上下文中针对许多其他产品所做的测量结果重复使用，从而显著减少必须要确定的表条目的数目以便表征整组产品变体pv的效率。
[0102]
当已经确定效率函数ef参数和映射表时，由此产生的生产效率模型pem可以进行对尚未完全生产的产品变体pv的关键性能指标的预测
[0103]
统计分析的重要程度在手动操作和自动化操作之间不同。对于自动化操作，重复性程度通常非常高并且因此通常可以基本上忽略统计波动。然而，在当前高变量小批量生产的环境中，仍然存在挑战：每个自动化生产操作类型mot在对其可行性和性能影响做出声明之前必须至少执行一次。因此，在没有有效的先验效率信息数据的情况下生产的产品变体pv的数目可能会变得太大，从而给制造商造成不可接受的生产风险。因此，上述拟合过程仍然可以非常有价值。
[0104]
自动化制造操作mo由合适的计算机程序，例如用于由复杂制造系统msys的机器执行的机械加工操作的cnc程序来指示。可以为要由复杂制造系统msys生产的产品族pf的所有产品变体pv提供这些计算机程序。用于执行制造操作mo的时间可以由在相应计算机程序中编码的运动学直接确定，并且因此可以从程序自动地读出而无需实际执行相应的计算机程序。然而，回到磨损和能耗的重要示例，磨损和能耗都不单独形成运动时间的函数。最初需要建立模型，该模型可以为所考虑的自动化制造操作类型mot的感兴趣的机器的类别确定作为如下内容的函数的磨损以及能耗：相关的机器操作参数(与机器有关的过程执行数据ped的子集)，通常是像机器操作模式、使用的工具、加工的材料以及最终的机器使用时间一样的参数。这些模型可以由生产工程师建立。对于可以用于所讨论的制造操作类型mot的所有机器，效率函数ee通常不会产生同一结果，并且因此对于不同的机器在优选实施方式中分别执行参数拟合分析。
[0105]
对于手动制造操作类型mot，劳动时间通常是用于确定效率的主要因素。根据工人的当前的身体素质和经验以及环境条件，在非计时制造操作mo中劳动时间可能会剧烈波动。诸如能源的其他消耗品也可能受到劳动时间的波动的影响，并且他们通常会受到工作质量的波动的影响。即使在计时制造操作mo中，在质量检查失败的情况下，劳动时间也可能通过返工操作再次进入。因此，对于手动操作，统计分析几乎总是有益的。可以通过记录工件到达或离开手动工作场所的时间来测量劳动时间。出于产品谱系目的该过程通常可以已经就位，并且然后无需额外的努力就可以用于时间测量。
[0106]
有必要解决以下事实：制造操作mo并不总是以完全成功结束。存在一定的质量不
足的风险，导致生产过程需要返工。此外，复杂制造系统msys的机器可能会意外发生故障，至少导致由机器执行的生产操作mo的执行时间更长。工件的完全损失导致效率和性能的劣化，这不仅取决于失败的制造操作mo，而且至少取决于所有其他先前的制造操作mo。在这种情况下，不再可能将所有制造操作mo视为独立的。制造机器的机器故障可能导致后续制造步骤的涟漪效应，并且可能受到类似问题的困扰。由于无法在单个制造操作mo的层面上处理这些类型的影响，因此可以选择不同的方法。可以通过针对每个产品或产品变体pv的返工分支来完成过程清单bop。这些返工分支与以经验为主地确定的概率相关联。还可以测量返工操作所需的效率函数ef，但这并不总是必要的，因为返工操作通常相对较少并且在其效率估计中的潜在错误可能被视为对最终产品的总生产效率估计的次要影响。反而，粗略的手动确定的估计通常是足够的。返工分支要启动的概率取决于某个制造操作mo要产生不充分的结果的概率。因此，组合技术也可以用于收集对这些概率的统计数据。
[0107]
废料的产生可以类似地与以经验为主地确定的概率相关联，与单个制造操作mo的失败相关联。如果要考虑到现有产品以及其他产品的延迟生产所导致的涟漪效应，则机器故障会有些难以处理。然而，这取决于特定生产周期期间的动态生产组合和机器负载。因此，与单个制造操作mo相对照，这种影响不能容易地与作为整体的单个产品相关联。因此，在本发明的当前上下文中，机器故障造成的影响只能被视为对废料和返工的贡献。这意味着，假设有一定概率，制造操作mo因机器故障而导致废料(对操作导致废料的总概率的贡献)，并且也有一定概率，制造操作mo的结果是由于机器故障而导致返工的必要性(对操作导致返工的必要性的总概率的贡献)。
[0108]
在下文中，将详细阐述由回归分析给出的参数学习过程的特定实施方式。最小二乘操作过程适用于单个生产周期。通过使用最小二乘法，旨在使获得的测量结果y
l
：＝y(x
l
)之间的差异最小化，其中y(x
l
)是对于具有任何固定的i的的更简单的符号，x
l
扮演的角色。假设模型函数线性依赖于参数p，并且将通过使以下距离范数最小化来确定模型函数：
[0109][0110]
(二次距离范数)。矩阵是根据用于将实验测量的效率函数值efv与模型进行匹配的基函数给出的。注意，基函数不一定是x
j
的线性函数。仅假设存在这些基函数的线性组合(由参数p
i
给出)，这些基函数非常准确地描述了x的所有值的真实效率函数ef。这对应于假设所谓的一般线性模型的有效性。值x
j
对应于不同的测量结果，j＝1
…
n。已知最小二乘法具有一些理想的特性，例如使公知的拟合优度参数r2最大化并且确保获得的针对p的建议相对于y的统计波动具有正确的期望值。
[0111]
上述最小化问题的解由下式给出：
[0112][0113]
或
[0114][0115]
其中y
l
＝y(x
1l
，x
2l
，
…
x
kl
)＝y(x
l
)，其中，l＝1
…
n是测量数目，并且y
l
是针对生产
变量分量x1，x2，
…
x
k
的测量效率值向量。不写的原因是通常是不可逆的(甚至不是二次方的)，而显然是半正定的。如果n≥m且有最大秩，则其是正定的并且因此可逆，因此最小化问题的解是唯一的并且由上述定义给出。是转置矩阵，上述最小化问题的解使可能来自两个不同的源的偏差最小化。
[0116]
生产效率模型pem可能不完全正确，也就是说，即使在没有随机波动时，基函数也不足以描述x的所有值的测量值，并且因此可能不足以描述在测量内发生的所有值x
j
的测量结果。
[0117]
此外，可能存在在没有随机波动的情况下已经预料到的测量值yl附近的随机波动。这些波动可能是被测量中固有的(因此即使对于无限测量精度也会发生)和/或可能是测量不准确的结果。
[0118]
通过增加所谓的一般线性模型——即独立基函数的数目m——的复杂性，可以减少甚至消除偏差的第一来源。但是随着m变大，条件n≥m可能不再有效(导致欠定问题)，因此上述给定的最小化问题可能不再有唯一解。对于固定的m，还可以优化所使用的一组基函数但是必须针对一组特定的测量值y
l
和输入值x
l
进行优化，并且可能依赖于它(过拟合)，因为不知道真正的效率函数ef并且只能通过特定的测量对其进行采样。在此，的选择被看作是程序的输入并且由如下先验考虑确定，例如考虑所讨论的生产操作类型mot的物理性质。如果具有少量的基函数的一般线性模型适用使得可以忽略系统建模误差，则最小二乘最小化问题的解p
ls
可以被理解为真实参数值的估计量。
[0119]
可以引入随机量以表示随机变量，其中p
ls
和y表示特定的实现。根据线性最小化问题，是的线性函数，其中，可以写为：
[0120][0121]
其中其中和的期望值是具有平均值零的随机变量。
[0122]
通过构造，的期望值满足
[0123][0124]
考虑的所有波动并且将x
l
视为给定且固定的。如果线性模型是正确的，则在没有随机波动的情况下，必须根据定义适用于合适的p，然后立即被视为必须与p
ls
一致。
[0125]
对于每个制造操作类型mot i实际上有一细并且此外可获得的测量的数目n可能取决于i。然而，由于考虑的操作是固定的，并且对每个i的处理完全相同，因此可以删除索引i。因此，对于通过回归确定的模型函数，有：
[0126][0127]
其中，通过线性最小化问题给出的ps，有：
[0128][0129]
和
[0130][0131]
使得
[0132][0133]
这使测量成本函数和建模成本函数之间的同等二次加权偏差最小化：
[0134][0135]
到目前为止，在假设制造操作模型mopm的所有效率函数ef在所考虑的时间窗口(在此是一个生产周期)内与时间无关的情况下，已经描述了自动学习模型参数的过程。对于较长的时间窗口，情况并非总是如此。例如，每单位能源的能源成本或每单位材料的材料成本可能会随着市场价格的变化而随时间变化。后一种影响是无害的，因为能源和材料成本可能首先根据消耗的能源和材料单位确定，并且然后在成本估算时可以应用当前的每单位的市场价格。然而，也可能有一些更细微的变化。例如，生产机器可能老化并且这可能自身表现为更高的能耗、更高的故障率、更低的质量以及增长的返工必要性。此外，诸如温度、气压等的环境条件也可能随时间变化并且可能对生产效率有影响。因此，为可靠的模型参数估计收集足够大的统计数据的必要性与如下事实之间存在一定的冲突：收集数据的时间越长，较新数据实际上描述与较旧数据不同的制造操作模型mopm并且因此不应该混合的风险就越高。这也称为趋势问题。如果模型参数p在一个生产周期内变化不大，而每个生产周期中仍有足够的数据以拟合模型参数p，则不必处理趋势问题。而是，可以简单地为每个生产周期重复回归过程。相反，例如，如果每个生产周期的数据的量并不总是足够，则可以选择应用趋势分析，例如将生产周期数c中的参数的真实值的线性递归关系假设为以下形式：
[0136][0137]
其中，a是与c无关的向量并且是与c无关的矩阵。再次，最小二乘法可以应用于确定参数a和以及初始条件p(1)。存在初始条件p(1)，其需要被指定用于产生唯一解。因此，代替时间无关情况的参数集p，现在有了要确定的参数p(1)、a和(总共2m m2个)，显然比静态情况下只有m个时多了很多。有时，存在可以减少模型参数的数目的先验论据(例如，只有第一项出现在右手侧)。在下文中描述如何将使用最小二乘法的回归应用于上述时变问题。根据(pc)，需要确定p(1)、a和
[0138]
可以使推广到c个周期的(dq)最小化：
[0139][0140]
其中y(c)仅包含来自生产周期c的测量结果，p(c)由(pc)给出。关系(pc)可以很容易地求解为：
[0141][0142]
如果设置并且则等式(pcsol)也可以用于c＝1。
[0143]
其中和自由初始条件p(1)。
[0144]
然后，可以得到最小化条件：
[0145][0146][0147][0148]
上述等式的冗长的操作导致以下结果：
[0149][0150][0151][0152]
其中
[0153][0154]
如以前一样，可以隐含对重复索引的求和，并且符号可以用于矩阵的c
′‑
1次方的矩阵元素。
[0155]
存在来自相同数目的等式的m2 2m个变量p
t
(1)和a
t
要确定。由于等式在a和p(1)方面是非线性的，因此这通常必须以数字形式执行。然而，对于足够小的生产周期数c，可以采取不同的方法。
[0156]
不仅第二个等式(sumeq)中的未加权和必须等于零(vanish)，而且其中权重由三个等式(sumeq)的最后中的第二因子给出的一组m个加权和(对应于t的可能值)。对于维度m的c向量因此有来自第二个和第三个等式(sumeq)的总共m 1个等式。如果所有这些等式在没有等式由其他等式的线性组合给出的意义上是独立的，那么对于m 1≥c意味着所有向量等于零。对于所有c
′
≤c和s＝1
…
m，等于零意味着其被引导回到与时间无关的情况，其中针对每个生产周期单独考虑的最小化。另一方面，还需要满足在递归关系中有m2 2m个自由参数包含在a和p(1)中的递归关系(pc)，并且如果p(c
′
)(1≤c
′
≤c)都是由与时间无关的条件唯一确定的，那么必须满足具有m2 2m个变量的mc条件。对于c≤m 2，其中m≥1，特别是对于c＝1，2，3，这是可能的，并且因此对于c≤m 2，可以将问题缩小到首先逐周期解决与时间无关的情况的条件，然后强制实行甚至可能保持
待定的递归条件。条件c≤m 2包括m 1≥c，因此知道只要需要，就可以拟合递归关系的自由参数a。然而，在这种情况下，几乎无法从强制实行时间开发模型(pc)实际上获得好处。很明显，在可逆的的假设下获得的解实际上表示了的绝对最小值，因为每一项都被单独最小化。
[0157]
另一方面，对于c≥m 3，通常不可以首先对时间无关的条件求解然后确定(pc)的参数，因为对于递归关系的参数将无解。而且在(sumeq)的第二个和第三个等式中，即使它们都是独立的，现在也没有足够的等式来强制等于零。导致更通用的解决方案。
[0158]
即使在制造操作模型mopm参数p随时间变化(即作为生产周期c的函数)的情况下，上述考虑也提供了用于执行模型参数对测量的数据的最佳适应的具体可行的方法。当然，存在许多其他可行的方法，如使用神经网络。
[0159]
可以验证制造操作模型mopm参数对数据的适应的质量。在回归技术的领域内，通常使用决定系数
[0160][0161]
来做到这一点。在此，是对通过拟合制造操作模型mopm参数获得的值的预测，并且在此通过如上所述的回归，并且y
j
是测量的效率函数值efv。对j先验的求和包括来自所有生产周期的所有测量结果，但是也可以限于某个生产周期，例如最近的一个生产周期。r2值接近1标志拟合良好。初始地即对于一些生产周期的良好的拟合不需要继续保持良好拟合。可能发生制造操作模型mopm和整个生产效率模型pem——由其时间相关性(在此为了具体化由(pc)给出)和由其基函数定义的——不再有效，例如因为操作或环境条件变化如此剧烈以至于这无法映射到同一模型的模型参数的变化。r2与合适的阈值一起通常可以是用于何时可能需要回顾整个模型结构的好指标。然而，并非对于每种制造操作类型mot，都真的有必要非常精确的拟合。对于考虑的产品变体pv，某些操作效率函数值efv可能比其他操作效率函数值小，然后即使非常粗略的拟合也可能足够好。
[0162]
通常会出现以下情况：即高确定性同时低效率、高确定性同时高效率、低确定性同时低效率以及低确定性同时高效率，其中，“确定性”意味着r2系数的值，只有低确定性和低效率的情况对考虑替换模型真正感兴趣。对于不同的操作，情况可能会大不相同并且对于不能再合理地拟合的操作，可以替换模型。因此，导致了如图5的示意图中所示出的以下总体适应过程。
[0163]
图5示出了具有迭代环的递归制造操作模型mopm适应过程。在第一步骤s51中，(手动)为所有bop操作的制造操作模型mopm定义效率函数ef(即，其中参数仍然待定的效率函数ef，例如具有3个待定参数的二次函数)的结构形式(这可以例如使用基于案例的推理被支持)。复杂制造系统msys的产品生命周期管理plm系统向复杂制造系统msys的制造执行系统mes提供过程上下文数据pcd和(计划的)过程执行数据ped
p
。mes将所述数据中继到执行步骤s52的处理单元pu，如图5中所示出的。也可以用存在于制造车间msf上的合适的测量装置来测量过程执行数据ped以形成测量的过程执行数据ped
m
，从而精炼或替换来自plm的
ped
p
数据。
[0164]
在步骤s52中，在一个或若干个产品变体pv的生产期间，由制造执行系统mes传输的效率函数值efv被馈入有关的制造操作模型mopm中，以便驱动模型参数的适应。
[0165]
在迭代环的进一步的步骤s53中，例如通过回归或者通过使用神经网络nn如循环神经网络rnn来学习制造操作模型mopm的参数p。
[0166]
在进一步的步骤s54中，可以评估学习到的制造操作模型mopm的可靠性。
[0167]
在进一步的步骤s55中，可以更新制造操作模型mopm的模型参数p以针对不同的时间提供不同的更新的制造操作模型mopm(趋势问题)。
[0168]
对合适的制造操作模型mopm结构进行定义的过程，即在劣化拟合的情况下对效率函数ef结构或制造操作模型mopm结构替代方案的选择可以通过基于案例的推理得到支持。典型的基于案例的推理有助于在历史数据中识别可比较的制造操作类型mot。定义历史案例和新案例之间的距离函数的可能的变量包括过程执行数据ped、操作描述(例如机器名称、尺寸、工具、制造商
……
)、操作类别(例如手动或自动、装配、铣削、弯曲/冲压、焊接、铸造、裱糊、化学)以及对过程执行数据ped的功能相关性(线性、二次、三次
……
)。
[0169]
制造操作模型mopm的普遍程度在实践中可能会引起问题。这是指如下议题：对于两种不同但相似的制造操作类型mot是否可以使用同一模型结构(具有不同的参数值)可能并不总是明显的。例如，可能存在不同类型的钻孔，并且用于一种类型的钻孔的制造操作模型mopm适用于另一类型的钻孔可能并不明显。期望避免模型、特别是制造操作模型mopm的激增，因为每个模型仍然必须预先设计，并且仅以下参数适应包括自动化过程。像神经网络的通用模型在此可能结果更好，因为它们不一定需要为每个制造操作类型mot进行新配置，并且可能能够自行判断两种制造操作类型mot的相似程度可以被考虑为取决于描述制造操作类型mot的属性。仍然，对于基于回归的方法，也可以定义有效的程序。可以从看起来仍然合理(假设制造操作模型mopm的高度的通用性)的最少数目的模型结构开始，然后一旦有足够数量的数据可用就可以检查r2。对于不能令人满意的r2，可以对如下制造操作类型mot的子类型进行检查：可能需要区分(基于plm工具中操作的特征，通常对他们是什么有一些良好的直觉)，值是坏的，以及其是令人满意的。然后，可以仅专门为那些具有坏的r2的替换制造操作模型mopm。
[0170]
此外，外在因素也可能在实践中引起问题。选择的制造操作模型mopm可能并不总是包含所有重要的参数p。例如，结果可能是：对于某些生产操作mo，效率函数值efv强烈依赖于温度(因为对于某些温度，操作可能花费更长的时间)。那么，获得的拟合可能很差。这真正地与所选择的拟合方法无关，特别是如果使用神经网络也是如此，因为神经网络nn也无法学习其未被告知的，因此如果在给出的示例中温度测量不可用，则几乎无能为力来改善拟合。如果假设有关环境或其他的参数可能会丢失，则可以开始扩展相应的制造操作模型mopm或者也可以将这些参数馈入神经网络nn。
[0171]
生产效率模型pem的递归适应不仅可以用于预测尚未生产的产品变体pv的生产效率。在工业4.0即不同的可行生产方法可以可用的灵活的制造生产环境的背景下，还可以使用其来支持制造执行系统mes在替代方案当中寻找最佳选择，或者来优化特定生产参数的当前主要感兴趣的产品变体pv。制造执行系统mes可以使用对最佳替代方案的确定，而无需人工干预。换言之，本发明可以用于生产过程的自动优化。
[0172]
根据本发明的计算机实现的方法的主要优点是对自动化的端到端程序的提供，该自动化的端到端程序允许根据制造车间msf、由制造执行系统mes收集的数据并且基于由产品生命周期管理(plm)工具提供的生产结构数据来确定生产效率模型pem。对于具有大量的可能的生产变体pdv和产品变体pv的工业4.0类型的生产，在不使用计算机系统、提供由本发明提供的数据集成和评估算法的情况下从事这项努力将是无望的。尤其是考虑到产品的产品生命周期不断加速并且将必须在短的时间间隔内重复这项努力这一事实时确实如此。此外，根据本发明的计算机实现的方法为所采用的制造操作模型mopm的所有参数自动地执行趋势的能力代表了超过当前可用的常规效率估计工具的进展。
[0173]
因此，复杂制造系统msys的生产管理者可以获得复杂制造系统msys效率结构的精确的、不断更新的情况，并且进一步在计算竞争价格和识别无利的产品变体pv方面被支持。使所使用的生产效率模型pem基于实际效率数据，又依赖于如由过程清单bop提供的真实生产过程，而不是在间接成本方面不准确地表示不太知名的成本结构的常见做法，对由根据本发明的计算机实现的方法提供的关键性能指标的预测的准确性有很大贡献。与传统的过程效率分析工具相比，以带注释的过程图的形式显示结果可以大大提高整个生产过程的透明度。
[0174]
通过包括来自产品生命周期管理plm和制造执行系统mes的生产过程结构信息，并且通过将他们与由复杂制造系统msys的制造车间msf提供的制造车间msf数据自动关联，解决了虚假的间接成本的问题。来自同一制造操作类型mot的不同产品变体pv的数据的组合即使在如下设定下仍为模型参数p的可靠确定创建了必要的统计数据：每个单独的产品变体pv的生产数目非常低，因此也涵盖了批量大小(lot size)或批次大小(batch size)为1的场景。
[0175]
对于复杂制造系统msys的制造车间msf内的每台机器，诸如传感器或功率表的合适的测量装置可以支持直接测量操作特定的效率值。然后，这可以与由制造执行系统mes提供必要的上下文数据pcd相结合。
[0176]
制造操作模型mopm及其参数p的自动更新可以通过趋势方法实现，具体体现在处于不同的时间即不同的生产周期的制造操作模型mopm参数p之间具有递归关系的最小二乘法中。根据本发明的第一方面的计算机实现的方法提供了一种自动化过程来引导用户基于寻找相似的历史生产效率模型来确定适用的制造操作模型mopm和/或适用的生产效率模型pem结构，并且该方法基于对当前获得的模型拟合的决定系数r2的不断监视来识别替换模型的必要性。
[0177]
根据本发明的计算机实现的方法也可以在云平台上使用。如图15的uml图中所示出的，包括制造模型mm和制造操作模型mopm的生产效率模型pem可以被部署到云平台，在该情况下其可以用于直接访问从一个或可能更多个制造车间msf接收到的关联的传感器数据或测量数据并且可以利用由云平台提供的计算能力和持续可用性。这在生产网络中变得更加重要，在所述生产网络中，各个工厂或复杂制造系统msys协作以便生产产品族pf的不同产品变体pv。计算机实现的方法还可以用于提高当前生产效率估计的准确性，并且可以提供产品变体pv的效率结构的更详细和完整的概况。预测的关键性能指标可以用作复杂制造系统msys内自动化或手动优化措施的输入以及用于决定要由复杂制造系统msys生产的产品范围和产品变体pv。可以基于实时数据修改应用的制造操作模型mopm。根据本发明
的计算机实现的方法为不同的生产替代方案提供了尚未生产的产品变体pv的关键性能指标kpi的预测，并且因此也可以用于优化由复杂制造系统msys执行的制造过程。可以自动地修改制造操作模型mopm使得模型参数p随时间变化。
[0178]
在下文中，参考具体示例更详细地描述根据本发明的第一方面的计算机实现的方法的不同主要步骤s1至s4。
[0179]
在根据本发明的第一方面的计算机实现的方法的第一步骤s1中，针对用于制造产品族pf的产品变体pv的每个制造操作类型mot提供制造操作模型mopm结构。图6示出了执行流程图以示出不同的制造操作mo以生产不同的产品变体pv
‑
a、pv
‑
b、pv
‑
c和pv
‑
d。在图6中，存在不同的制造操作类型mot的制造操作mo，其中，每个制造操作类型mot具有一个关联的制造操作模型mopm，又如图14中所示出的。为了符号的简单，对于示出的所有生产变体pv制造操作名称mo1、
……
、mo5恒等地重复，但应该理解，仅制造操作类型mot是相同的，而与这些同一制造操作类型mot对应的制造操作的过程执行数据ped对于不同的产品变体通常是不同的。每个制造操作mo是制造操作类型mot(类)的实例，又如图14中所示出的。对于图6中示出的四个执行工作流程的制造操作mo1、mo4、mo5，已经明确指出关联的过程执行数据(ped)xa、ya、xb、yb、xc、yc、xd、yd，但是当然mo2和mo3也可能有这样的ped参数。
[0180]
在图6的示出的示例中，制造操作mo1是钻孔操作，并且该制造操作类型将被称为mot1。钻孔操作mot1的制造操作模型mopm的效率函数ef可以是例如e(mot1)＝ax2 bx c，其中，x为钻机的钻孔深度d1，并且a、b、c为未知的模型参数。
[0181]
因此，该示例的过程执行数据ped为x：钻孔深度d1，并且关键性能指标kpi的效率函数ef由钻孔操作的能耗给出。
[0182]
在示出的示例中，制造操作mo4包括三轴铣削过程。对应的制造操作类型mot4的制造操作模型mopm的效率函数ef可以如下：e(mot4)＝d*ln(y l ey f)(y＝铣削深度d2，并且d、e、f＝模型参数)。
[0183]
用于制造操作类型mot5的制造操作模型mopm包括五轴铣削过程，并且形成制造操作类型mot4的替代制造操作类型。例如，其可以给出如下：
[0184]
e(mot5)＝g ln(y 1 hy i)
[0185]
具有不同的模型参数g、h、i
[0186]
对于其他的制造操作类型mot，例如与图6的示例中的mo2、mo3和mo6对应的制造操作类型mot，也有另外的制造操作模型mopm。
[0187]
在根据本发明的计算机实现的方法的进一步步骤s2中，可以提供制造操作mo的测量的对关键性能指标kpi的贡献(即效率函数值efv)、过程上下文数据pcd和过程执行数据ped。在可能的实施方式中，这些可以在已被执行以制造同一产品族pf的产品变体pv的制造过程mp期间收集。
[0188]
·
pcd：
[0189]
mo1.mot＝钻孔，mo2.mot＝组件l，mo3.mot＝组件2，
[0190]
mo4.mot＝3轴铣削，mo5.mot＝5轴铣削，mo6.mot＝组件3。
[0191]
mp(pva)＝mo1、mo2、mo3、mo4或mo5(替代生产变体pdv)
[0192]
mp(pvb)＝mo1、mo2、mo3、mo4或mo5
[0193]
mp(pvc)＝mo1、mo2、mo3、mo4或mo5
[0194]
mp(pvd)＝mo1、mo6、mo4或mo5
[0195]
·
ped:
[0196]
mo1(pva).xa＝l.0
[0197]
mo1(pvb).xb＝3.0
[0198]
mo1(pvc).xc＝6.0
[0199]
mo1(pvd).xd＝2.0
[0200]
·
测量的效率函数值efv(仅mo1贡献)
[0201]
mo1(pva).e＝1.2
[0202]
mo1(pvb).e＝9.2
[0203]
mo1(pvc).e＝37.4
[0204]
mo1(pvd).e＝4.3
[0205]
图7示出了作为对于不同产品变体pv
‑
a、pv
‑
b、pv
‑
c和pv
‑
d的不同钻孔深度d1的制造操作类型mot1(钻孔)的能源函数ef的能耗e。可以看出，产品变体pv
‑
c的能耗e最高。
[0206]
在进一步的步骤s3中，基于测量的效率函数值efv、收集的过程上下文数据pcd和收集的过程执行数据ped来学习所提供的制造操作模型mopm的模型参数p以更新制造操作模型mopm。
[0207]
图8示出了对于不同钻孔深度d1的制造操作类型mot1(钻孔)的能耗e。更新的制造操作模型mopm'提供以下更新的参数a、b、c：
[0208]
a＝0.39，
[0209]
b＝4.48，
[0210]
c＝
‑
4.77。
[0211]
因此，图8示出了根据本发明的计算机实现的方法的学习步骤s3。当使用回归方法时，当然需要最少三个测量结果来获得三个模型参数的第一估计。
[0212]
在进一步的步骤s4中，由步骤s3提供的更新的制造操作模型mopm被用来计算要由复杂制造系统msys取决于相应产品变体pv的产品配置而制造的产品变体pv的关键性能指标的预测包括制造模型mm的生产效率模型pem响应于制造操作模型mopm的更新而更新，制造模型mm又与用于制造相应产品变体pv的制造操作类型mot的制造操作模型mopm有关。评估更新的生产效率模型pem'以自动地计算有关的关键性能指标的预测
[0213]
图9示出了其中xe＝3.9(过程执行数据ped)的新产品变体pv
‑
e的制造，其中制造操作mo1的预定能耗e(mo1)＝18.6。总能耗e是从制造操作mo1到mo4或mo5的贡献之和，针对mo2
……
mo5的贡献以类似的方式获得。因此，图8中示出的更新的制造操作模型mopm'被用来计算如图10中示出的对于确定钻孔深度d1的制造操作mo1的能耗e。
[0214]
在进一步的步骤中，可以评估对同一产品族pf的不同产品变体pv预测的关键性能指标以协助选择生产变体pdv或由复杂制造系统制造的产品变体pv。
[0215]
图11示出了产品变体pv
‑
a利用制造操作mo4(三轴铣削)进行的制造。
[0216]
图12示出了同一产品变体pv
‑
a利用制造操作mo5(五轴铣削)进行的生产。
[0217]
图13示出了作为铣削深度d2的函数的用于使用如图11中示出的制造操作mo4或如图12中示出的制造操作mo5来生产产品变体pv
‑
a的能耗e。
[0218]
从图13可以看出，为了使能耗最小化，对于小的铣削深度d2应该使用五轴铣削(mot5)。相反，对于大的铣削深度d2应该使用三轴铣削(mot4)。本发明可以用于根据铣削深度d2自动地选择最佳生产变体pdv并且相应地使用到mes的接口和mes与物理生产系统之间的接口来指示复杂制造系统msys。通常，当然可以有不止一种不同的制造操作类型mot来区分不同的生产变体pdv。
[0219]
附图标记列表
[0220]
pv
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
产品变体
[0221]
pdv
ꢀꢀꢀꢀꢀꢀꢀꢀ
生产变体pdv
[0222]
pf
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
产品族
[0223]
mo
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
制造操作
[0224]
msys
ꢀꢀꢀꢀꢀꢀꢀ
制造系统
[0225]
mopm
ꢀꢀꢀꢀꢀꢀꢀ
制造操作模型
[0226]
pu
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
处理单元
[0227]
ped
ꢀꢀꢀꢀꢀꢀꢀꢀ
过程执行数据
[0228]
pem
ꢀꢀꢀꢀꢀꢀꢀꢀ
生产效率模型
[0229]
pcd
ꢀꢀꢀꢀꢀꢀꢀꢀ
过程上下文数据
[0230]
plm
ꢀꢀꢀꢀꢀꢀꢀꢀ
产品生命周期管理
[0231]
mes
ꢀꢀꢀꢀꢀꢀꢀꢀ
制造执行系统
[0232]
msf
ꢀꢀꢀꢀꢀꢀꢀꢀ
制造车间
[0233]
kpi
ꢀꢀꢀꢀꢀꢀꢀꢀ
关键性能指标
[0234]
mp
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
制造过程
[0235]
ef
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
效率函数
[0236]
efv
ꢀꢀꢀꢀꢀꢀꢀꢀ
效率函数值