制造过程的预测性过程控制的制作方法

制造过程的预测性过程控制
1.相关申请的交叉引用
2.本技术要求于2019年7月23日提交的、题为“predictive process control for amanufacturing process”的美国专利申请第16/519,102号的优先权，该申请要求于2019年6月24日提交的、题为“systems,apparatus and methods for predictive process control of the manufacturing process”的美国申请第62/865,859号的优先权，其全部内容通过引用整体并入于此。
技术领域
3.本公开总体上涉及用于制造过程的预测过程控制(ppc)的系统、设备和方法。更具体地，本主题技术提供对制造过程的改进，并且具体地包括用于自适应地控制制造过程中的各个站以及基于使用机器学习模型做出的预测来优化最终制造产品和制造过程的系统和方法。如下文进一步详细讨论地，该技术的一些方面包括用于训练机器学习模型的系统和方法。


背景技术：

4.为了安全、及时且在浪费最少的情况下制造始终符合所需设计规格的产品，需要对制造过程进行持续监控和调整。


技术实现要素：

5.在一些方面，所公开的技术涉及使用深度学习控制器来监控和改进制造过程。在一些实施例中，所公开的技术包括一种计算机实现的方法，该方法包括如下步骤：深度学习控制器从两个或更多个站接收多个控制值，其中所述控制值在部署在制造过程中的两个或更多个站处生成；由深度学习控制器基于控制值预测制造品的中间输出或最终输出；由深度学习控制器确定预测的所述制造品的中间输出或最终输出规格是否符合规格；以及如果预测的所述制造品的中间输出或最终输出不符合规格，则由深度学习控制器生成一个或多个控制输入，其中一个或多个控制输入被配置为使得所述制造品的中间输出或最终输出符合规格。
6.在另一实施例中，所公开的技术包括具有一个或多个处理器和存储有指令的非暂态存储器的系统，当由一个或多个处理器执行时，该指令使所述一个或多个处理器执行包括以下的操作：深度学习控制器从两个或更多个站接收多个控制值，其中控制值在部署在制造过程中的所述两个或多个站处生成；由深度学习控制器基于控制值预测制造品的中间输出或最终输出；由深度学习控制器确定预测的所述制造品的中间输出或最终输出是否符合规格；以及如果预测的所述制造品的中间输出或最终输出不符合规格，则由深度学习控制器生成一个或多个控制输入，其中一个或多个控制输入被配置为使得所述制造品的中间输出或最终输出符合规格。
7.在又一实施例中，所公开的技术包括一种非暂态计算机可读存储介质，其包括存
储在其中的指令，当由一个或多个处理器执行时，该指令使该一个或多个处理器执行包括如下的操作：深度学习控制器从两个或更多个站接收多个控制值，其中所述控制值在部署在制造过程中的两个或更多个站处生成；由深度学习控制器基于控制值预测制造品的中间输出或最终输出；由深度学习控制器确定预测的所述制造品的中间输出或最终输出规格是否符合规格；以及如果预测的所述制造品的中间输出或最终输出不符合规格，则由深度学习控制器生成一个或多个控制输入，其中一个或多个控制输入被配置为使得所述制造品的中间输出或最终输出符合规格。
附图说明
8.为了描述可以获得本公开的上述和其他优点和特征的方式，将通过参考附图中例示的具体实施例来对上述简要描述的原理进行更具体地描述。可以理解的是，这些附图仅描绘了本公开的示例性实施例，其不应因此被认为是对本发明范围的限制，通过使用附图以额外的特性和细节描述和解释了本文的原理，其中：
9.图1图示了用于使用统计过程控制(spc)来控制站的示例处理。
10.图2示出了针对预测过程控制(ppc)配置的深度学习控制器的示例实施例。
11.图3示出了用于训练深度学习控制器的示例方法。
12.图4示出了用于实施预测过程控制的示例方法。
13.图5示出了使用预测过程控制创建鲁棒数据训练集的示例方法。
14.图6示出了使用预测过程控制来优化制造过程的示例方法。
15.图7示出了使用预测过程控制来优化制造过程的实际应用。
16.图8示出了用于记录和创建数据输出的示例方法。
17.图9示出了可以实施预测过程控制的深度学习控制器的实施例的总体配置。
具体实施方式
18.下面阐述的详细描述旨在作为对本主题技术的各种配置的描述，并不旨在表示可以实践本主题技术的唯一配置。附图并入本文并构成详细描述的一部分。详细描述包括用于提供对主题技术的更透彻理解的特定细节。然而，清楚且明显的是，本主题技术不限于在此阐述的具体细节并且可以在没有这些细节的情况下实践。在某些情况下，结构和组件以框图形式示出以避免混淆本主题技术的概念。
19.与制造控制中使用图像分类有关的附加细节由题为“deployment of an image classification model on a single-board computer for manufacturing control”的美国临时申请第62/836,202号提供，其整体通过引用并入于此。
20.与用于优化组装/制造操作的计算模型的用户相关的附加细节由题为“a computation model for decision-making and assembly optimization in manufacturing”的美国临时专利申请第62/836,192号和题为“dynamic training forassembly lines”的美国专利申请第16/289,422号提供，其整体通过引用并入于此。
21.制造过程是复杂的并且包括由不同的加工站(或“站”)加工原材料直到生产出最终产品(在本文中被称为“最终输出”)。除了最终加工站之外，每个加工站都接收用于处理的输入并输出中间输出，该中间输出被传递到后续的(下游)加工站以进行另外的处理。最
终加工站接收输入用于处理并输出最终输出。
22.每个加工站可以包括一个或多个工具/设备，其对接收到的原材料(其可以应用于制造过程中的第一加工站或任何后续站)和/或从前一个加工站接收到的输出(其适用于制造过程中的任何后续加工站)执行一组处理步骤。加工站的示例可以包括但不限于传送带、注塑机、切割机、模具冲压机、挤出机、cnc铣床、磨床、装配站、3d打印机、质量控制和验证站。示例处理步骤可以包括：将输出从一个位置传输到另一个位置(由传送带执行)；将材料送入挤出机，熔化材料并通过模具型腔注入材料，在模具型腔中使材料冷却并硬化成型腔的形状(由注塑压机(injection molding presses)执行)；将材料切割成特定的形状或长度(由切割机执行)；将材料压制成特定形状(由模压机执行)。
23.在一些制造过程中，几个加工站可以并行运行。换言之，单个加工站可以将其中间输出发送到一个或多个加工站(例如，1到n个加工站)，并且单个加工站可以接收来自一个到n个站的中间输出并将其组合。此外，在制造过程的单次迭代期间，单个加工站可以对接收到的原材料或中间输出按顺序或不按顺序执行相同的处理步骤或不同的处理步骤。
24.每个加工站的操作可由一个或多个过程控制器管理。在一些实施方式中，每个加工站具有一个或多个过程控制器(本文称为“站控制器”)，其被编程以控制加工站的操作(该编程算法在本文中称为“控制算法”)。然而，在一些方面，单个过程控制器可以被配置为控制两个或更多个加工站的操作。
25.操作员或控制算法可以向站控制器提供站控制器设定点(或“设定点”或“控制器设定点”或csp)，控制器设定点代表每个控制值的期望值/或值范围。可以在站运行期间测量的与站的工具/设备/处理步骤相关的属性/参数是控制值或站值。如果测得的属性/参数也用于对站进行控制，那么其就是“控制值”。否则，测得的属性/参数是“站值”。控制值或站值的示例包括但不限于速度、温度、压力、真空、旋转、电流、电压、功率、粘度、站点使用的材料/资源、吞吐率、停机时间、有毒烟雾、在站处执行的步骤类型和步骤顺序。尽管示例是相同的，但测得的属性/参数被视为控制值还是站值，并且所测得的属性/参数是用于控制站还是仅仅是该站运行的副产品，将取决于特定的站，。
26.控制算法还可以包括用于监视控制值的指令、将控制值与对应的设定点进行比较的指令、以及用于确定当控制值不等于对应的站控制器设定点(或不在定义的站控制器设定点的范围内)时采取什么动作的指令。例如，如果测得的站的当前温度值低于设定点，则站控制器可以发送信号以增加站的热源的温度，直到站的当前温度值等于设定点。在制造过程中用于控制站的传统过程控制器是有局限的，因为它们遵循静态算法(例如，开/关控制、pi控制、pid控制、超前/滞后控制)来调整设定点并规定在控制值偏离设定点时要采取的行动。如果有的话，传统的过程控制器对于如下操作能力也很有限：分析非控制值(例如环境条件(例如，外部温度、湿度、光照、站的磨损)、站值、中间输出值或最终输出值、来自其他加工站的反馈)以及对站控制器的设定点或控制算法进行动态调整以控制相关站的操作的。
27.如本文所使用地，过程值(process value)是指针对作为制造过程的一部分的整个系列的站(或站的子集)聚合或平均得到的站值或控制值。过程值可以包括例如总生产时间(throughput time)、使用的总资源、平均温度、平均速度。
28.除了站值和过程值之外，还可以测量加工站的产品输出(即中间输出或最终输出)
的各种特性，例如温度、重量、产品尺寸、机械特性、化学特性、光学特性和/或电气特性、设计缺陷的数量、缺陷类型的存在与否。可以测量的各种特性通常称为“中间输出值”或“最终输出值”。中间输出值/最终输出值可以反映中间输出/最终输出的单个测量特性或基于与中间/最终输出相关联的、根据预定义公式测量和加权的一组指定特性的总分。
29.机械性能可以包括硬度、压缩、粘性、密度和重量。光学特性可包括吸收、反射、透射和折射。电特性可包括电阻率和电导率。化学性质可包括生成焓、毒性、给定环境中的化学稳定性、可燃性(燃烧能力)、优选氧化状态、ph(酸度/碱度)、化学成分、沸点、蒸汽点。所公开的机械、光学、化学和电学特性仅是示例而不是限制性的。
30.如图1所示，可以根据统计过程控制(spc)评估加工站的中间输出的值以及制造过程产生的最终输出的值。使用统计数据，spc逐个站点地跟踪：(1)站点在一段时间内产生的中间输出或最终输出的值；(2)中间输出值或最终输出值的平均值以及与平均值的标准偏差。例如，图1显示了特定站的中间输出值。每个点代表该站产生的中间输出及其值，该点与平均值(由中间的黑线表示)的距离显示该特定站的中间输出值与平均值的偏差程度。可以为特定站定义控制上限和下限(ucl以及lcl)(例如，高于或低于平均值的一个或多个标准偏差)。图1示出了控制上限和下限设置在平均值上方和下方的三个标准偏差处(由虚线表示)。控制上限和下限通常比针对中间输出值/最终输出值定义的规格上限和下限(usl和lsl)更窄。
31.在一些方面，中间输出和/或最终输出的统计值可用于确定制造品何时“符合规格”，即，何时输出已达到某些预先指定的设计要求。这里，符合规格可以指制造品或制造品的特征满足或超过指定设计要求或要求的集合。举例来说，被认为符合规格的制造品可以是达到指定统计要求的制造品，例如与理想值或平均值(均值)的偏差可接受。
32.只要中间输出/最终输出的值在控制上限和控制下限内，则认为加工站/整个过程处于受控状态，并且通常不会采取干预或纠正动作。当中间输出/最终输出的值超过针对该测量定义的控制上限或控制下限时，通常会采取干预或纠正动作。然而，spc控制对改进或优化制造过程的影响有限，因为干预/纠正仅在超出控制上限/控制下限时发生。当过程处于受控状态时，通常不会进行调整。此外，spc单独评估单个站，而不考虑跨多个站的趋势或多个站一起对最终产品的影响。
33.因此，需要新的机制来单独考虑每个站的输入和输出，并与制造过程中其他站的其他输入和输出一起考虑，以智能和动态地调节对站控制器的输入从而更好地控制相关站的操作。特别是，需要新的机制来预测将优化制造过程以生产符合规格的最终输出的输入。还需要新的机制来预测将改进最终输出的设计和制造过程的输入。此外，需要新的机制来减少制造过程和最终输出的可变性。
34.所公开技术的方面通过提供用于在不中断正在进行的制造过程的情况下逐步改进制造过程和所产生的制造产品的机制(其可以包括系统、方法、设备、装置等)，来解决传统制造过程的前述限制(在此称为预测过程控制)。因此，所公开的技术可用于改造现有制造系统和基础设施并与其整合在一起，而不会对正在进行的制造过程造成中断。改进是通过传统的站控制器对制造过程中的一个或多个加工站提供动态控制来实现的，以：(1)始终如一地生产符合规格的最终输出；(2)优化最终输出的设计和制造过程；(3)减少制造过程和最终输出的可变性。
35.基于机器学习/人工智能(ai)模型的深度学习控制器可用于评估控制值/站值/过程值以及中间输出值和最终输出值，并确定对站控制器输入的调整。如本领域技术人员所理解的，在不脱离所公开的技术的情况下，基于机器学习的技术可以根据期望的实现方式而变化。例如，机器学习技术可以单独或组合使用以下一项或多项：隐马尔可夫模型、循环神经网络、卷积神经网络(cnn)、深度学习、贝叶斯符号方法(bayesian symbolic meethod)、强化学习、通用对抗网络(gan)、支持向量机、图像配准方法、基于适用规则的系统。
36.机器学习模型还可以基于聚类算法(例如，小批量k-means聚类算法)、推荐算法(例如，miniwise哈希算法或欧几里德局部敏感哈希(lsh)算法)、和/或异常检测算法，例如局部异常因子。机器学习模型可以基于有监督和/或无监督的方法。
37.如本文所讨论的，机器学习模型还可用于确定对最终输出值影响最大的加工站、控制值/站值/过程值以及中间输出值(“关键影响因素(key influencer)”)，并通过以关键影响因素作为目标来优化制造过程。
38.图2示出了示例深度学习控制器218，其可以被配置为使用预测过程控制来控制制造过程中的任意数量(在本文中称为“n个”)加工站，如稍后结合图4-7所讨论的。在图2中，制造过程的n个加工站由加工站222和242表示。加工站可以串行或并行运行。可以将通用输入236、经验先验239、功能先验238和来自n个站(例如222和242)中每个站的输入提供给深度学习控制器218。
39.如本文所使用地，功能先验是指与制造过程中的每个加工站(单独的和共同的)的功能和已知限制相关的信息。加工站使用的工具/设备的规格都被视为功能先验。示例功能先验可以包括但不限于：螺杆驱动的挤出机，其具有螺杆可以旋转的最小速度和最大速度；温度控制系统，其具有根据其加热和冷却能力可达到的最高温度和最低温度；压力容器，其具有在爆炸前可以承受的最大压力；可燃液体，其具有在燃烧前可达到的最高温度。功能先验还可以包括作为制造过程一部分的各个站执行其功能的顺序。在一些实施例中，几个站可以并行运行并且在后续站组合它们的中间输出。
40.如本文所用，经验先验是指在例如执行相同或相似的制造过程的情况下通过在先经验获得的信息；运行相同或相似的站；产生相同或相似的中间输出/最终输出。在一些实施例中，经验先验可以包括可接受的最终输出值或不可接受的最终输出值。可接受的最终输出值是指其中最终输出被视为“符合规格”的最终输出值的范围、上限、或下限。换言之，可接受的最终输出值描述了满足设计规格(即，符合规格)的最终输出值的参数。相反，不可接受的最终输出值是指其中最终输出“不符合规格”的最终输出值的上限/下限或范围(即描述不满足设计规格的最终输出值的参数)。例如，根据先前的经验，可能知道用于密封管道的o形环只有在具有一定的压缩特性时才会密封。该信息可用于确定o形环最终输出的可接受/不可接受的压缩值。换言之，具有可接受压缩值的所有o形环最终输出都能够执行其密封功能，而具有不可接受压缩值的所有o形环的最终输出无法执行其密封功能。可接受的中间输出值(可按站定义)是指定义如下中间输出的参数的中间输出值的上限/下限或范围：该中间输出最终可以产生符合规格的最终输出而无需其他站采取纠正动作。不可接受的中间输出值(其也可以由站定义)是指定义如下中间输出的参数的中间输出值的上限/下限或范围：除非另一个站采取纠正动作，否则该中间输出将最终导致不符合规格的最终输
出。同样，可以为与制造过程相关的其他变量定义可接受/不可接受的参数：
41.[0042][0043][0044]
经验先验还可以包括可接受和不可接受的制造性能指标。制造性能指标计算制造
过程多次迭代的一个或多个方面(例如，指定时间段的生产量、指定时间段的生产停机时间、指定时间段所使用的资源或指定的最终输出的数量、指定时间段内不符合规格的产品的百分比、特定操作员的生产量、与指定数量的最终输出相关的材料成本)。
[0045]
在此使用的通用输入是指不特定于特定加工站的值，而是指整个制造过程的一个方面，例如日期、一天中的时间、环境温度、湿度或其他可能会影响制造过程的环境条件、操作员、操作员的技能水平、过程中使用的原材料、原材料规格(例如颜色、粘度、粒度以及原材料特定的其他特性等)、特定批号和原材料成本、每个站的设备/工具的使用期限、识别信息(如生产工单号、批号、批号、成品号和成品序列号)。
[0046]
注意，针对功能先验、经验先验和通用输入中的每一个提供的示例表示对这些示例进行分类的一种方式，可以使用其他合适的分类。例如，对提供给深度学习控制器218的输入进行分类的另一种方式是：预处理输入(例如，经验先验、功能先验、材料特性、调度要求)；处理中输入(例如，通用输入、控制值、站值、中间值、最终输出值、过程值)；后处理输入(例如，制造性能指标和其他分析)。
[0047]
每个加工站可由一个或多个相关的站控制器控制(例如，站控制器220控制加工站222，站控制器240控制加工站242)。在其他实施例中，单个站控制器可以控制多个加工站。深度学习控制器218可以将基于预测过程控制的控制输入(由226和246表示)提供给每个加工站控制器。响应于接收到的控制输入(例如，226和246)，每个站控制器可以提供一个或多个控制信号(例如，221和241)，其提供用于调节站的控制值(例如，控制值225和245)的命令。每个站输出中间输出(例如，224和244)，该中间输出具有中间输出值(分别为234a和244a)。来自加工站的所有中间输出值和最终输出值被提供给深度学习控制器218。每个站还向深度学习控制器218输出站值(例如，228和248)。图2还示出了中间输出224被发送(步骤250)到1到n个后续站，其可以代表单个站或n个多个站。站242(如图2所示)可以从1到n个在先站接收(步骤260)中间输入。
[0048]
应当理解，深度学习控制器218、站控制器和加工站之间的通信可以使用提供与一个或多个其他设备通信和/或与计算机网络进行数据交易的能力的任何合适的通信技术。举例来说，实施的通信技术可以包括但不限于：模拟技术(例如，继电器逻辑)、数字技术(例如，rs232、以太网或无线)、网络技术(例如，局域网(lan)、广域网(wan)、互联网)、蓝牙技术、近场通信技术、安全rf技术和/或任何其他合适的通信技术。
[0049]
在一些实施例中，可以使用任何合适的输入设备(例如，键盘、鼠标、操纵杆、触摸、触摸屏等)将操作员输入传送到深度学习控制器218和/或任何站控制器或加工站。
[0050]
在一些实施例中，可以手动操作一个或多个加工站，例如通过人类操作员执行特定指令。操作员(不是电子站控制器)遵循一组指令，可以手动或通过电子方式(例如，通过视频或计算机显示器)提供这些指令。例如，在手动站，操作员可以执行将线切割到特定长度并测量切割线长度的功能。可以向深度学习控制器218提供手动反馈，例如切割线的长度。如在此所述，使用预测过程控制，深度学习控制器218可以确定线是否被切割成所需的长度规格并提供对例如切割工艺的改进，其可以以一组指令的形式提供给手动站的操作员。
[0051]
图3提供根据所公开主题的一些实施例的用于调节(训练)深度学习控制器218的处理300。
[0052]
在步骤310中，可以使用常规方法来初始化制造过程中每个站控制器的设定点、算法和其他控制输入。此外，控制算法/操作员可以提供初始控制值/站值。控制算法、初始设定点值和初始控制值/站值可以被提供给深度学习控制器218(步骤315)。
[0053]
注意，提供给站控制器的控制值、控制算法、设定点和任何其他信息(例如，过程定时、设备指令、警报报警、紧急停止)将统称为“站控制器输入”或“控制输入。”[0054]
此外，可以向深度学习控制器218提供其他输入，例如功能先验238、经验先验239和通用输入236。
[0055]
在步骤325中，使用常规控制方法将制造过程迭代到所有加工站。如上所述，这里讨论的加工站可以串联运行或并联运行。此外，单个站可以执行：单个处理步骤多次(顺序或非顺序)，或用于制造过程的单次迭代的不同处理步骤(顺序或非顺序)。加工站生成中间输出，如果是最终站，则生成最终输出。中间输出被传送到制造过程中的后续(下游)站，直到产生最终输出。
[0056]
随着制造过程迭代到每个加工站，测量或计算所有与以下相关联的值：单个站(例如，控制值)、单个站的输出(例如站值、中间输出值/最终输出值)或多个站的输出(例如过程值)；并提供该值以调整深度学习控制器318的机器学习算法(步骤327和328)。
[0057]
在一些实施例中，可以计算用于常规控制下的制造过程的制造性能指标(例如，指定时间段的生产量、指定时间段的生产停机时间、指定时间段使用的资源或指定的最终输出的数量、指定时间段内不符合规格的产品的百分比、特定操作员的生产量、与指定数量的最终输出相关的材料成本)并将其提供给深度学习控制器218(步骤329)。
[0058]
尽管未示出，但是站控制器响应于接收的控制值或来自加工站的其他控制输入而采取的任何动作(或生成的控制信号)可以被提供给深度学习控制器218。这样的动作可以包括调节温度、速度等。此外，还可以计算与以下各项的偏差：可接受的设定点、可接受的中间输出值/最终输出值、可接受的控制值/站值/过程值并将其提供给深度学习控制器218。
[0059]
注意，深度学习控制器218的所有输入都可以以电子方式输入或由操作员通过手动方式输入。
[0060]
深度学习控制器218的机器学习模型的调整(步骤235)可以通过无监督学习方法来实现。除了输入到深度学习控制器218的功能先验238、经验先验239、通用输入236之外，深度学习控制器218简单地通过分析它在制造过程的迭代期间(例如，步骤328和329)收集的接收数据来做出推断。在其他实施例中，深度学习控制器218可以通过监督学习方法、监督和非监督方法的组合或类似的机器学习方法来调整。此外，深度学习控制器218的训练可以通过以下方式增强：向深度学习控制器218提供模拟数据或来自类似制造过程的数据。在一个实施例中，深度学习控制器218可以通过将深度学习控制器218实施到类似的制造过程中并在目标制造过程的实施过程中微调深度学习控制器来进行调整。即，深度学习控制器218的训练可以使用在深度学习控制器218被部署到目标制造环境中之前执行的训练过程来执行。
[0061]
基于对机器学习模型的调整，深度学习控制器218可以预测最终输出的特征的值(“期望值”或“ev”)，这些值决定了最终输出值是否可接受(即，最终输出是否“符合规格”)(步骤342)。深度学习控制器218可以在某一时刻或在特定时间段内提供其预测的置信水平，例如，以提供对预测的统计置信度的度量。在一些方面，置信水平可以表示为预测准确
度的数值概率，在其他方面，置信水平可以表示为区间或概率范围。在步骤343，深度学习控制器218可以将期望值与最终输出的指定特征的实际测量值(“实际值”或“av”)进行比较。
[0062]
在一些方面，深度学习控制器218可以被配置为逐个站地执行关于输出特征的ev预测。即，深度学习控制器218可以对特定站的输出进行ev预测，并且随后将这些预测与在该站观察到的实际输出进行比较。或者，可以根据所需的实现方式，对由两个或多个站执行的组合处理所产生的输出进行ev预测。
[0063]
随着制造过程在每个站进行，并且深度学习控制器218接收到附加信息，深度学习控制器218可以修改其期望值以及置信水平。如果在指定时间段内在预定义的阈值置信水平下深度学习控制器218的预测是正确的，则深度学习控制器218可以提供深度学习控制器218准备好控制加工站的操作的信号。
[0064]
在一些实施例中，深度学习控制器218还可以在站控制器的初始化之后，在制造过程的迭代开始时(即，在制造过程在所有站都执行了)，以及在整个制造过程的过程中，预测任何控制输入是否会导致不令人满意的站性能或影响过程性能(即，导致不可接受的过程性能)。深度学习控制器218可以提供其预测的置信水平。深度学习控制器218可以确定深度学习控制器218的预测是否正确。在进一步的实施例中，如果在指定的时间段内并且具有由操作员定义的阈值置信水平下，深度学习控制器218的预测(关于预期的最终输出值和预测的站/过程性能)是正确的，则深度学习控制器218可以提供深度学习控制器218准备好控制加工站的操作的信号。
[0065]
图4示出了使用预测过程控制来控制制造过程的示例处理。
[0066]
深度学习控制器218使用其调整的机器学习算法(如结合图3所讨论的)来计算与制造过程的加工站相关联的站控制器的控制输入。基于计算出的控制输入，深度学习控制器218可以预测制造过程的最终输出的期望值(ev)及用于预测的置信水平(步骤405)。如果深度学习控制器218在阈值置信水平下确定期望值将符合规格(步骤415)，则深度学习控制器218可以将计算的控制输入输出到与制造过程的加工站相关联的站控制器(步骤420)。深度学习控制器218可以在制造过程开始时或在整个制造过程中连续地计算控制输入并将计算的控制输入提供到一个或多个站控制器。控制输入不必按串行顺序提供给站控制器，而可以并行或以任何适合产生符合规格的最终输出的顺序提供给一个或多个站控制器。从深度学习控制器218接收控制输入的每个站控制器可以向其关联站发送控制信号以控制控制值(例如，控制控制值使得它们匹配接收到的设定点)。机器学习算法在ppc的整个实施过程中不断得到改进(步骤335)。此外，功能先验和经验先验可以在整个ppc中动态更新。
[0067]
在步骤430，制造过程串行或并行地在所有加工站进行。当该过程遍历每个站时，可以测量或计算所有与以下相关的值：单个站(例如，控制值)；单个站的输出(例如站值、中间输出值/最终输出值)或多个站的输出(例如过程值)，并将其提供以调整深度学习控制器218的机器学习算法(步骤432)。此外，可以计算预测过程控制下的制造过程的制造性能指标并将其提供给深度学习控制器218(步骤432)。在ppc下计算的过程值和制造性能指标可以与在常规控制下计算的过程值和制造性能指标进行比较，以确定预测过程控制提供的改进。
[0068]
整个过程如图4所示，深度学习控制器218可以预测最终输出的期望值(ev)，确定最终输出的期望值是否符合规格，确定用于预测的置信水平，然后通过将期望的最终值与
实际最终值进行比较来提供关于其预测的反馈(步骤445)。此外，如果深度学习控制器218确定最终输出不符合规格，可以计算对控制输入的调节，使得预测的最终输出的期望值符合规格。
[0069]
在一些方面，深度学习控制器218可以被配置为逐个站地执行关于中间输出的ev预测。即，深度学习控制器218可以对特定站的输出进行ev预测，确定中间输出的ev是否符合规格，确定用于其预测的置信水平，然后将这些预测与在该站观察到的实际输出进行比较。或者，可以根据所需的实现方式，对由两个或多个站执行的组合处理所产生的输出进行ev预测。此外，如果深度学习控制器218确定中间输出不符合规格，可以计算对控制输入的调节，使得预测的中间输出的期望值符合规格。
[0070]
注意，如果由深度学习控制器218确定的置信水平低于预定阈值，则制造过程的控制可以恢复到常规控制，如结合图3所描述的。
[0071]
在一些实施例中，深度学习控制器218还可以监控站值/控制值/过程值或中间输出值中的任何一个是否不可接受并且对站控制器输入进行进一步调节，或者如果问题不能通过调节站控制器输入来解决，则生成警报。
[0072]
基于在整个制造过程中站运行时接收的数据，深度学习控制器218可以调节一个或多个站控制器的控制输入。在进一步的实施例中，深度学习控制器218不仅可以在制造过程的加工站的迭代开始之前初始化站控制器输入，而且还可以在制造过程本身期间调节站控制器输入(“前馈控制”)。具体地，基于从制造过程中的先前站接收的信息，深度学习控制器218可以对与过程中的后续站相关联的控制输入做出改变。例如，如果深度学习控制器218确定特定站的中间输出存在缺陷，则深度学习控制器218可以确定是否存在可以在后续站采取的任何纠正动作，使得最终输出符合规格。深度学习控制器218还可以基于关于控制值/站值/过程值和/或中间输出值/最终输出值的反馈(“反馈控制”)实时改变当前和先前的加工站。这种实时动态控制每个站并对下游站控制器进行调节以补偿上游发生的错误、误算、不良情况或不可预见的结果的能力，增加了制造符合规格的最终输出的可能性。此外，即使大范围的最终输出值可以被认为符合规格，也可能期望制造出的最终输出具有相同或相似质量并且具有落入可接受的最终输出值的较窄范围内的相似的最终输出值。反馈和前馈控制以及深度学习控制器的预测能力使深度学习控制器218能够调节站控制器以产生质量一致的最终输出值且最终输出值类似。
[0073]
识别制造过程的哪些参数对最终输出值或过程性能影响最大(“关键影响因素(key influencer)”)是有用的。深度学习控制器218可以考虑制造过程的所有参数(例如，一个或多个控制值、一个或多个站值、一个或多个过程值、一个或多个站、一个或多个中间输出或其任何组合)，并且使用其机器学习算法中的一种或多种可以识别关键影响因素。在一些方面，深度学习控制器218可以采用无监督机器学习技术来发现一个或多个关键影响因素，例如，其中每个关键影响因素与影响各种站输出、最终输出和/或过程性能的特性的一个或多个参数(或参数组合)相关联。应当理解，可以通过对深度学习控制器218的操作和训练来发现关键影响因素及其相关参数，而无需明确地标记、识别或以其他方式向操作员输出关键影响因素或参数。
[0074]
在一些方法中，深度学习控制器218可以按重要性的顺序对制造过程的每个参数对最终输出值或过程性能的影响进行排序。可以根据以下因素识别关键影响因素：截止排
名(例如，制造过程的影响最终输出值的前5个方面)，影响的最低程度(例如，制造过程的对最终输出值至少贡献25％的所有方面)；或任何其他合适的标准。在一些方面，关键影响特征可以与定量分数相关联，例如，与对应特征的影响权重相关。
[0075]
深度学习控制器218可以在整个制造过程中连续地计算关键影响因素(步骤446)。
[0076]
在一些实施例中，如结合图5所描述的，关键影响因素可用于帮助构建更鲁棒的数据集以训练深度学习控制器218。
[0077]
在常规制造中，从制造过程产生的数据是有限的，这是因为目标是产生在平均值的指定标准偏差内的中间输出值。因此，控制输入、控制值/站值/过程值的范围也受到限制，因为它们都被设计为产生落入平均值的指定范围内的中间输出值。相比之下，根据本公开，只要最终输出符合规范，中间输出值不必一定落入平均值的指定范围内。随着深度学习控制器的预测变得更加准确，在一些实施例中，深度学习控制器218可以有意地改变控制输入以形成用于产生可能超过传统制造过程(例如，spc)下控制过程的正常波动的中间输出值的条件，但仍会生成符合规范的最终输出。这为深度学习控制器218创建了更鲁棒的数据训练集，以检测模式并确定特定站、站值/控制值/过程值和中间输出值如何影响最终输出值(例如，最终输出是否符合规范)。在生产环境中实施深度学习控制器218期间和之前，都可以创建鲁棒的数据集。
[0078]
图5显示了用于创建更鲁棒数据集的示例过程。在一些实施例中，深度学习控制器218可以对一个或多个站控制器的已知的控制器输入(例如，控制设定点)进行调节以产生可能超出平均值的指定范围的中间输出值。例如，一旦深度学习控制器218被调整(步骤335)，它就知道每个站控制器的将导致符合规格的最终输出值的至少一些控制输入。在一些实施例中，深度学习控制器218可以选择一个或多个站控制器并且使得所选站控制器的已知控制输入(例如，设定点)变化预定阈值(例如，新设定点＝原始设定点 1％原始设定点)(步骤510)。深度控制器218可以使用新计算的控制输入以及用于其预测的置信水平来预测制造过程的最终输出的期望值(ev)(步骤515)。如果深度学习控制器218以阈值置信水平确定期望值将符合规格(步骤517)，则深度学习控制器218可以将调节后的控制输入提供给所选择的站控制器(步骤520)。深度学习控制器218还可以将预测的期望值与实际最终输出值(av)进行比较以提供关于其预测的反馈并进一步调节控制输入(步骤525)。
[0079]
在一个示例实施例中，可以有目的地改变与材料公差相关的控制输入，并且深度学习控制器218可以用于确定对其他控制输入进行哪些调节以生产符合规格的最终产品。通过以这种方式训练深度学习控制器218，当新材料意外地引入制造过程时，深度学习控制器218可以自行调整控制输入，而无需操作员输入。类似地，可以有目的地对控制算法进行调节(例如，模仿病毒或其他攻击的调节)，并且深度学习控制器218可以用于确定对其他控制输入进行哪些调节以产生符合规格的最终产品。通过有目的地引入这些变化，当在制造过程中意外地对控制算法进行调节时，深度学习控制器218可以自行调整控制输入，而无需操作员输入。
[0080]
在一些实施例中，深度学习控制器218可以首先确定关键影响因素(如结合图4所描述的步骤446)并且改变与关键影响因素相关联的控制输入。在其他实施例中，深度学习控制器218可以改变所有站控制器的控制输入，或者根据预定公式选择站控制器。为了创建鲁棒的数据集，深度学习控制器218可以在制造过程的每次迭代时继续调节与特定站控制
器相关联的控制输入(步骤528)。例如，深度学习控制器218可以将与关键影响因素相关联的设定点调节1％并在制造过程期间迭代一次或多次。在随后的迭代中，深度学习控制器218可以将与关键影响因素相关联的设定点再调整1％，并在制造过程期间迭代一次或多次。深度学习控制器218可以继续进行调节，直到使用调节后的设定点时制造过程的期望值在阈值置信水平下将导致最终输出值符合规格。在每次迭代期间，如结合图4所描述的，生成站值/控制值、中间输出值/最终输出值、过程值和制造性能指标(步骤430)，并将其用于调整深度学习控制器218的机器学习算法(步骤335)并动态更新功能先验和经验先验。
[0081]
以下示例进一步说明了通过改变控制输入(例如，特定站的温度设定点)来创建鲁棒数据集。在本示例中，特定站点的设定点温度为95
°
，站实际温度在92
°
到98
°
之间波动(即高于和低于设定点温度3
°
)。95
°
的设定点温度和实际站温度的相应
±3°
波动都会产生符合规格的最终输出值。深度学习控制器218然后可以预测以可忽略的量(例如，
±
.5
°
)调节温度设定点是否仍将产生符合规格的最终输出值。如果深度学习控制器218在阈值置信水平下预测出使用调节后的温度设定点的制造过程的最终输出值符合规格，则深度学习控制器218将温度设定点调节
±
.5
°
。假设与设定点具有同样的站温度波动
±3°
，那么当设定点为95.5
°
时，实际站温度将在92.5
°
到98.5
°
之间的范围内；当设定点为94.5
°
时，范围为91.5
°
到97.5
°
之间。深度学习控制器218可以将最终输出值与在91.5
°
到98.5
°
的温度范围内预期输出值进行比较，并确定其是否正确预测出最终输出值将符合规范。由于温度设定点调整了
±
.5
°
，因此生成的数据集涵盖了比原始温度范围92
°‑
98
°
更宽的温度范围：91.5
°‑
98.5。
[0082]
注意，代替改变站控制器设定点，站的控制值可以通过修改到站控制器的其他控制输入(例如，控制值)来改变，这将实现改变设定点的相同目标。例如，假设如下：站控制器的设定点为100度，实际站温度值(即控制值)为100度，并且目标是将站实际温度值提高2度。代替将温度设定点增加到102度来实现该变化，深度学习控制器218可以将它提供给站控制器的控制值更改为比实际温度值低两度(例如，将控制值从100度更改为98度)，从而使站控器将站温升高两度，以将理想的站温升高两度(即102度)。当现有站控制不允许更改设定点时，可能需要更改控制值而不是设定点。
[0083]
在一些实施例中，如结合图6所描述的，关键影响因素可用于优化最终输出值或过程值。
[0084]
一旦识别出影响最终输出值或过程性能的最重要的站、站值/控制值/过程值、中间输出值，则可以针对关键影响因素进行资源分配和过程优化。例如，可以将数据资源(例如，收集、处理和存储)主要分配给与关键影响因素相关的数据(“策划数据”)，而不是收集对制造过程产生轻微影响的大量数据。此外，可以将策划数据(制造过程中所有可用数据的子集)提供给机器学习算法，以优化关键影响因素，从而减少训练示例的数量并增加可用于处理策划数据的资源。此外，机器学习算法可以针对关键影响因素而不是整个过程进行优化，从而减少机器学习算法必须考虑的可能状态和动作，更高效、更智能地分配资源。例如，在强化学习中，状态和动作空间定义了代理可能感知的可能状态以及代理可用的动作的范围。通过仅对关键影响因素使用强化学习，减少了状态和动作空间，使算法更易于管理。
[0085]
在一些实施例中，操作员可以指定最终输出的一个或多个特征或它想要优化的过程值(例如，使用最少的功率或资源、最快吞吐量、最少的缺陷数、最大拉伸强度)。深度学习控制器218可以运行如强化学习的机器学习模型，针对关键影响因素，以优化最终输出的指
定特性(“最优设计值”)和/或指定的过程值(“最优过程值”)。
[0086]
图6根据本主题公开的一些实施例示出了用于指定最优设计/过程值并使用深度学习控制器来控制和优化关键影响因素以实现期望的最优设计或过程值的处理。
[0087]
在600处，将期望的最优设计/过程值提供给深度学习控制器218。例如，生成符合规格的最终输出：使用最少的功率或资源、最快吞吐量、最少的缺陷数量、最大的拉伸强度等。
[0088]
如605所示，深度学习控制器218可以确定用于驱动符合规格的产品的关键影响因素(也参见图4)，并且可以预测控制输入(“最优控制输入”)以控制每个关键影响因素来实现期望的最优设计或过程值。深度学习控制器218可以使用最优控制输入来确定制造过程的最终输出的预期值，并预测预期值是否符合规格并实现期望的最优设计或过程值(步骤615)。深度学习控制器218还可以计算最优控制输入将导致最优设计或过程值的置信水平(步骤615)。深度学习控制器218可以在开始时并在整个制造过程中连续地向相关站控制器提供最优控制输入(步骤620)。最优控制输入不必按串行顺序提供给站控制器，还可以并行或以任何适合产生最终输出的顺序提供给一个或多个站控制器，以实现期望的最优设计或过程值。
[0089]
在其他实施例中，符合规格的最终输出的参数将被更新以匹配期望的最优设计/过程值。例如，如果最终输出的符合规格的拉伸强度为40-90兆帕(mpa)，并且最终输出的最优拉伸强度确定为70-90mpa，则符合规格的参数可以被更新为70-90兆帕。深度学习控制器218可以预测与关键影响因素相关联的站控制器的计算控制输入将实现更新的规格参数(即，70-90mpa)的并确定置信水平。当深度学习控制器218以高于预定义阈值的置信水平预测出计算的控制输入将实现更新的规格参数时，深度学习控制器218可以更新相关的站控制器。
[0090]
注意，深度学习控制器218可以继续向其他站控制器提供控制输入，如结合图3所讨论的，但优化将只针对与关键影响因素相关的站控制器。在一些实施例中，深度学习控制器218可以优化与任何站相关联的站控制器、站值/控制值/过程值或中间输出值，而不仅仅是针对关键影响因素进行优化。
[0091]
深度学习控制器218还可以将期望值与实际值进行比较以提供关于其预测的反馈并进一步调节控制输入(步骤545)。当制造过程开始并进行到所有站时，在一些实施例中，仅与关键影响因素相关的测量值以及最终输出的测量值将被收集并提供给深度学习控制器218。在其他实施例中，深度学习控制器218可以继续收集所有加工站的数据。这些数据将被用于持续改进关键影响因素的控制输入，以便始终如一地以高置信度实现最优设计/过程值。
[0092]
注意：可以随时改变期望的最优设计/过程值。此外，可以通过更改关可以用作关键影响因素的标准来计算新的关键影响因素(例如，第一标准可以将驱动符合规格的最终输出的前5个站点归类为关键影响因素，而更新的标准可能会将驱动符合规格的最终输出的仅前3个站归类为关键影响因素)。此外，一旦深度学习控制器218预测控制输入以在一段时间内以某个置信水平实现最优设计/过程值，深度学习控制器218就可以识别哪些关键影响因素是驱动期望优化的关键影响因素，并且仅针对关键影响因素的子集，进一步减少机器学习算法必须考虑的可能的动作/状态，并更有效地将资源分配给该子集。
[0093]
在进一步的实施例中，深度学习控制器218不仅可以在制造过程的工站的迭代开始之前初始化关键影响因素的站控制器输入，而且还可以在过程本身期间调节控制输入。特别地，基于从过程中的先前站接收的信息，深度学习控制器218可以改变与制造过程中后续站相关联的控制输入，以确保实现最优设计/过程值。深度学习控制器218还可以随着制造过程的进行对制造过程中的先前站进行调节并从后续站接收数据。
[0094]
在一些实施例中，可以计算尝试实现最优设计或过程值的制造过程的制造性能指标并将其提供给深度学习控制器218(步骤632)。这些制造性能指标可以与ppc的制造性能指标和/或常规控制的制造性能指标进行比较，以确定通过优化设计和/或制造过程提供的改进。
[0095]
优化制造系统以减少可以由深度学习控制器调节和实现的可能的动作和状态的示例在发明名称为“adaptive methods and real-time decision making for manufacturing control”的美国专利临时申请第62/836,199号中进行了描述，其全文以引用方式并入于此。所公开的方法仅是示例而不是限制性的。
[0096]
优化制造系统以减少可以机器学习算法必须考虑并且由深度学习控制器调节和实现的可能的动作和状态的示例在发明名称为“transfer learning approach to multi-component manufacturing control”的美国专利临时申请第62/836,213号中进行了描述，其全文以引用方式并入于此。所公开的方法仅是示例而不是限制性的。
[0097]
图7示出了可以应用预测过程控制来优化最终输出的设计/处理的示例制造系统。具体而言，3d制造系统可以具有多个加工站(例如，站700-750)，并且每个加工站可以执行处理步骤(例如，沉积将产生最终输出的材料挤压层)。使用预测过程控制，如图6所示，操作员可以指定其想要优化的(例如，最终输出的拉伸强度)(步骤600)。此外，深度学习控制器218可以确定影响最终输出的拉伸强度的关键影响因素(步骤605)(例如，每层沉积材料的体积变化和对挤出机速度控制的变化)。深度学习控制器218可以通过运行机器学习算法(例如强化学习)以仅优化关键影响因素来减少机器学习算法必须考虑的可能动作/状态，而不优化其他控制属性(例如挤出机喷嘴温度、打印机头的打印模式)。此外，深度学习控制器218可以识别哪些挤出层对拉伸强度的影响最大(例如，第4层和第5层)，并优化对于沉积这些层的站(例如，站4和5)的关键影响因素。
[0098]
注意，在一些实施例中，结合图4-7中讨论的预测过程控制方法，可以关闭常规站控制器，深度学习控制器218可以直接控制加工站。
[0099]
此外，在预测过程控制的一些实施例中，数据记录模块810(如图8所示)可以被配置为从深度学习控制器218接收数据、分析数据并生成报告、电子邮件、警报、日志文件或其他数据输出(步骤815)。例如，数据记录模块810可以被编程为针对预定义的触发事件搜索接收的数据，并生成报告、电子邮件、警报、日志文件或显示与那些触发事件相关联的相关数据的其他数据输出(步骤815)。例如，调节设定点或其他控制输入可以被定义为触发事件，并且可以报告以下数据：调节的设定点或其他控制输入的名称、受影响的站、日期和时间、与调节后的控制输入相关的置信水平、调节后的控制输入是否达到了符合规格的最终输出或最优设计/过程值，进行调节的原因。在另一个示例中，实现或未实现最优设计/过程值可以被定义为触发事件，并且可以报告以下数据：关键影响因素的控制输入、日期和时间、任何报告的中断、控制输入的置信水平、生产时间、资源消耗相关的运营商。可以定义其
他合适的触发器，并且可以报告其他合适的数据。数据记录模块还可以将在使用传统控制的制造过程中收集的过程值、最终输出值、制造性能指标与使用预测性能控制的制造过程中收集的过程值、最终输出值、制造性能指标进行比较。在一些实施例中，数据记录模块810可以被包括在深度学习控制器218内。
[0100]
图9示出了根据所公开主题的一些实施例的可以实施预测过程控制的深度学习控制器218的实施例的一般配置。尽管深度学习控制器218被示为其中各种组件经由总线905耦合的本地化计算系统，但是应当理解，各种组件和功能计算单元(模块)可以实现为单独的物理或虚拟系统。例如，一个或多个组件和/或模块可以在物理上分离的远程设备中实现，例如使用在云环境中实例化的虚拟进程(例如，虚拟机或容器)。
[0101]
深度学习控制器218可以包括处理单元(例如，一个或多个cpu和/或一个或多个处理器)910和总线905，总线905将包括系统存储器915的各种系统部件(例如只读存储器(rom)920和随机存取存储器(ram)925)耦接至处理单元910。处理单元910可以包括一个或多个处理器，例如来自motorola系列微处理器或mips系列微处理器的处理器。在替代实施例中，处理单元910可以是专门设计的、用于控制深度学习控制器218的操作并执行预测过程控制的硬件。当在适当的软件或固件的控制下作用时，处理模块910可以执行本文描述的各种机器学习算法和ppc的计算。
[0102]
存储器915可以包括具有不同性能特征的各种类型的存储器，例如存储器高速缓存912。处理器910可以耦接到存储设备930，存储设备930可以被配置为存储实现一个或多个功能模块和/或数据库系统所需的软件和系统。这些模块和/或数据库系统中的每一个可以被配置为控制处理器910以及其中软件指令被合并到实际处理器设计中的专用处理器。
[0103]
为了使操作员能够与深度学习控制器218交互，输入设备945可以代表任何数量的输入机制，例如用于语音的麦克风、用于手势或图形输入的触敏屏幕、键盘、鼠标、运动输入等等。输出设备935也可以是本领域技术人员已知的多个输出机构(例如打印机、监视器)中的一个或多个。在一些情况下，多模式系统可以使操作员能够提供多种类型的输入以与深度学习控制器218通信。通信接口940通常可以支配和管理操作员输入和系统输出，以及从作为制造过程一部分的其他组件(例如站控制器、加工站、数据记录模块以及所有相关的传感器和图像捕获设备)接收所有电子输入和将其发送到作为制造过程一部分的其他组件。对在任何特定硬件布置上的操作没有限制，因此这里的基本功能可以随着硬件或固件布置的开发而很容易地替换为改进的硬件或固件布置。从深度控制器218输出的数据可以被可视地显示、打印或以文件形式生成并存储在存储设备930中或传输到其他组件以供进一步处理。
[0104]
通信接口940可以被提供为接口卡(有时称为“线卡”)。通常，它们控制通过网络发送和接收数据包，有时还支持与路由器一起使用的其他外围设备。可以提供的接口包括以太网接口、帧中继接口、电缆接口、dsl接口、令牌环接口等。此外，可以提供各种超高速接口，例如快速令牌环接口、无线接口、以太网接口、千兆以太网接口、atm接口、hssi接口、pos接口、fddi接口等。通常，这些接口可以包括适合与适当介质进行通信的端口。在某些情况下，它们也可以包括独立的处理器，在某些情况下，还包括易失性ram。独立处理器可以控制诸如分组交换、介质控制和管理之类的通信密集型任务。通过为通信密集型任务提供单独的处理器，这些接口允许处理单元910有效地执行机器学习和实现预测过程控制所需的其
他计算。通信接口940可以被配置为与作为制造过程的一部分的其他部件通信，例如站控制器、加工站、数据记录模块以及所有相关联的传感器和图像捕获设备。
[0105]
与制造过程相关联的传感器可以包括在实施ppc之前存在的传感器，以及被添加以执行ppc使用的任何附加测量的任何新传感器。一个或多个传感器可以包括在每个站内或耦接到每个站。传感器可用于测量制造过程产生的值，例如：站值、控制值、中间输出值和最终输出值。此外，深度学习控制器218或深度学习控制器218外部的模块可以使用传感器提供的信息来计算过程值和制造性能指标。示例传感器可以包括但不限于：用于检测位置和速度的旋转编码器；用于检测接近度、压力、温度、液位、流量、电流和电压的传感器；用于检测状态(例如是否存在行程终端限位)的限位开关。如本文所用，传感器包括感测设备和信号调节器两者。例如，感测设备对站值或控制值做出反应，信号调节器将该反应转换为可由深度学习控制器使用和解释的信号。对温度起反应的传感器的例子有rtd、热电偶和铂电阻探头。应变力感测器对压力、真空、重量、距离变化等做出反应。当物体彼此相距一定距离或在指定的距离内时，接近传感器(proximity sensor)会对物体做出反应。对于所有这些示例，必须将反应转换为可由深度学习控制器218使用的信号。在许多情况下，传感器的信号调整功能产生由深度学习控制器218解释的数字信号。信号调节器还可以产生模拟信号或ttl信号等。
[0106]
在一些实施例中，深度学习控制器218可以包括成像处理设备970，其处理由各种图像捕获设备(例如摄像机)接收的图像，这些图像捕获设备与一个或多个加工站耦接并且能够监视和捕获中间输出和最终输出的图像。这些图像可以通过通信接口940传输到深度学习控制器218，并由图像处理设备970处理。图像可以被处理以提供数据，例如缺陷的数量和类型、输出尺寸、吞吐量，这些数据可以由深度学习控制器218用于计算中间输出值和最终输出值。在一些实施例中，图像处理设备可以在深度学习控制器218的外部并且经由通信接口940向深度学习控制器218提供信息。
[0107]
存储设备930是非暂态存储器并且可以是硬盘或可以存储计算机可访问的数据的其他类型的计算机可读介质，例如磁带、闪存卡、固态存储设备、数字多功能磁盘、盒式磁带、随机存取存储器(ram)825、只读存储器(rom)820及其混合。
[0108]
在实践中，存储设备930可以被配置为接收、存储和更新输入到深度学习控制器218的输入数据以及从深度学习控制器218输出的输出数据，例如功能先验、经验先验、通用输入、预处理输入、处理中输入和后处理输入。
[0109]
在一些实施例中，任何合适的计算机可读介质可用于存储用于执行本文描述的功能和/或处理的指令。例如，在一些实施例中，计算机可读介质可以是暂态的或非暂态的。例如，非暂态计算机可读介质可以包括诸如非暂态磁介质(例如硬盘、软盘等)、非暂态光学介质(例如光盘、数字视频盘、蓝光光盘等)的介质、非暂态半导体介质(例如闪存、电可编程只读存储器(eprom)、电可擦除可编程只读存储器(eeprom)等)、不是在传输过程中稍纵即逝且没有任何持久性的任何合适的介质和/或任何合适的有形介质。作为另一个示例，暂态计算机可读介质可以包括网络上的信号；电线、导体、光纤、电路中的信号，在传输过程中稍纵即逝且没有任何持久性的任何合适的介质和/或任何合适的无形介质。
[0110]
这里描述的各种系统、方法和计算机可读介质可以被实现为云网络环境的一部分。如本文所用，基于云的计算系统是向客户端设备提供虚拟化计算资源、软件和/或信息
的系统。计算资源、软件和/或信息可以通过维护边缘设备能够通过诸如网络的通信接口访问的集中式服务和资源来虚拟化。云可以通过云元件提供各种云计算服务，例如软件即服务(saas)(例如，协作服务、电子邮件服务、企业资源规划服务、内容服务、通信服务等)、基础设施即服务(iaas)(例如，安全服务、网络服务、系统管理服务等)、平台即服务(paas)(例如，web服务、流媒体服务、应用程序开发服务等)，以及其他类型的服务，例如桌面即服务(daas)、信息技术管理即服务(itaas)、托管软件即服务(msaas)、移动后端即服务(mbaas)等。
[0111]
此处描述的示例的提供(以及短语“例如”、“诸如”、“包括”等)不应被解释为将要求保护的主题限制于特定示例；相反，这些例子只是为了说明许多可能的方面中的一些。本领域普通技术人员将理解，术语机制可以包括硬件、软件、固件或其任何合适的组合。
[0112]
除非从上述讨论中明显地另外明确说明，应理解，在整个描述中，使用诸如“确定”、“提供”、“识别”、“比较”等术语的讨论指的是计算机系统或类似电子计算设备的动作和处理，其在计算机系统存储器或寄存器或其他此类信息存储、传输或显示设备中操作和转换表示为物理(电子)量的数据。本公开的某些方面包括本文以算法形式描述的处理步骤和指令。需要说明的是，本公开的处理步骤和指令可以体现在软件、固件或硬件中，当体现在软件中时，可以下载到实时网络操作系统使用的不同平台上并由其运行。
[0113]
本公开还涉及一种用于执行这里的操作的装置。该装置可以为所需目的而专门构造，或者它可以包括由存储在计算机可读介质上的计算机程序选择性地激活或重新配置的通用计算机，该计算机可以访问该计算机可读介质。这种计算机程序可以存储在计算机可读存储介质中，例如但不限于任何类型的磁盘，包括软盘、光盘、cd-rom、磁光盘、只读存储器(rom)、随机存取存储器(ram)、eprom、eeprom、磁卡或光卡、专用集成电路(asic)或任何类型的适合存储电子指令的非暂态计算机可读存储介质。此外，说明书中提及的计算机可以包括单个处理器或者可以是采用多处理器设计以增加计算能力的架构。
[0114]
这里呈现的算法和操作与任何特定的计算机或其他装置没有固有的关系。各种通用系统也可以与根据这里的教导的程序一起使用，或者构造更专门的装置来执行所需的方法步骤和系统相关的动作可以证明是方便的。各种这些系统所需的结构以及等效的变化对于本领域技术人员来说是显而易见的。此外，本公开没有参照任何特定的编程语言进行描述。应当理解，可以使用多种编程语言来实现如本文所述的本公开的教导，并且提供对特定语言的任何参考以用于实现本公开和本公开的最佳实现方式。
[0115]
各种实施例的逻辑操作被实现为：(1)在通用计算机内的可编程电路上运行的计算机实现的步骤、操作或过程的序列，(2)在专用可编程电路上运行的计算机实现的步骤、操作的序列；和/或(3)在可编程电路内互连的机器模块或程序引擎。系统300可以实践全部或部分所述方法，可以是所述系统的一部分，和/或可以根据所述非暂态计算机可读存储介质中的指令进行操作。这种逻辑操作可以被实现为如下模块：该模块被配置为控制处理器363以根据模块的编程来执行特定功能。
[0116]
应当理解，所公开的制造过程中步骤的任何特定顺序或层次都是对示例性方法的说明。基于设计偏好，可以理解，可以重新安排制造过程中步骤的特定顺序或层次，或者仅执行所示步骤的一部分。一些步骤可以同时进行。例如，在某些情况下，多任务和并行处理可能是有利的。而且，上述实施例中各个系统组件的分离不应理解为在所有实施例中都需
要这样的分离，应当理解的是，所描述的程序组件和系统一般可以集成在一个软件产品中或打包成多种软件产品。
[0117]
已经具体参考这些例示的实施例详细描述了预测过程控制装置、方法和系统。然而，显而易见的是，可以在如前述说明书中描述的本公开的精神和范围内进行各种修改和改变，并且这些修改和改变被认为是等同物并且是本公开的一部分。
[0118]
本公开的声明
[0119]
声明1、一种计算机实施的方法，包括：
[0120]
深度学习控制器从两个或多个站接收多个控制值，其中，所述控制值在部署在制造过程中的所述两个或多个站处生成；
[0121]
由所述深度学习控制器基于所述控制值预测制造品的中间输出或最终输出的期望值；
[0122]
由所述深度学习控制器确定预测的所述制造品的期望值是否符合规格；以及
[0123]
如果预测的所述制造品的期望值不符合规格，则由所述深度学习控制器生成一个或多个控制输入，其中所述一个或多个控制输入被配置为使得所述制造品的中间输出或最终输出符合规格。
[0124]
声明2、如声明1所述的计算机实施的方法，还包括：
[0125]
如果与所述一个或多个控制输入相关联的置信水平超过预定阈值，则将所述一个或多个控制输入输出到一个或多个站控制器。
[0126]
声明3、如声明1或2所述的计算机实施的方法，其中将所述一个或多个控制输入输出到一个或多个站控制器还包括：
[0127]
将第一控制输入提供给与第一站相关联的第一站控制器；以及
[0128]
将第二控制输入提供给与第二站相关联的第二站控制器，其中所述第二站在所述制造过程中位于所述第一站的下游。
[0129]
声明4、如声明1-3中任一项所述的计算机实施的方法，其中预测所述制造品的中间输出或最终输出还包括：
[0130]
识别与所述制造过程相关联的一个或多个关键影响；以及
[0131]
对与所述一个或多个关键影响至少其中之一相关联的一个或多个控制输入进行调节。
[0132]
声明5、如声明1-4中任一项所述的计算机实施的方法，还包括：
[0133]
如果预测的所述制造品的期望值符合规格，则允许所述一个或多个站控制器控制所述制造过程。
[0134]
声明6、如声明1-5中任一项所述的计算机实施的方法，还包括：
[0135]
所述深度学习控制器接收多个站值，其中所述站值与所述一个或多个站相关联，并且
[0136]
其中还基于所述站值预测所述制造品的所述预测值。
[0137]
声明7、如声明1-6中任一项所述的计算机实施的方法，其中，所述多个控制值包括速度、温度、压力、真空、旋转、电流、电压、电阻以及功率中的一个或多个。
[0138]
声明8、一种系统，包括：
[0139]
一个或多个处理器；以及
[0140]
非暂态存储器，用于存储指令，当由所述一个或多个处理器执行时，所述指令使得所述一个或多个处理器执行包括以下的操作：
[0141]
深度学习控制器从两个或多个站接收多个控制值，其中，所述控制值在部署在制造过程中的所述两个或多个站处生成；
[0142]
由所述深度学习控制器基于所述控制值预测制造品的中间输出或最终输出的期望值；
[0143]
由所述深度学习控制器确定预测的所述制造品的期望值是否符合规格；以及
[0144]
如果预测的所述制造品的期望值不符合规格，则由所述深度学习控制器生成一个或多个控制输入，其中所述一个或多个控制输入被配置为使得所述制造品的中间输出或最终输出符合规格。
[0145]
声明9、如声明8所述的系统，其中所述处理器还被配置为执行包括以下的操作：
[0146]
如果与所述一个或多个控制输入相关联的置信水平超过预定阈值，则将所述一个或多个控制输入输出到一个或多个站控制器。
[0147]
声明10、如声明8或9所述的系统，其中，将所述一个或多个控制输入输出到所述一个或多个站控制器还包括：
[0148]
将第一控制输入提供给与第一站相关联的第一站控制器；以及
[0149]
将第二控制输入提供给与第二站相关联的第二站控制器，其中所述第二站在所述制造过程中位于所述第一站的下游。
[0150]
声明11、如声明8-10中任一项所述的系统，其中预测所述制造品的期望值还包括：
[0151]
识别与所述制造过程相关联的一个或多个关键影响；以及
[0152]
对与所述一个或多个关键影响至少其中之一相关联的一个或多个控制输入进行调节。
[0153]
声明12、如声明8-11中任一项所述的系统，还包括：
[0154]
如果预测的所述制造品的期望值符合规格，则允许所述一个或多个站控制器控制所述制造过程。
[0155]
声明13、如声明8-12中任一项所述的系统，其中所述处理器还被配置为执行包括以下的操作：
[0156]
所述深度学习控制器接收多个站值，其中所述站值与所述一个或多个站相关联，并且
[0157]
其中还基于所述站值预测所述制造品的所述预测值。
[0158]
声明14、如声明8-13中任一项所述的系统，其中，所述多个控制值包括速度、温度、压力、真空、旋转、电流、电压、电阻以及功率中的一个或多个。
[0159]
声明15、一种非暂态计算机可读存储介质，包括存储在其中的指令，当由所述一个或多个处理器执行时，所述指令使得所述一个或多个处理器执行包括以下的操作：
[0160]
深度学习控制器从两个或多个站接收多个控制值，其中，所述控制值在部署在制造过程中的所述两个或多个站处生成；
[0161]
由所述深度学习控制器基于所述控制值预测制造品的中间输出或最终输出的期望值；
[0162]
由所述深度学习控制器确定预测的所述制造品的期望值是否符合规格；以及
[0163]
如果预测的所述制造品的期望值不符合规格，则由所述深度学习控制器生成一个或多个控制输入，其中所述一个或多个控制输入被配置为使得所述制造品的中间输出或最终输出符合规格。
[0164]
声明16、如声明15所述的非暂态计算机可读存储介质，还包括被配置为使得所述一个或多个处理器执行包括以下的操作的指令：
[0165]
如果与所述一个或多个控制输入相关联的置信水平超过预定阈值，则将所述一个或多个控制输入输出到一个或多个站控制器。
[0166]
声明17、如声明15或16所述的非暂态计算机可读存储介质，其中，将所述一个或多个控制输入输出到所述一个或多个站控制器还包括：
[0167]
将第一控制输入提供给与第一站相关联的第一站控制器；以及
[0168]
将第二控制输入提供给与第二站相关联的第二站控制器，其中所述第二站在所述制造过程中位于所述第一站的下游。
[0169]
声明18、如声明15-17中任一项所述的非暂态计算机可读存储介质，其中预测所述制造品的期望值还包括：
[0170]
识别与所述制造过程相关联的一个或多个关键影响因素；以及
[0171]
对与所述一个或多个关键影响因素至少其中之一相关联的一个或多个控制输入进行调节。
[0172]
声明19、如声明15-18中任一项所述的非暂态计算机可读存储介质，还包括被配置为使得所述一个或多个处理器执行包括以下的操作的指令：
[0173]
如果预测的所述制造品的期望值符合规格，则允许所述一个或多个站控制器控制所述制造过程。
[0174]
声明20、如声明15-19中任一项所述的非暂态计算机可读存储介质，还包括被配置为使得所述一个或多个处理器执行包括以下的操作的指令：
[0175]
所述深度学习控制器接收多个站值，其中所述站值与所述一个或多个站相关联，并且
[0176]
其中还基于所述站值预测所述制造品的所述期望值。