CN101203818B - 用于控制用来生产具有空间相关特性的产品的具有空间相关条件的工艺的方法及系统 - Google Patents

用于控制用来生产具有空间相关特性的产品的具有空间相关条件的工艺的方法及系统 Download PDF

Info

Publication number
CN101203818B
CN101203818B CN2006800219775A CN200680021977A CN101203818B CN 101203818 B CN101203818 B CN 101203818B CN 2006800219775 A CN2006800219775 A CN 2006800219775A CN 200680021977 A CN200680021977 A CN 200680021977A CN 101203818 B CN101203818 B CN 101203818B
Authority
CN
China
Prior art keywords
data
neural network
performance
input data
input
Prior art date
Application number
CN2006800219775A
Other languages
English (en)
Other versions
CN101203818A (zh
Inventor
保尔·L.·柯莱特三世
窦格拉斯·W.·约翰森
Original Assignee
搭篷技术公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority to US11/129,062 priority Critical patent/US7526463B2/en
Priority to US11/129,062 priority
Application filed by 搭篷技术公司 filed Critical 搭篷技术公司
Priority to PCT/US2006/018496 priority patent/WO2006124635A1/en
Publication of CN101203818A publication Critical patent/CN101203818A/zh
Application granted granted Critical
Publication of CN101203818B publication Critical patent/CN101203818B/zh

Links

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/32Operator till task planning
    • G05B2219/32193Ann, neural base quality management
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/33Director till display
    • G05B2219/33021Connect plural macrocircuits, neural network modules in a larger network
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/33Director till display
    • G05B2219/33027Artificial neural network controller
    • Y02P90/22

Abstract

用于控制用来生产具有空间相关参数的产品的具有空间相关条件的工艺的系统和方法,例如用于生产基于薄板/薄片的产品的基于薄板/薄片的工艺。包含多个输入数据集的输入数据被提供给(模拟或基于计算机的)神经网络,每个输入数据集包含一个或多个输入参数值,分别包含一个各自的工艺条件或产品参数。输入数据保持输入数据的空间关系。神经网络根据输入数据产生输出数据,输出数据包含多个输出数据集,每个输出数据来包含一个或多个输出参数值,分别包含一个预测的工艺条件或产品参数。输出数据保持与输入数据的空间关系相对应的输出数据空间关系。输出数据可由控制器或操作员用于控制所述工艺。

Description

用于控制用来生产具有空间相关特性的产品的具有空间相关条件的工艺的方法及系统

技术领域

[0001] 本发明涉及对生产基于薄板或基于薄片的产品的制造工艺进行测量和控制,更具体地说,涉及在对这种工艺的控制中使用具有空间相关数据的神经网络。

背景技术

[0002] 所制造的产品质量在经济上通常比其生产数量更为关键。世界各地有很多标准在供应商和顾客之间提供有关质量保证的指导。维持产品的质量标准可能需要考虑产品的具体特性,以及产品的最终用途。产品的质量是制造期间出现的所有原材料、设备、工艺及操作员操作的物理综合的结果。

[0003] 工艺控制可被归纳为制造过程中用于产生尽可能最好的产品特性和工艺经济性的集合。基于产品特性的空间或维数相关性,许多制造工艺是下面的两类之一——纵向或散装制造;以及基于薄板或薄片的制造。纵向或散装产品可被视为在维数上同质且可用散装特性度量或定性。例如,塑料销、高聚物线、流体等。基于薄板的产品可通过空间相关特性量度或定性。例如,塑料卷轴和薄片、纸、其他纤维、矿物质和木制品、甚至某些食品。注意,此处术语“薄片”是指扁平的产品和卷起的产品。

[0004] 由于基于薄板的产品的维数性质,基于薄板的产品面临的挑战需要具体考虑制造工艺条件和产品特性。基于薄板的生产流程中不适当的工艺条件控制,无论在制造方向上还是制造方向外,都会导致产品对于最终消费者而言价值很少或毫无价值。在这种情况下, 制造者将需要再循环和重新制造产品,从而丧失获利机会或者低价卖出产品。许多消费者购买基于薄板的产品当作他们自己加工过程中的原材料,然后将薄板产品转换为最终用户的消费品。低于第一质量的基于薄板的产品通常不被消费者接受。有效控制基于薄板的工艺和基于薄板的产品特性的能力在决定制造业工作的利润方面起着重要的作用。

[0005] 一般工艺控制的质量和工艺条件

[0006] 图1以概括的框图形式示出了典型制造工艺的关键概念。如图1所示,原材料102 通过工艺条件控制下的工艺104被转化为具有理想特性的产品106。图1还显示了典型制造业工艺的原材料、工艺条件和产品特性示例。例如,原材料102可包括如化学品、纤维、能量和零部件等散装供应材料。工艺条件可包括如流量、压力、温度、湿度及速度、比率和供应特性等操作参数。与质量相关的示例产品的特性可包括重量、颜色、强度、成分、质地等。

[0007] 控制工艺条件

[0008] 图2示出了一个更详细的制造工艺示意图,它涉及具有具体理想特性产品的生产。具体而言,图2提供了制造工艺各方面的简化的全面考虑,其中工艺的有效操作需要将工艺条件维持在一个或多个条件设置点上,以使得生产的产品具有与理想产品特性目标相匹配的产品特性。

[0009] 如图2所示,各种各样的原材料208能够以各种工艺条件提供给工艺210,包括可控工艺条件,即控制器/执行单元参数,其中该工艺生产了具有多种产品特性的产品212。工艺210可根据工艺条件目标值202进行控制,该目标值可按照初始工艺条件值进行初始化,如图所示,但该目标值可基于已测得的工艺和特性数据的反馈进行调整。可见,产品特性的量度206可按产品特性目标值204进行分析,且工艺条件目标的调整可被决定并用于工艺条件目标值202。图中还显示,工艺条件的量度可按照工艺条件目标值202进行分析, 从而可控工艺条件的调整作用于该工艺。因此,系统的各组成部分可通过反馈机制联合运转来控制工艺生产具有理想特性的产品。

[0010] 制造工艺控制的自动化允许生产无法由人工操作控制的复杂制造工艺的产品。 除了经济上更有利的高速制造产品外,自动工艺控制使产品更一致地达到更理想的产品特性。这三个因素,即更大的生产能力、更理想的产品特性、以及更经济的操作,构成了工艺控制的基础,可被概括为利用科学方法来获取制造工艺上的经济优势。

[0011] 如图2所示的工艺控制任务可被概括为五个步骤,其应用于纵向或散装产品的制造工艺和基于薄板的产品的制造工艺。需要注意的是,这些描述的一般性并非忽略或过分简化必要的控制工艺条件和每个制造工艺的产品特性的努力。

[0012] 1)设定初始工艺条件设置点

[0013] 2)产生工艺条件的工艺条件量度

[0014] 3)根据工艺条件量度调整可控工艺状态

[0015] 4)基于所制造的产品的产品特性产生产品特性量度

[0016] 5)根据产品特性量度调整工艺条件设置点

[0017] 步骤2和4包括制造操作的控制和经济上成功所必需的工艺条件的量度和产品特性的量度。

[0018] 因此,如图2所示,所制造的产品由一个或多个产品特性所定义,其中每种产品特性通过一种具体量度进行量化,并且制造工艺被操作来产生达到由具体量度而定的各产品特性的目标水平。每个具体的产品特性对于所制造的产品的整体价值都有帮助。图中还表示,产品特性目标值和工艺条件量度(及初始工艺条件目标)确定了工艺条件目标值,它又可用于调整加工过程中的可控工艺条件。因此,所测得的和目标产品特性,所测得的和目标工艺条件间的相互影响及对其所作的调整,产生了一个反馈系统,由此最终产品的质量可调谐并维持在理想结果。

[0019] 图3示出了代表大多数制造工艺的系统,其中所生产的产品的最终用途和理想特性决定了处理工艺和用于调整工艺的控制的具体性质。换言之,生产中产品的物理性质可指示工艺设计、原材料配置和达到最终产品特性所需的控制。

[0020] 图3所示塑料销挤压的例子是一个简化的现有技术的纵向或散装工艺,在此示出作为例证,但所描述的一般概念也可用于更复杂的制造工艺。可见,原材料102(如塑料球、着色剂、稳定剂、润滑剂等)在受控的工艺条件(如温度、压力、流量等)下在挤压机 302(执行工艺104)中被加工以生产出产品106,具体地说就是塑料销304,如图所示。受控工艺条件的例子包括彻底熔化材料、均勻混合材料、将挤压机制加热至预设温度、在挤压过程中保持压力、冷却至理想温度等等。本例中的产品(销304)可被生产为具有具体理想特性,例如销的颜色、单位标准长度下的重量、硬度、抗张强度等。

[0021] 一般情况下,一种工艺下生产的产品的实际产品特性由加工过程中的所有工艺条件和加工中用到的原材料共同确定。工艺条件可包括但不限于原材料特性、加工速度、加工设备的机械操纵和工艺的各个操作中的条件等。如上所述,塑料销的挤压是指一个纵向或散装制造工艺,因为任何纬度方向的工艺或产品考虑相对无意义,即,由于在除了制造方向外的任何方向上产品都具有同质性。纵向或散装产品的其他例子如化学品或石油产品、从聚合原材料到接合剂的各种尺寸的固体颗粒或任何其他产品,其特性很少有或没有交叉制造方向的变化,并且当在制造时间的小增量范围测量时可被视为同质的。塑料销的理想特性可基于制造加工中的时间或相应的产品位置。

[0022] 基于薄板的工艺控制的质量和工艺条件

[0023] 在具体设计的用于生产基于薄板或薄片的产品的工艺的情况下,关于原材料、制造工艺和产品特性既有纵向又有纬度方向的考虑。基于薄板的产品特性类似地也取决于加工过程中的所有工艺条件和加工中用到的原材料。基于薄板的产品需要将原材料方面的维数(即二维)考虑当作工艺控制的一部分。生产塑料销的制造工艺的先前的例子可与相应的生产连续塑料片或薄板402的制造工艺进行对比,如图4所示。

[0024] 简单概括,塑料销生产和塑料片生产的制造工艺包括大致相似的工艺单元功能, 随着时间按照温度、压力、流量等的相应处理作用于原材料。所得到的产品(如,销304和薄片40¾的理想产品特性不同,如何控制工艺条件以达到理想特性也是不同的。注意,由于工艺和特性的二维性,塑料片的制造工艺及其产品特性不同于塑料杆的制造工艺及其产品特性。与挤压成的塑料杆相似,塑料片的理想特性可基于其在制造过程中的位置进行测量且与时间相关,然而,基于薄板的塑料片还必须测量其在纬度方向的制造工艺和产品特性。

[0025] 典型的薄板制造工艺生产基于薄板的产品,工艺条件或产品特性纬度方向的尺寸垂直于制造方向被参照。这个垂直于或跨过制造方向的位置参照通常是指交叉方向位置或 CD位置,而参照制造方向的产品特性位置通常是指制造或机器方向位置或MD位置,分别如图5所示。具体而言,ID工艺/产品(底部的)显示只有一个MD方向504,而基于薄板的产品402显示有MD方向504和⑶方向502,可见502垂直于MD方向504,即垂直于运动或行进方向。

[0026] 测量工艺条件和产品特性

[0027] 如上所述,需要工艺条件量度和产品特性量度的一般工艺控制策略中有具体的步骤,然而,由于物理量度的固有性质、必须采取理想量度的位置、或者获取精确量度所需的时间,导致制造工艺量度和产品特性量度很难实现。换言之,由于位置、环境、精度或过程控制系统或策略中工艺条件数据的用处受限的其他方面的考虑,某些工艺条件量度难以可靠地获取,并且类似情况下的各种产品特性的测量数据也难以获取。产品特性量度在用途上有附加约束,该用途与用来产生具体产品特性的精确和可靠的量度所需的时间相关。某些产品的特性量度在能够得到一个精确的产品特性量度前需要数小时、甚至数天或数周的情况并不鲜见,例如,产品特性包括物理性能或破坏性试验如强度、保存期限、耐用性、颜色牢固度等。

[0028] 制造操作的经济可行性关键依赖于精确工艺条件量度和产品特性量度的及时获得。无法获得精确及时的量度会影响制造工艺的效率和所制造的产品的质量。

[0029] 基于薄板的量度

[0030] 由此可知,对与任何时间点相关的交叉制造方向量度有附加要求的基于薄板的工艺条件和基于薄板的产品特性的维度性质需要特殊考虑。[0031] 图6示出了一个典型的基于薄板的产品402和与原材料及基于薄板的制造工艺有关的相关维度,以及由于需要测量两个产品的同一产品特性所导致的产品特性量度考虑因素的比较,这两个产品由大致相似的原材料制作但通过不同制造工艺生产,具体的生产工艺为纵向或散装的(如销生产)和基于薄板的(薄片生产)。

[0032] 参考先前压制塑料销和压制塑料膜的例子,两者的比较表明基于薄板的产品需要基于薄板的产品在具体时刻的同一理想属性的附加量度来表现理想产品特性与纵向或散装产品相比的特点。换言之,如图6所示,基于薄板产品的维度属性一般需要更多的量度来提供工艺条件和产品特性量度或表征的相似水平。由图6可知,销产品304和网络产品402 在时刻T1和T2的已测产品特性(PP)由各自的标签所代表。对于纵向或散装产品,每个时刻仅有一个量度,如PP T1,它表示时刻T1的产品特性(PP)。对于基于薄板的产品,每个时刻有多个量度,PP TfD1,它表示时刻T1在位置OT1的产品特性(PP),PP T1OT2等,其针对产品网络上的每个⑶位置。图中还表示,这些交叉方向的量度针对这些⑶位置也在时刻T2 得到。对于产品薄板上(即,在各个不同的CD位置)理想特性的不适当或不完全的量度可导致工艺条件目标和质量价值较低产品的不适当或不完全的调整。众所周知,在基于薄板的产品的制造领域中,制造工艺和产品的总宽度可在空间上分割为交叉制造方向宽度上一个个较小的增量,以便于更高分辨率的测量及工艺条件和产品特性的控制。制造工艺的各空间分割部分在产品中产生一个相应的空间部分,如沿着网络产品延伸的纵向带或条(按时间或制造方向)与相应的CD位置相关或由其定义,如任意或全部时间或制造方向点上的相应CDn位置。例如沿着产品的邻近边缘延伸的产品带可以是指CD区1、外形区1、数据框 1、或仅仅是CD115因此,在靠近前侧边缘所得到的所有CD1量度可被视为空间上包含于CD区 1或来自特定的CD区。还应当注意,所报告的在特定CD位置所得到的不同量度,如CD1, 不可在完全相同的位置获取,如取决于某些传感器空间上的需要。换言之,一组量度可在某个特定CD区内取得,如在该区或带的一串位置,并且可被当作在该位置。同样,如下所述, 实际测得的数据可用于综合与具体CD位置相关的额外数据(如通过内插、外推等),即使实际测得的数据不是来自那些确切的位置。

[0033] 对于许多基于薄板的产品,有一些重要的与最终用途和产品质量相关的产品特性,因此需要附加的或后来的产品特性量度,使其可以接受。例如,纸的可打印性可能未知 (由于它是由造纸机生产的),直到它被运送到打印机以进行测试。在基于薄板的产品中这也是常见情况,即某个重要的基于薄板的产品特性(或某些特性)不能被直接测量。例如, 一些重要特性与特性变化的速率有关,即可能基于空间相邻的微小差别。换言之,产品的价值或质量,以及产品的可接受性,可能与空间相邻的产品特性的数量有关,因为它们因产品的不同而不同。例如,一片玻璃1毫米的厚度变化发生在一米的范围内可能不明显,而相同的变化发生在一厘米范围内可在玻璃的透射率上产生明显的变形,例如一个明显的“波纹”,可能会导致无法接受的产品。

[0034] 有了这些基于薄板产品的空间相关量度将提高工艺条件和/或产品特性的整体控制。此外,这些空间连续的测量数据是有益的,此处用到的术语“空间连续,,是指保持了空间关系的数据,如那些这些空间分布可被保持的相关位置数据,或那些以保持空间关系或数据相关分布的方式组织的数据,如量度的空间关系(实际的或综合的)。需要注意的是,“空间连续”不是指数据位置需要规则的间隔,或者在任何特定的安排中,但仅仅是那些数据的空间分布或数据间的空间关系(可能是随机分布)被保持,尽管这些规则的间隔绝对不能排除在外。

[0035] 注意,此处所用的术语“数据阵列”、“数据阵列数据”、“空间数据阵列数据”和“空间连续数据”是指数据集合,其数据元素包括在其中包含数据的位置信息,或者指经排列用来保持位置信息的数据,而不是指用来保存数据的数据结构的具体类型。

[0036] 多个量度的相同要求应用于基于薄板的制造工艺条件。参考先前的压制塑料销和压制塑料膜的例子,基于薄板的制造工艺可能需要基于薄板的工艺上同一理想工艺条件在各特定时刻的附加量度按照纵向工艺特征描述的相应方式来表征理想工艺量度,如图7所示,其中工艺条件量度通过图6中各自的标签表示,PC T1OT1等,指示了对于各时刻和位置 ⑶在时刻T1位置⑶工的产品条件(PC)等。加工过程中理想工艺条件的不适当或不完全的量度可能导致工艺条件的不适当或不完全的调整,因此导致低质量和价值的产品。

[0037] 基于薄板的工艺中有许多实例,其中工艺条件或产品特性的多个量度的关键数据出现在同一时刻,或者所报告的发生在同一时刻的数据,如以单一时间标签或其他顺序指示存储。这些多个工艺条件量度和多个产品特性量度可包含在具有信息结构的数据阵列中,该信息结构可按照与工艺条件或产品特性的交叉制造方向位置(CD)相关的数据阵列结构建立各量度的位置。如上所述,在数据阵列中,各量度的空间或位置关系可在结构上被维持,例如暗示地通过包含数据的数据结构,或者明确地通过由数据包含的或与数据相关的附加信息。

[0038] 基于薄板的工艺工业中常见的是,工艺条件和产品特性量度由需要一些时间来获得或处理该量度的设备提供,如通过测量传感器,在一个区域上移动来产生一系列连续的量度,在这种情况下,整个测量数据阵列可被报告为发生在同一时刻。换言之,尽管一系列的量度发生在一个时间范围内,所得到的数据阵列可作为有单一顺序或时间标签的测量数据阵列被报告和/或存储。需要注意,代替包含时间或顺序标签,来自连续量度的数据可简单地按照保留其顺序的方式维持(如存储)。换言之,暂时的排序可能是不明确的(如经过组织的),而不是明确地(即包含时间或顺序标签)。

[0039] 因此,数据阵列还可包含信息或按照建立与制造方向(MD)或时间相关的数据阵列的测量位置的方式组织,它可能是指暂时连续或有序。在一些基于薄板的制造工艺中,这些包含工艺条件量度或产品特性量度的数据阵列是指“外形阵列”或仅仅指“外形”。

[0040] 图8示出了产品特性测量数据阵列的一个例子,其表示了交叉制造方向量度(CD 产品特性量度)或“产品特性外形”,在这个具体情况下,产品特性是薄板或薄片的厚度,并且此处的量度根据参考CD位置1-20进行显示(以图形方式)。图8还示出了工艺条件测量数据阵列的一个例子,其表示了交叉制造方向量度(CD工艺条件量度),在这种情况下, ‘工艺条件执行单元外形’,在这个具体情况下,工艺条件是处理间歇或间隙,且此处量度还根据参考CD位置1-20进行显示(以图形方式)。外形数据阵列的这些类型在大多数基于薄板的加工工业,包括如纸、非机织布、木制品等中以一种形式或另一种被应用。

[0041] 图9示出了一个用于在交叉方向上测量基于薄板的产品特性的典型技术,但需要指出,也可采用其他技术。注意,一组固定测量传感器904的阵列可用于在各具体时刻获取横跨产品宽度的CD量度,同时来回移动测量传感器902进行连续测量,当薄板沿着制造路径行进时利用传感器908在网络402上来回移动,由此形成一个“锯齿形”测量模式。[0042] 依赖于产品特性量度的来源,直接来自加工过程中的产品特性测量装置或来自加工过程后的产品特性测量装置,数据阵列可以是以顺序或时间为标签的,或按其他方式进行标记以表示测量阵列数据在基于薄板的制造过程中的相关位置、在基于薄板的产品中的相关位置或其出现时间。

[0043] 产生于基于薄板的产品的工艺条件或产品特性的多个测量数据必须在数学上减少到单一“平均值”或其他代表性的顺序或时间标签值,以适应当前神经网络建模技术和方法的局限性。

[0044] 神经网络作为工艺和产品特件量度的预测器

[0045] 在某些制造工艺中,当前计算机基本模型、计算机统计模型和神经网络模型可解决某些具体工艺条件量度和产品特性量度与这些物理或时间限制相关的缺陷问题。一种示例性的当前进行工艺测量和控制的基于神经网络的方法在授予Skeirik的美国专利 No. 5观2261中公开,通过参考并入下文。

[0046] 当前可用的神经网络技术可提供那些不易测量的工艺条件测量数据和产品特性测量数据的预测值。例如,参照上述的现有领域的技术需要输入数据被标记上具体时间以供训练,并且预测数据被标记上具体时间以供进一步用于控制器或控制策略中。标记时间的工艺条件数据和产品特性数据被当作离散数据点,其中各测量数据点是分开的或独立于任何其他点的,并且通过时间标签明确识别,该时间标签可建立该点相对于制造工艺的位置。

[0047] 图10示出了神经网络的简化示例性实施例。如图10所示,输入数据被供给输入级,包含多个输入元素或节点,各节点可连接至隐藏级中所包含的多个元素或节点。各隐藏级组成部分或节点可顺次连接至神经网络的输出级中的多个输出组成部分或节点中的每一个。这些输出节点分别提供输出数据,其可用于预测和/或控制工艺。众所周知,在神经网络领域,与各节点连接相关的可调整权值在训练阶段被修改且设定,随后确定所得到的神经网络的行为。这个现有的神经网络技术和方法是最容易应用于纵向制造工艺的,如上述压制塑料销的例子。

[0048] 现有技术中的神经网络在工艺控制中的应用(如参见美国专利No. 5282261)通过各种基于计算机的建模策略已被开发,包括例如第一原则建模、统计和实验建模;以及非传统神经网络。当前利用基于模型的神经网络在基于薄板的工艺控制中的应用局限性需要进行统计平均或可用空间数据阵列数据的处理,这些数据明显降低了那些工艺条件和产品特性空间数据阵列量度的用途。将空间数据阵列数据进行平均来产生单个数据点以适应建模的局限性,有效克服了采用计算机建模和神经网络建模来产生难以获得的量度的根本目的。这种类型的数据处理表现了神经网络技术在处理工艺条件和/或产品特性的基于薄板的测量方面相对无效。

[0049] 当前获取基于薄板的制造工艺条件和基于薄板的产品特性的理想量度的传统方法有相当多的缺点。具体而言,没有可用的方法来直接利用基于空间数据阵列的数据,这些数据通常来自基于薄板的制造工艺,也没有明确定义的基于薄板的产品特性以供建模和预测工艺条件和产品特性的理想量度。因此,由于需要适应基于数据阵列的量度,制造方向和交叉制造方向及时间上都要参考该量度,基于薄板的制造工艺和产品对现有的神经网络技术提出了一个独特的挑战。

11发明内容

[0050] 描述了基于计算机的神经网络工艺控制系统和方法的各种实施例,它们可利用基于空间数据阵列的输入数据(即,空间连续数据)来预测基于空间数据阵列的工艺条件和 /或产品特性(即,空间连续预测的工艺条件和/或产品特性)。在这种方法中,受过训练的神经网络利用空间连续的输入数据产生难以测量的工艺条件和/或产品特性的预测值的空间连续数据阵列。预测值,包括它们的空间关系或分布,可保存在数据网络中,如保存在一个历史数据库中,并提供给控制器用于控制基于薄板的产品生产工艺,或呈现给工艺操作员用于控制生产基于薄板或片的产品的工艺。

[0051] 计算机神经网络工艺控制系统和方法可按照阵列形式以及可选地按照离散形式合并数据,其中数据可来自多个数据库和/或来自其他数据源,包括制造工艺操作、产品特性测试操作和/或产品顾客操作等。

[0052] 在一个实施例中,控制通过空间相关条件来生产具有空间相关特性的产品的工艺的方法可包括提供输入数据至神经网络,其中输入数据包括多个输入数据集,每个输入数据集包括一组一个或多个输入参数的值,其中所述组中的每个输入参数包括或代表各自的工艺条件或产品特性,并且输入数据保持了输入数据的空间关系。神经网络可根据输入数据产生输出数据,其中输出数据包括多个输出数据集,每个输出数据集包括一组一个或多个输出参数的值,每个输出参数包括预测工艺条件或产品特性,其中输出数据保持了输出数据的空间关系,并且输出数据的空间关系与输入数据的空间关系相对应。输出数据可被控制器或操作员用来控制该工艺。在优选的实施例中,输出数据被提供给控制器或操作员,然后控制器或操作员可根据输出数据控制该工艺。

[0053] 需要注意的是,输入数据和/或输出数据的空间一致性可通过多种方式保持。例如,在一些实施例中,数据可包括位置信息,如被包括在每个数据集中或与每个数据集相关联。在一些实施例中,数据可按照数据间的空间关系不明显地保持的方式被存储,如通过数据结构本身。

[0054] 在一个实施例中,神经网络可由提供神经网络配置信息的开发者来配置,如网络中的层数、每层的节点数、控制神经网络机制和演进的规则等。在一个实施例中,开发者可采用模板方法来简单地配置神经网络。例如,可提供图形用户界面,开发者可借助该图形用户界面交互式地指定神经网络结构和其他网络操作的细节。

[0055] 在一些实施例中,神经网络的训练可采用训练输入数据来完成,该输入数据具有为空间和时间预定的维度阵列配置或格式。训练可基于离散时间数据和有时间基准或没有时间基准的空间数据阵列数据。训练数据阵列可与神经网络产生的预测输出数据阵列值进行比较。

[0056] 在优选的实施例中,模块方法可被用于神经网络。例如,某些特定的神经网络模块可基于具体制造工艺和所希望的产品特性来提供。

[0057] 在优选的实施例中,神经网络可被用于控制通过空间相关条件来生产具有空间相关特性的产品的工艺,如控制用来生产基于薄板的产品的基于薄板的工艺。工艺可被操作, 在多个位置测得的用来产生测量数据的工艺条件和/或产品特性包括测得的工艺条件和/ 或产品特性,其中测量数据保持测量数据间的空间关系,即测量数据在空间上一致。附加数据可选地基于测量数据进行综合。测量数据可作为输入数据阵列提供给神经网络,神经网络可根据测量数据产生输出数据,其中输出数据包括所预测的工艺条件和/或产品特性, 并且其中输出数据具有与测量数据的空间关系相对应的空间关系。

[0058] 控制器输出数据可采用神经网络输出数据作为控制器输入数据代替测量输入数据被计算出来,并且基于控制器输出数据所控制的执行单元阵列采用与控制器输出数据相应的执行单元来改变可控工艺状态。操作、供给、产生、计算和控制的上述过程可以重复方式执行,以生产具有理想特性的产品。

[0059] 另外,神经网络的输出数据也可供给操作员,然后他可以手动控制加工过程,如通过控制基于输出数据的执行单元阵列,从而利用与输出数据相对应的执行单元来改变可控工艺状态。作为自动控制的实施例,操作、供给、产生、计算和手动控制的上述过程可以重复方式执行,以生产具有理想特性的产品。

附图说明

[0060] 当优选实施例的下列详细描述结合下列附图进行考虑时,可获得对本发明更好的理解,其中:

[0061] 图1示出了根据现有技术的典型制造加工过程的框图;

[0062] 图2示出了根据现有技术的与生产具有具体理想特性的产品相关的制造加工过程的更详细的框图;

[0063] 图3示出了根据现有技术的与纵向或散装生产相关的典型制造加工过程;

[0064] 图4示出了根据现有技术的与纵向或散装和纬度方向生产相关的与图3加工过程相比较的典型制造加工过程;

[0065] 图5示出了根据现有技术的制造位置和交叉方向位置;

[0066] 图6示出了根据现有技术的与那些典型纵向制造工艺相比的典型基于薄板的产品和取决于原材料和基于薄板的制造工艺的相应维数;

[0067] 图7示出了根据现有技术的在基于薄板的工艺中的具体时刻的相同理想工艺特性或条件的量度;

[0068] 图8示出了根据现有技术的交叉方向(CD)产品特性和工艺条件外形(测量数据阵列);

[0069] 图9示出了根据现有技术的在交叉方向上测量基于薄板产品特性的典型技术;

[0070] 图10示出了根据现有技术的神经网络结构的简化示例;

[0071] 图IlA和IlB是采用利用空间相关数据的神经网络实现制造工艺控制系统的实施例的高级框图;

[0072] 图12是采用利用空间相关数据的神经网络的方法的一个实施例的流程图;

[0073] 图13代表了接收和产生空间相关数据的神经网络的简化框图;

[0074] 图14A和14B是采用利用空间相关数据的神经网络来控制制造工艺的方法的实施例流程图。

[0075] 本发明是容许各种修改和替代方式的,其具体实施例通过附图中的例子示出,此处将详细描述。然而,应该理解的是附图及其细节描述并不是把本发明限制到所公开的具体形式,相反的是,其意图是涵盖所有修改、等价形式和替代形式,它们都落入到本发明通过附加权利要求所限定的精神和范围内。 具体实施方式

[0076] S IlA和IlB-采用某干阵歹Il的神经网络讲行工艺控制的系统的t施例

[0077] 图IlA和IlB是采用基于阵列的神经网络进行制造工艺控制的系统的实施例的高级框图。更具体而言,图IlA和IlB中的系统针对采用神经网络实现基于薄板(基于薄片) 制造的工艺控制,其中神经网络利用了与空间相关产品特性和工艺条件相关或对其进行描述的数据,即描述产品特性和工艺条件的空间连续数据。图IlA示出了包括自动控制器的系统,而图IlB示出了操作人员手动控制工艺的系统。

[0078] 众所周知,在工艺控制领域中,控制工艺,如制造工艺,一般包括工艺和控制器或执行手动控制的操作员之间的反馈回路,其中各种工艺和产品的特性的量度反馈至控制器,控制器可相应调整工艺方面的问题从而保持或改进产品质量。在预测工艺控制中,控制器可包括或连接至工艺模型,并且在给定某些工艺条件的情况下可利用该模型做出关于加工行为或产品质量或特性的预测或评价。基于这些预测或评价,控制器(或操作员)可做出工艺调整来产生理想结果,如生产具有理想特性的产品,或以理想方式管理加工过程。 典型制造工艺控制系统的概述如上述图2所示。

[0079] 如图IlA所示,根据本发明的一个实施例,制造工艺,具体而言,基于薄板的制造工艺1116接收原材料1114并生产薄板或薄片产品1118,可连接至工艺控制系统,如包含调节控制器1110和/或监管控制器1108、数据网1106,例如现场工艺数据供应、历史数据库等,和神经网络1104,包括神经网络配置模块或工艺1102。应该注意,此处所用的术语“数据网”可以指与工艺或产品相关的任何数据源或数据源的集合,包括例如单个或多个,如联网的海量存储设备、现场传感器数据、仿真、实验室、操作人员等。

[0080] 众所周知,在自动工艺控制领域,监管控制器1108 —般管理调节控制器1110,即决定整体策略,而调节控制器1110实际上执行监管控制器1108给出的具体策略,即控制工艺本身,如通过执行单元。注意图IlB中的系统与图IlA中的系统之间的区别仅仅在于监管控制器1108被手动操作员控制1109所代替,例如,手动控制工艺的操作人员,其中手动操作员控制1109仅接收来自历史数据库1106的信息(即,不提供数据给数据库)。因此, 下文所述的针对图IlA中系统的所有其他方面也适用于图IlB中的系统。

[0081] 如图IlA所示,系统各部分之间的数据流(由箭头表示)形成了反馈回路,该回路可操作以保持关于产品特性和工艺条件更新的各部分,并且可指导和确定工艺操作。如图所示,来自测量的信息,被标注为“M”,即测量数据1122,也可指传感器数据,可用于保持数据网1106的现实性,如历史数据库,并将工艺和/或产品特性反馈提供给调节控制系统。 例如,如图IlA所示,关于原材料和工艺的状态的测量数据可被存储在历史数据库1106中。 同样,表示产品1118的特征的数据也可被提供给历史数据库1106。在所示实施例中,产品数据可被提供给实验室1112,它可分析或处理该数据并提供结果给数据网1106(如,历史数据库)。注意,在一些实施例中,产品本身可被提供给实验室1112,它可分析该产品,如根据理想特性描述产品的特征,提供结果给数据库1106(如历史数据库)。

[0082] 相反地,关于执行单元控制器IlM的信息被标记为“A”,它可通过调节控制器 1110提供给工艺1116,从而为工艺1116驱动或指定执行单元的行为。注意,术语“执行单元”不仅指机械操纵装置,还指用来控制制造工艺的任何装置,如机械的、电的、液压的、光学的、逻辑的等等。如图IlA还示出了,信息也可在神经网络1104和神经网络配置模块1102 之间传送,如用来配置和/或训练神经网络1104,还可在神经网络1104和数据网1106,如历史数据库间传送,例如用来训练神经网络、用预测值或评价值来增加历史数据库、提供来自工艺的现场数据给神经网络,等等。

[0083] 在一个优选实施例中,该系统采用来自经适当设计和配置的神经网络1104的空间连续数据,如以空间数据阵列的形式,来代替工艺空间数据量度或实验室空间数据量度作为输入送至控制器(图IlA的1108)或控制策略(如由图IlB中操作员1109执行),或作为设置点送至控制器或控制策略。这种神经网络的一个实施例描述如下。神经网络1104 可以很容易地采用来自工艺1116或随后的产品特性量度的可用且可靠的工艺条件量度和产品特性量度作为输入数据,并且可产生工艺条件和/或产品特性的预测空间连续数据值作为输出数据。在一些实施例中,神经网络可利用已合成或已计算的输入数据。例如,在输入数据不完整的情况下,附加输入数据可被确定,如基于那些可用数据,如通过内插、外推、 或更精密的处理或建模。在一些实施例中,模型可被用于基于可测得的这些参数来导出附加参数的值。在一些实施例中,输入数据可在将数据提供给神经网络前进行预处理,如利用有效数据来消除和/或替换不可用或无效的数据(如局外的),将数据变为更加可用的形式,或者操作或预处理数据。关于这些实施例的更详细的描述将在下文中提供。

[0084] 因此,神经网络1104可接收空间连续数据集形式的输入数据,如保持输入数据空间分布的记录阵列,并且可产生相应的输出数据,如按照预测工艺条件和/或产品特性值的空间连续集合的形式。如上所述,这些输出数据然后可作为输入提供给控制器或控制策略,作为设置点提供给控制器或控制策略,或作为设置点提供给手动执行操作员来控制策略。注意,采用有序的或顺序/时间标记的(空间连续)阵列数据作为输入提供给神经网络方便或提供了空间连续预测并控制用于有效控制基于薄板的制造工艺所需的数据,该神经网络生成相似空间连续输出数据而不是神经网络单个点的输出。

[0085] 如上所示,在一些实施例中,数据网1106,如历史数据库,可用来提供空间相关的工艺条件和/或产品特性给神经网络,如历史空间分布的(和空间相关的)工艺条件测量数据和/或产品特性测量数据,但应该指出的是,来自其他来源的数据也可按照需要被采用,包括来自加工过程、实验室等的现场供应、合成数据等。

[0086] 在一些实施例中,当新数据被加至数据网时,如历史数据库,神经网络1104的附加训练可被执行以维持神经网络1104的现实性,即保持神经网络1104的最新的操作行为。 历史数据库和用来管理数据库的处理可称作“历史学家”。在一个实施例中,提供给历史学家的新数据可自动启动再训练,这一动作可在线实时出现,或按照需要离线出现。

[0087] 如上所述,在优选的实施例中,系统和方法的输出可被纳入自动控制系统结构中, 如监管和/或调节,或作为手动控制程序的一部分。在一些实施例中,模块化结构允许系统通过与工艺相关的多个数据库建立多个神经网络。该系统可提供控制功能,如监管、专家和 /或统计和分析功能,来支持自动和/或手动控制。需要注意,用于本发明的各实施例中的控制器或多个控制器可以是任何类型的控制器,即可按照需要利用适合控制工艺的任何技术类型,包括神经网络、专家系统、模糊逻辑、支持向量机等。

[0088] 还需注意,在一些实施例中,其他非线性模型的类型可用来补充或代替神经网络1104,包括如支持向量机、专家系统(如基于规则的系统)、物理模型、模糊逻辑系统、偏最小二乘法、统计模型等。

[0089] S 12和图13-利用某干阵列的神经网络的方法

[0090] 现在来看图12,一个高级流程图描述了操作用于工艺控制的神经网络的方法。注意,在各实施例中,所示的一些方法的组成部分可同时被执行,按照不同于图中的顺序执行,或者被省略。也可以按照需要执行附加的方法组成部分。

[0091] 如图12所示,在1202中,输入数据可作为输入提供给神经网络,其中输入数据包括或描述了加工过程的工艺条件和/或产品特性,如,操作以生产基于薄板的产品的基于薄板的制造工艺,并且其中输入数据保持了输入数据的空间关系,如输入数据是空间连续的。如上所述,基于薄板的产品可包括但不限于纸、板材(包括平的和卷起的产品)塑料或聚合物、颗粒板、木质或有机合成物、金属片(如箔或较厚的金属板)、片状合成物、玻璃板、 玻璃纤维板、层压板、纺织品和食品,如糖果和口香糖等。

[0092] 工艺条件可包括与产品制造相关的工艺的任何属性或方面。示例工艺条件可包括但不限于温度、位置(如间隙)、压力、湿度、电压和电流、流量、速度、速率、供给特性(如材料的)和原材料特性等。示例产品特性可包括但不限于重量、水分含量、颜色、强度、刚度、 组成、平直度、质地、厚度、光泽度、运行能力、可印刷性和硬度等。例如,以上参数或特性可能是造纸、层状制品等的重要质量衡量标准。

[0093] 如下详述,在一些实施例中,输入数据可按照多个数据集的形式提供,其中每个数据集可包括一组输入参数的各自的值,其中所述组中的每个输入参数包括各自的工艺条件或产品特性。在优选的实施例中,每个数据集可包括或关于指示输入数据空间分布的信息。 在其他实施例中,输入数据集可简单地被组织或安排来保持空间分布,如在空间连续数据结构中。

[0094] 注意,输入数据可由多种来源中的任一种提供。例如,输入数据的获得可通过在工艺生产线中的一个或多个空间位置测量和/或综合一个或多个工艺条件,及通过在产品上的一个或多个空间位置测量和/或综合一个或多个产品特性。

[0095] 如上所述,量度可采用一个或多个可操作用来检测产品和/或工艺条件的物理属性的传感器来获得,例如移动传感器和/或静态传感器阵列,但任何其他类型的传感器或传感器配置也可按照需要被使用。

[0096] 数据综合也可采用多种方法中的任一种执行。例如,在(工艺条件和/或产品特性的)一些可用的量度情况下,而不是在理想的空间频率或解决方法的情况下,(如线性或非线性的)内插和/或外推可被用于产生“缺少的”数据。在其他实施例中,模型可用来产生附加数据。例如,非线性模型,如经过训练的神经网络或支持向量机,其可操作以模拟在特定约束条件下的数据集,可接收可用测量数据作为输入,并产生附加数据作为输出。

[0097] 在一些实施例中,附加数据可包括所测得的相同参数值,但在那些位置并没有做这些测量,如可能是“隙间”数据(如经过内插),或扩充数据(如经过外推),例如传感器没有覆盖的区域的温度值。在一些实施例中,附加数据可包括无法直接测量的参数值,但可从量度推导出来。例如,假设温度和压力是测得的工艺条件,如在生产线的密闭部分,但这个区域的水分含量(由于某种原因)无法测量。假设产品组成已知。基于温度、压力和水分含量之间的关系的第一个原理模型可被用来产生湿度数据。[0098] 在1204中,神经网络可产生输出数据,其中输出数据包括或描述了已预测或已评估的产品特性,并且其中输出数据保持了输出数据的空间分布,如保持了数据间的空间关系,如通过所包含的位置信息或相关位置信息,或通过空间连续数据结构。例如,在造纸工艺中,描述工艺条件的数据,如温度、位置(如间隙)、压力、材料供给速率和混合等,可提供给神经网络,然后神经网络可预测由此所得到的产品特性,例如纸的水分含量、厚度等。在优选的实施例中,所预测的产品特性可用来控制制造工艺。

[0099] 适于实施本方法实施例的神经网络的一个实施例如图13所示,但需要注意的是所示神经网络结构仅是示例性的,也可按照需要采用其他神经网络结构。图13示出了与基于薄板的制造工艺和基于薄板的产品相关的维度或空间要求,需要考虑工艺条件量度和 /或产品特性量度关于其在加工过程中的位置的空间关系(即,在时间上或关于制造方向或MD及关于交叉制造方向或CD)和关于其在产品中的位置(即,在时间上或关于制造方向或MD及关于交叉制造方向或⑶)。

[0100] 如图13所示,在这个实施例中,空间连续输入数据1310作为输入提供给神经网络 1320,其产生空间连续输出数据1330作为输出。在所示实施例中,输入和输出数据均采用数据阵列形式。注意,每个阵列中示出的元素个数仅是示例性的,并不是为了限制阵列的大小。还需注意,此处的术语“阵列”,如上文所述,可按照需要采用保持数据组织形式的任何类型的数据结构。

[0101] 如图13所示,空间连续输入数据最好包括多个数据集,分别包含一组输入参数 1314的值,其中,如上所述,每个输入参数描述了对应于或包括各自空间位置上的相应工艺条件或产品特性。例如,涉及造纸的例子,各数据集可包括描述关于制造过程的各点处的工艺温度的参数值,如关于上述的制造方向或MD,还与产品上的关于交叉方向的具体位置有关,即具体时间的CD。数据集还可包括描述纸张在某个位置的特性的一个或多个参数值,例如,纸的水分含量、厚度等。输入数据最好已排序或用指示或代表数据起始顺序或时间的值做时间标记,如测量时间,在一些情况下,如采用移动传感器时,是平均值、中值、初始值等, 来回移动中执行的测量次数(或MD位置)的时间。另外,输入数据可简单地存储并以有序方式采用,从而不需要明确的顺序或时间标记。

[0102] 如图13所示,在这个示例性的实施例中,空间连续输入数据包括多个(在这个具体的示例性实施例中为6个或更多)输入数据集,分别包括在各自CD位置的一个或多个产品特性,标记为"PP1CD/,在各自⑶位置的一个或多个工艺条件,标记为"PC1CD/,其中下标 “n”、“n+l”等指示各CD位置的不同,还指示数据集的空间顺序。椭圆圈内是指数据集中的附加参数值,如附加工艺条件和/或产品特性,但需要注意的是在各种实施例中,数据集可分别包括一个或多个工艺条件值和/或一个或多个产品特性值,即每个数据集中所示参数的个数只是为了举例说明,而不是为了将输入参数限制为任何具体的数量或类型。输入数据1310、神经网络1320和输出数据1330的顶部和底部的垂直点,表示各自的附加元素可按照需要被包括,如附加输入数据集1312、附加输出数据集等。

[0103] 还应注意,在一些实施例中,除了空间连续输入数据之外,单一或平均数据值也可作为输入提供给神经网络。例如,对应于或表示一个或多个一般工艺条件或产品特性的一个或多个单一或平均数据值可被提供,如不限于任何具体位置但代表了全部位置的特性或条件,如统计的或其他代表性的平均值。[0104] 如上所述,神经网络1320可具有多种结构。例如,在一些实施例中,神经网络1320 可以是单一网络,如可以具有整体架构。作为替代,如图13所示,在一些实施例中,神经网络1320可包括多个子网1322,即子神经网络。例如,在所示实施例中,神经网络1320包括输入数据中所包含的每个数据集相应的子网。图13还表示,每个子网1322具有输入节点,分别对应于一个数据集的输入参数。在一些实施例中,一组特定输入参数1314的子网1322, 如在具体时间(如PPjTm)和具体位置(如PPjTmCDn)的产品特性PPj,可与相邻的或本地邻近的子网相互作用。换言之,在一些实施例中,子网可能与邻近子网(或甚至和它们的邻居等)互相连接。注意,所示子网仅仅是指一般意义上代表性的,不是为了表示实际的子网结构。根据上文所述的造纸例子,每个子网可具有温度、纸张水分含量和纸张重量等的输入节点。因此,各子网对应于提供了工艺条件和/或产品特性值(通过测量或综合)的一个空间位置。

[0105] 各子网可操作以接收这些参数值,并且如图所示可产生各自相应的一个或多个预测产品特性和/或工艺条件值1332。如图13所示,在这个示例性的实施例中,空间连续输出数据包括多个(在这个具体的示例性实施例中为6个或更多)输出数据集,分别包括在各自⑶位置的一个或多个产品特性,标记为“P_PPACDn”,在各自⑶位置的一个或多个工艺条件,标记为“PCACDn”,其中如上所述,下标“n”、“n+l”等指示各⑶位置的不同,还可指示数据集的空间顺序。

[0106] 例如,同样以造纸为例,每个子网可根据输入参数值(温度、重量、厚度、生产速率等)提供纸张水分含量的预测值,以及(在这个具体的示例性实施例中)各自的预测工艺条件,如湿度(例如由于从产品的蒸发)。如上所述,输出数据可被排列或包括在空间连续输出阵列1330中,和/或可被输出为具有保持数据的空间分布的位置信息。注意,在这个具体实施例中,由于输入数据、子网和输出数据间的相互联系,神经网络1320本身可被当作空间连续的,如在合乎逻辑的认识中。例如,各自的输入数据集、子网和输出数据集对应于关于产品的各自的CD区域、外形区域或数据框。

[0107] 因此,神经网络可根据输入数据产生空间连续输出数据,其中输出数据包括含有所预测的工艺条件和/或产品特性的输出参数的空间连续值。如上所述,在优选的实施例中,输出数据可被控制器或操作员用来控制工艺。

[0108] 如1206中所示,所预测的产品特性,即空间连续输出数据,可选地被提供给控制器或操作员用来控制制造工艺。例如,参考前面的图IlA和11B,所预测的产品特性可被使用或存储在数据网1106中,如可被存储在历史数据库中,然后可被取回,如通过监管控制器1108,它可决定获得理想产品特性的策略,或通过操作员1109,他可向调节控制器1110 指示这个策略,调节控制器可通过控制工艺中的执行单元依次执行该策略。

[0109] 图14A和14R-采用神经网络的控制工艺的方法

[0110] 图14A和14B是工艺控制方法的高级流程图,如,根据本发明的各实施例,采用神经网络的基于薄板的制造工艺。更具体而言,图14A中的方法涉及工艺的自动控制,如通过使用控制器,而图14B中的方法涉及工艺的手动控制,如通过操作人员。

[0111] 如上所述,在各实施例中,所示的一些方法的组成部分可同时执行、按照与所示方法不同的顺序执行或者被省略。附加的方法组成部分可按照需要执行。注意,下面将略去前面已经描述过的方法组成部分。

18[0112] 如图14A和14B所示,方法的组成部分1202-1204参考图12在上面已经进行了详述,包括将输入数据,如测量和/或综合与工艺条件和产品特性相关的数据,提供给其中输入数据具有空间相关性或分布的神经网络(1202),神经网络基于输入数据产生输出数据, 其中输出数据具有与输入数据相对应的空间相关性或分布(1204)。

[0113] 如图14A所示,在1206A中,输出数据可被提供给控制器用来控制制造工艺。

[0114] 图14A还表示,在1408中,控制器输出数据可根据所提供的1206A的输出数据进行计算。例如,由于所提供的输出数据包含产品特性的预测值,该值可与理想或目标产品特性进行比较,其中预测值和理想值或目标值之间的差别可被视作误差,这是预测性工艺控制领域里众所周知的。相应调整可被确定以修正这些误差。换言之,控制器输出数据可被计算以试图修改加工过程的工艺条件来提高所得到的产品特性,即朝着目标值的方向改进特性。注意,在实施例中采用了自动控制器,这些计算可自动执行,如通过监管控制器1108 按照需要利用一些诸如神经网络、支持向量机、专家系统、模糊逻辑等之类的技术。

[0115] 图14A进一步表示,在1410中,可基于控制器输出数据控制工艺。例如,控制器输出数据可被用来控制执行单元阵列,以根据控制器输出数据来改变加工过程的可控工艺条件或状态。换言之,执行单元阵列可包括多个执行单元,其中执行单元具有与输入数据空间分布相对应的空间分布。还应注意,具有相应空间分布的数据不必具有相同的分辨率。换言之,可能是这种情况,有多个、如256个数据集的输出数据的空间分布可能对应于具有更多个、如IOM个数据集的输入数据的空间分布,在这种情况下四个输入数据对应于一个输出数据。因此,不同数据的空间分布可相互对应,但不是以相同的分辨率或空间频率。

[0116] 作为替代,如图14B所示,在1206B中,输出数据可被提供给操作员,如操作人员用来控制制造工艺。

[0117] 图14B还表示,在1411中,操作员可基于1206B的输出数据手动控制工艺。换言之,在实施例中依赖于手动的操作员控制,操作人员可采用神经网络的输出数据来手动直接控制工艺。例如,在一个实施例中,操作员可根据输出数据手动控制执行单元阵列来改变可控工艺状态。执行单元阵列可包括多个执行单元,其具有与输入数据空间关系相应的空间关系。

[0118] 如图14A和14B所示,在1412中,工艺条件和产品特性可被测量,如通过传感器, 如移动传感器和/或静态传感器阵列,从而得到工艺条件和产品特性测量数据,如参考IlA 和IlB的上文所述。

[0119] 在1414中,附加数据可选地被综合,以增加和/或代替至少一部分测量数据,也如参考IlA和IlB的上文所述。

[0120] 最后,如图14A和14B还表示,测得(和可选地经过综合)的工艺条件和产品特性数据可当作新输入提供给神经网络,并且该方法可按照需要重复,以重复方式控制工艺从而生产具有理想特性的产品。

[0121] 因此,在图14A和14B所示的实施例中,由于输入数据、输出数据(图14A中的控制器输出数据)和执行单元的相应空间分布(例如共同在空间上连续),工艺控制可被实现和执行,其中会考虑产品的空间属性并相应地控制这些特性。因此,例如,如果产品被发现或预测具有譬如说沿着薄板或薄片的一边有不合规格特性的条带,控制器输出数据可指出相应执行单元应该被调整以纠正这个问题。例如,产品特性可在⑶区域级进行管理。因此,本发明的各实施例可便于在基于薄板产品的控制中提高精度和分辨率。

[0122] 注意,在一些实施例中,神经网络有时可被训练,如可周期性地被更新,如采用根据工艺的操作和性能积累的数据。例如,工艺的各周期可包括将关于工艺条件和产品特性的已测数据存储到历史数据库中,如上文所述。这些数据可用于提供神经网路进一步的训练。在一些实施例中,可对数据执行各种分析,这些分析的结果也可用于训练神经网络。

[0123] 在各实施例中,神经网络可离线或在线受训。例如,在离线的实施例中,神经网络可被更新或重新训练,而不用被直接控制或连接到运转中的制造工艺,或者在优选的实施例中,神经网络的复制品可受到训练并且可与用于生产的神经网络进行有效的交换,如定义神经网络配置的数据的两个或更多个拷贝可被保持,其中离线版本采用历史(或其他) 数据进行训练,用于生产的神经网络可被重新配置以反映训练,可能根本就不用停止加工过程。在一个实施例中,开发者可采用模板方法配置神经网络。例如可提供图形用户界面, 从而开发者可交互式地指定神经网络结构和神经网络操作的其他细节。

[0124] 作为替代或附加地,神经网络可在线受训,如可在加工过程运转期间进行训练,如通过渐进式的训练,神经网络在加工过程运转期间被少量修改。

[0125] 此处所述的方法和系统的各实施例可充分改善以下问题,涉及工艺无感时间、测量无感时间、数据时钟频率、数据空间频率和在工艺条件量度阵列数据和产品特性量度阵列数据中的测量可变性,从而可改进时域、即制造方向和空间域、即交叉制造方向的控制。

[0126] 各实施例还包括接收或存储计算机可读介质上的上述指令和/或数据。适当的介质包括如上所述的存储介质,及任何其他计算机可访问的介质,并且可操作以存储计算机可执行的程序指令。

[0127] 虽然本发明的上述系统和方法与优选实施例相关进行了描述,但此处并不是为了把它限制为前面的具体形式,与之相反,是为了包括这些可供选择的方法、修进和等效方法,因为它们可合理地包含在如附加的权利要求所限定的本发明的思想和范围中。

Claims (31)

1. 一种用于控制用来生产具有空间相关特性的产品的具有空间相关条件的工艺的方法,该方法包括:提供输入数据至神经网络,其中输入数据包括:多个输入数据集,每个输入数据集包括一组一个或多个输入参数的值,其中所述组中的每个输入参数包括各自的工艺条件或产品特性,并且其中所述多个输入数据集保持了输入数据集的空间关系;和对应于一个或多个一般工艺条件或产品特性的一个或多个单一或平均数据值;以及神经网络根据输入数据产生输出数据,其中输出数据包括多个输出数据集,每个输出数据集包括一组一个或多个输出参数的值,每个输出参数包括所预测的工艺条件或产品特性,其中输出数据保持输出数据的空间关系,并且其中输出数据的空间关系与输入数据的空间关系相对应;其中,提供输入数据的步骤包括下列中的一个或多个:在工艺生产线中的一个或多个空间位置综合一个或多个工艺条件来产生输入数据;以及在产品上的一个或多个空间位置综合一个或多个产品特性来产生输入数据,并且输出数据可被控制器或操作员用来控制工艺。
2.根据权利要求1中所述的方法,其中每个输入数据集进一步包括该组输入参数的位置信息,其中位置信息指示了输入数据的空间关系;并且其中每个输出数据集进一步包括所述一个或多个输出参数的位置信息。
3.根据权利要求1中所述的方法,其中输入数据以保持输入数据的空间关系的方式提供给神经网络的输入; 其中输出数据由神经网络的输出以保持输出数据的空间关系的方式所提供;并且其中输出数据的空间关系对应于输入数据的空间关系。
4.根据权利要求1中所述的方法,进一步包括: 提供输出数据给控制器或操作员;以及控制器或操作员根据输出数据控制所述工艺。
5.根据权利要求1中所述的方法,其中工艺包括用来生产网络产品的基于薄板的制造工艺。
6.根据权利要求3中所述的方法,其中网络产品包括下列的一个或多个: 纸;塑料制品; 聚合物;木质或有机合成物; 粒子板; 金属片; 片状合成物; 层压板; 玻璃板;玻璃纤维; 坊织品; 糖果;和口香糖。
7.根据权利要求1中所述的方法,其中工艺条件包括下列中的一个或多个: 温度;位置; 压力; 湿度; 电压; 电流; 流量; 速度; 速率;供给特性;和原材料特性。
8.根据权利要求1中所述的方法,其中产品特性包括下列中的一个或多个: 重量;水分含量; 颜色; 强度; 组成; 平直度; 刚度; 硬度; 质地; 厚度; 光泽度; 运行能力;和可印刷性。
9.根据权利要求1中所述的方法,其中上述提供输入数据的步骤包括下列中的一个或多个:在工艺生产线中的一个或多个空间位置测量一个或多个工艺条件来产生输入数据;以及在产品上的一个或多个空间位置测量一个或多个产品特性来产生输入数据。
10.根据权利要求9中所述的方法,其中上述综合的步骤包括下列中的一个或多个: 内插测得的数据;外推测得的数据;和基于测得的数据用一个或多个模型综合数据。
11.根据权利要求10中所述的方法,其中数据建模是通过配备为接收一个或多个测得的数据,并且根据一个或多个测得的数据产生一个或多个综合数据的神经网络来执行的。
12.根据权利要求9中所述的方法,进一步包括: 提供输出数据至操作员;以及操作员根据输出数据手动控制执行单元阵列来改变可控工艺状态,其中执行单元阵列包括多个执行单元,其中这多个执行单元具有与输入数据空间关系相对应的空间关系。
13.根据权利要求9中所述的方法,进一步包括: 提供输出数据至控制器;控制器采用第一个输出数据代替测量输入数据作为控制器输入数据来计算控制器输出数据;以及控制器根据控制器输出数据控制执行单元阵列,以改变可控工艺状态,其中执行单元阵列包括多个执行单元,其中所述多个执行单元具有与输入数据的空间关系相对应的空间关系。
14.根据权利要求13中所述的方法,其中上述提供输出数据至控制器的步骤包括: 提供输出数据至数据网;以及控制器从数据网中取回输出数据。
15.根据权利要求14中所述的方法,其中所述数据网包括历史数据库。
16.根据权利要求13中所述的方法,其中上述提供输入数据至神经网络的步骤包括: 提供输入数据至数据网;以及神经网络从数据网中取回输入数据。
17.根据权利要求16中所述的方法,其中所述数据网包括历史数据库。
18.根据权利要求13中所述的方法,进一步包括:以重复方式执行上述提供输入数据至神经网络,上述神经网络根据输入数据产生输出数据,上述提供输出数据至控制器,上述控制器采用输出作为控制器输入数据来计算控制器输出数据,以及上述控制器根据控制器输出数据控制执行单元阵列来改变可控工艺状态的步骤,从而控制具有理想特性的产品的生产。
19.根据权利要求18中所述的方法,其中每次重复的输入数据包括指示输入数据顺序的顺序标签。
20.根据权利要求18中所述的方法,其中顺序标签包括指示输入数据时序的时间标签。
21.根据权利要求18中所述的方法,进一步包括:周期性地基于所测得的工艺条件和产品特性更新神经网络。
22.根据权利要求1中所述的方法,其中神经网络包括多个子网。
23.根据权利要求22中所述的方法,其中所述多个子网中的每一个对应于所述多个数据集中各自的数据集;并且其中每个数据集中的每个输入参数对应于子网中各自的输入节点。
24.根据权利要求1中所述的方法,进一步包括:采用历史和/或已综合的工艺条件和/或产品特性数据来训练神经网络,其中历史和/ 或已综合的工艺条件和/或产品特性数据具有与输入数据的空间关系相对应的空间关系。
25.根据权利要求1中所述的方法,其中上述神经网路产生输出数据进一步包括产生与一个或多个所预测的一般工艺条件或产品特性相对应的一个或多个单一或平均数据值。
26.根据权利要求25中所述的方法,其中上述提供输出数据给控制器进一步包括提供所述一个或多个单一或平均数据值。
27.根据权利要求1中所述的方法,其中神经网络的输入和/或输出对应于输入数据的空间关系。
28.根据权利要求1中所述的方法,其中神经网络包括下列的一个或多个: 模拟神经网络;以及一个基于计算机的神经网络。
29.根据权利要求1中所述的方法,进一步包括: 在上述提供数据给神经网络之前预处理输入数据。
30.根据权利要求四中所述的方法,其中上述预处理输入数据的步骤包括下列的一个或多个:消除和/或用有效数据替换无用或无效数据;以及把数据变换为更为可用的形式或格式。
31. 一种被配置用来执行权利要求1-30中的任一项所述的方法的系统。
CN2006800219775A 2005-05-13 2006-05-12 用于控制用来生产具有空间相关特性的产品的具有空间相关条件的工艺的方法及系统 CN101203818B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US11/129,062 US7526463B2 (en) 2005-05-13 2005-05-13 Neural network using spatially dependent data for controlling a web-based process
US11/129,062 2005-05-13
PCT/US2006/018496 WO2006124635A1 (en) 2005-05-13 2006-05-12 Neural network using spatially dependent data for controlling a web-based process

Publications (2)

Publication Number Publication Date
CN101203818A CN101203818A (zh) 2008-06-18
CN101203818B true CN101203818B (zh) 2011-09-07

Family

ID=36950520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2006800219775A CN101203818B (zh) 2005-05-13 2006-05-12 用于控制用来生产具有空间相关特性的产品的具有空间相关条件的工艺的方法及系统

Country Status (4)

Country Link
US (2) US7526463B2 (zh)
EP (1) EP1880258B1 (zh)
CN (1) CN101203818B (zh)
WO (1) WO2006124635A1 (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7738975B2 (en) 2005-10-04 2010-06-15 Fisher-Rosemount Systems, Inc. Analytical server integrated in a process control network
US7444191B2 (en) 2005-10-04 2008-10-28 Fisher-Rosemount Systems, Inc. Process model identification in a process control system
US8036760B2 (en) * 2005-10-04 2011-10-11 Fisher-Rosemount Systems, Inc. Method and apparatus for intelligent control and monitoring in a process control system
US8504341B2 (en) * 2006-01-31 2013-08-06 Landmark Graphics Corporation Methods, systems, and computer readable media for fast updating of oil and gas field production models with physical and proxy simulators
BRPI0706804A2 (pt) * 2006-01-31 2011-04-05 Landmark Graphics Corp métodos, sistemas, e mìdia de leitura em computador para otimização de produção de campos petrolìficos e de gás em tempo real utilizando-se um simulador de procuração
WO2007109082A2 (en) * 2006-03-16 2007-09-27 Applied Materials, Inc. Methods and apparatus for improving operation of an electronic device manufacturing system
CN100461210C (zh) * 2006-12-14 2009-02-11 东华大学 一种基于模糊逻辑的神经网络输入参数筛选方法
FI122156B (fi) * 2007-03-13 2011-09-15 Metso Automation Oy Rainan mittaus
US8705849B2 (en) * 2008-11-24 2014-04-22 Toyota Motor Engineering & Manufacturing North America, Inc. Method and system for object recognition based on a trainable dynamic system
CA2760281A1 (en) * 2009-04-30 2010-11-04 Ge Infrastructure South Africa (Proprietary) Limited Method of establishing a process decision support system
DE102010002174A1 (de) * 2010-02-22 2011-08-25 Robert Bosch GmbH, 70469 Verfahren zur Regelung eines Spritzgießprozesses
CN101853531B (zh) * 2010-05-25 2012-09-05 北京航空航天大学 基于预分类技术和rbf神经网络的直升机飞行状态识别方法
US8459062B2 (en) * 2011-09-27 2013-06-11 Corning Incorporated Apparatus and methods for producing a glass ribbon
CN103273752B (zh) * 2013-05-13 2014-12-10 西安理工大学 一种基于多色集合理论的印刷方法
US10000298B2 (en) * 2014-04-30 2018-06-19 The Boeing Company Metrology system for positioning assemblies
JP6418211B2 (ja) * 2016-09-15 2018-11-07 オムロン株式会社 識別情報付与システム、識別情報付与装置、識別情報付与方法及びプログラム
DE102018105504A1 (de) * 2018-03-09 2019-09-12 Hauni Maschinenbau Gmbh System zur Tabakaufbereitung für die Tabak verarbeitende Industrie, und Verfahren zum Betrieb einer Vorrichtung
DE102018004773A1 (de) * 2018-06-13 2019-12-19 Bb Engineering Gmbh Verfahren zur Steuerung eines Schmelzspinnprozesses sowie eine Schmelzspinnvorrichtung
DE102018216815A1 (de) * 2018-09-28 2020-04-02 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren zur kontinuierlichen Herstellung nicht-thermisch konservierter flüssiger Produkte
JP6741087B1 (ja) * 2019-02-01 2020-08-19 トヨタ自動車株式会社 内燃機関の制御装置、車載電子制御ユニット、機械学習システム、内燃機関の制御方法、電子制御ユニットの製造方法及び出力パラメータ算出装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5121467A (en) * 1990-08-03 1992-06-09 E.I. Du Pont De Nemours & Co., Inc. Neural network/expert system process control system and method
US6743337B1 (en) * 1999-03-19 2004-06-01 Voith Sulzer Papiertechnik Patent Gmbh Process and apparatus for determining the properties of a traveling material web

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5930136A (en) * 1990-06-04 1999-07-27 Hitachi, Ltd. Control device for controlling a controlled apparatus, and a control method therefor
DE4439961A1 (de) 1993-11-09 1995-07-06 Rockwell International Corp Prozeßsteuereinheit für eine Druckerpresse
US5812404A (en) * 1996-04-18 1998-09-22 Valmet Corporation Method for overall regulation of the headbox of a paper machine or equivalent
JPH1025688A (ja) * 1996-07-12 1998-01-27 Yokogawa Electric Corp 抄紙機のシステム同定装置
US6284100B1 (en) * 1997-01-24 2001-09-04 Valmet Corporation Method and apparatus for controlling a headbox in a paper machine
BR9803848A (pt) * 1998-10-08 2000-10-31 Opp Petroquimica S A Sistema para inferência em linha de propriedades fìsicas e quìmicas, sistema para inferência em linha de variáveis de processo, e, sistema de controle em linha
US6421575B1 (en) * 1999-12-01 2002-07-16 Metso Paper Automation Oy Method and control arrangement for controlling sheet-making process
WO2001069329A2 (en) * 2000-03-10 2001-09-20 Cyrano Sciences, Inc. Control for an industrial process using one or more multidimensional variables
US6753965B2 (en) 2001-01-09 2004-06-22 The University Of Hong Kong Defect detection system for quality assurance using automated visual inspection
DE10119853A1 (de) * 2001-04-24 2003-01-09 Bayer Ag Hybridmodell und Verfahren zur Bestimmung von mechanischen Eigenschaften und von Verarbeitungseigenschaften eines Spritzgiessformteils
US7797062B2 (en) * 2001-08-10 2010-09-14 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
US20030046130A1 (en) * 2001-08-24 2003-03-06 Golightly Robert S. System and method for real-time enterprise optimization
US6915180B2 (en) * 2003-02-24 2005-07-05 Yokogawa Electronic Corporation Identification method for cross directional position correspondence and manufacturing equipment using this method for sheet form products
EP1654600A4 (en) * 2003-08-13 2008-06-18 Cargill Inc Computer-aided modeling and manufacture of products
KR101337260B1 (ko) * 2003-08-13 2013-12-05 삼성디스플레이 주식회사 다중 도메인 액정 표시 장치 및 그 박막 트랜지스터 기판
TWI379113B (en) * 2004-07-07 2012-12-11 Samsung Display Co Ltd Array substrate, manufacturing method thereof and display device having the same

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5121467A (en) * 1990-08-03 1992-06-09 E.I. Du Pont De Nemours & Co., Inc. Neural network/expert system process control system and method
US6743337B1 (en) * 1999-03-19 2004-06-01 Voith Sulzer Papiertechnik Patent Gmbh Process and apparatus for determining the properties of a traveling material web

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Jukka Vanhala等.Paper Web Quality Profile Analysis Tool Based on Artifical Neural Networks.《Proc. of the 1993 IEEE》.1993,343-346. *

Also Published As

Publication number Publication date
WO2006124635A1 (en) 2006-11-23
US20080300709A1 (en) 2008-12-04
US7526463B2 (en) 2009-04-28
CN101203818A (zh) 2008-06-18
EP1880258B1 (en) 2013-01-23
EP1880258A1 (en) 2008-01-23
US7882049B2 (en) 2011-02-01
US20070005525A1 (en) 2007-01-04

Similar Documents

Publication Publication Date Title
Popescu et al. FDM process parameters influence over the mechanical properties of polymer specimens: A review
CN103217907B (zh) 用于使用云计算技术来布置工业工厂仿真器的方法和装置
Cannella et al. Metrics for bullwhip effect analysis
Lengnick-Hall et al. The role of social and intellectual capital in achieving competitive advantage through enterprise resource planning (ERP) systems
Almada-Lobo et al. Production planning and scheduling in the glass container industry: A VNS approach
Farrokh et al. A novel robust fuzzy stochastic programming for closed loop supply chain network design under hybrid uncertainty
De Almeida et al. Preventive maintenance decisions
Lapré et al. Behind the learning curve: Linking learning activities to waste reduction
Byrne et al. The impact of information sharing and forecasting in capacitated industrial supply chains: A case study
US8670962B2 (en) Process simulation utilizing component-specific consumption data
CA2647716C (en) Fast performance prediction of multivariable model predictive controller for paper machine cross-directional processes
Sood et al. Parametric appraisal of fused deposition modelling process using the grey Taguchi method
Chung et al. A modified genetic algorithm approach for scheduling of perfect maintenance in distributed production scheduling
Persson et al. Performance simulation of supply chain designs
Jouzdani et al. Dynamic dairy facility location and supply chain planning under traffic congestion and demand uncertainty: A case study of Tehran
Ding et al. A simulation optimization methodology for supplier selection problem
Sadeghi A BP-neural network predictor model for plastic injection molding process
DE4008510C2 (de) Regeleinrichtung mit Optimal-Entscheidungseinheit
Flintsch et al. Soft computing applications in infrastructure management
JP6510629B2 (ja) プラント全体の制御及び最適化のためのカスケード型モデル予測制御(mpc)手法
Alrabghi et al. A novel approach for modelling complex maintenance systems using discrete event simulation
Hernandez-Matias et al. An integrated modelling framework to support manufacturing system diagnosis for continuous improvement
JP2010049693A (ja) 製造設計及び工程分析システム
CN102906650B (zh) 多阶段过程建模方法
CN103019094A (zh) 使用多阶段数据分离的推理过程建模、质量预测及故障检测

Legal Events

Date Code Title Description
PB01 Publication
C06 Publication
SE01 Entry into force of request for substantive examination
C10 Entry into substantive examination
GR01 Patent grant
C14 Grant of patent or utility model
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20110907

Termination date: 20160512

CF01 Termination of patent right due to non-payment of annual fee