CN101421680A - 稳定工艺过程的方法 - Google Patents

稳定工艺过程的方法 Download PDF

Info

Publication number
CN101421680A
CN101421680A CNA2005800030398A CN200580003039A CN101421680A CN 101421680 A CN101421680 A CN 101421680A CN A2005800030398 A CNA2005800030398 A CN A2005800030398A CN 200580003039 A CN200580003039 A CN 200580003039A CN 101421680 A CN101421680 A CN 101421680A
Authority
CN
China
Prior art keywords
variable
technology
numerical value
value
optimization
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
CNA2005800030398A
Other languages
English (en)
Inventor
拉尔夫·奥特
哈特马特·穆勒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GLOBAL SCALING TECHNOLOGIES AG
Original Assignee
GLOBAL SCALING TECHNOLOGIES AG
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
Application filed by GLOBAL SCALING TECHNOLOGIES AG filed Critical GLOBAL SCALING TECHNOLOGIES AG
Publication of CN101421680A publication Critical patent/CN101421680A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive 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
    • G05B13/027—Adaptive 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/021—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a variable is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B5/00—Anti-hunting arrangements
    • G05B5/01—Anti-hunting arrangements electric

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Factory Administration (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及稳定技术工艺的方法或技术系统，并且适合于稳定处理制造厂。该方法的特征为以下步骤：a)确定该现有质量变量和它们的可允许的容限；b)在该规定的容限内对每个质量变量进行全局定标(GS)分析，确定这个质量变量的所有GS最优值；c)记录处理数据；d)工艺模型化和灵敏度分析现有的影响，以便确定本地的处理影响；e)通过返回计算该值的最重要的影响变量对这个或所有规定的GS最佳目标变量进行过程优化；f)对最重要的影响变量执行全局定标分析，以便选择GS的最佳目标变量；g)确定该最佳工艺情况和返回计算相应的影响变量，特别是该被控变量，即选择GS最佳目标变量；h)输出操作变量到该工艺，必要时返回到和返回计算到步骤c。

Description

稳定工艺过程的方法
技术领域
本发明涉及一种用于稳定工艺过程或工艺系统的方法，并且适用于稳定处理或制造工厂。
背景技术
规定用于生产所需产品的生产工艺的工艺质量参数的容许范围是已知的。
利用数学、统计学或神经元算法进行模型化和预测工艺的重要质量参数，从而预先模拟所操纵的参数之变化对生产工艺的影响，在给定的期望的结果下实际地调整工艺的质量参数的也是已知的。
另外，利用特殊的数学优化方法计算指定的质量目标值的最重要影响的参数的最优值也是已知的，参见E.Schnoburg等人的文章Genetic Algorithmsand Evolution Strategies，Addison-Wesley，Germany，1994年，第286-291页和第366-378页和US 6.314.413 B1。
此外，在技术工艺中，目标变量的指定的质量数值只能以非常高的费用才能达到，或者甚至根本不能以稳定的方式达到的情形常常发生，因生产工艺和相关的影响参数总是受到一定的波动和干扰的影响。因此，许多生产工艺中，所制造的产品不能足够稳定地按照指定的质量加工。
发明内容
本发明的目的是提供一种稳定技术工艺的方法，可以指定产品以最大的稳定性(或灵活性)保证在设定的容限内按照所述技术产品的质量特性制造产品的目标数值，并且各项操控变量的可调数值也可以指定。
这个目的是通过权利要求1限定的优化生产的方法达到的，其中使用全局定标连分数分析(continued fraction analysis)计算质量和有影响的变量的超灵活和超稳定值，并对其生产工艺作出设定。
有利的实施例在其它权利要求中进行描述。
全局定标(Global scaling，GS)是引入的物理术语，用来解释在真实的系统中物理参数如质量、温度、重量之间的关系是可变标量(variable-invariant)，并按照对数规律地重复，参见H.Muller的文章Global Scaling，Special 1，EhlersVerlag 2001，第161/162页。
该可变标量相关性最早由Cislenko在生物过程中阐明，他绘制了对数曲线图表明各种植物群落和动物群落种类是如何按照他们的尺寸和重量的函数分布的，参见L.Cislenko的文章The Structure of Fauna and Flora in Conjunctionwith the Ohysical Size of the Organisms，Moscow，1981年，第89-98页。该文章表明生物体系在对数变量轴上不是随机分布的，而它们总是在对数线轴上以相同的周期间隔达到最大值或者最小值。在技术系统中，这个相关以这样的事实来反映：工艺中的全部可能的工艺数值不可能按相同的概率包括在技术工艺中。
当观看未平滑的间隔zu到z0的任何技术测量变量柱状图时，例如高斯分布、泊松分布或均分分布，除了工艺相关的记录的柱状图主要结构之外，变量是某些测量值在这个柱状图的精细结构中更常出现，而其它的较少出现。这些不规则现象在现有的工艺中被滤掉，因为它们被解释为随机扰动。在GS理论中，测量值的这些变化波动被认为是重要的，因为它们可再生。
因此，GS使它可以专门计算最好包括在技术工艺中的这些物理数值，因为根据Leonard Euler，Uber Kettenbruche(Continued Fractions)，1737，LeonardEuler，Uber Schwingungen einer Saite(String Oscillations)，1748，L.Euler，Leonhard Euler and Christian Goldbach：Correspondance 1729-1764(eds.：A.P.Juskevic，E.Winter)，Abh.Deutsche Akad.Wiss.Berlin，Akademie-Verlag 1965，GS规定技术工艺或自然工艺优选的数值可通过连分数分解确定，因为重Euler可知，任意实数x可基于方程(1)由它的连分数表示：
x＝n0+z/(n1+z/(n2+z/(n3+z/(n4+z/(n5+..))))      (1)
变量z表示所谓的偏计数，其数值根据GS设为技术优化的值2。
由于在对数换算中出现比例常数，参看Cislenko的文章，在GS工艺中所有的分析是从底数e的对数的变量进行的，因此得到方程(2)：
In x＝n0+2/(n1+2/(n2+2/(n3+2/(n4+2/(n5+..))))      (2)
相应的数值取决于底层的测量单元，因此在GS中为所有使用的单元引入所谓的标准尺度y，所要测定的变量必需与其相关。因此得到方程(3)作为GS的特别基本方程，参见H.Muller的文章Global Scaling，Special 1，EhlersVerlag 2001，第157页。
In(x/y)＝n0+2/(n1+2/(n2+2/(n3+2/(n4+2/(n5+..))))     (3)
在GS应用中，这个基本方程(3)按照角度φ扩展，φ＝0或φ＝3/2，据此(x/y)的对数关系可在连分数分解前进行转移。
这样得到全局定标的一般基本方程(4)，根据方程(4)任意所需的技术测量值x可以被分解：
In(x/y)-φ＝n0+2/(n1+2/(n2+2/(n3+2/(n4+2/(n5+..))))         (4)
其中x是其相应单元中测量的技术测量变量，y是该变量的自然标准量度，φ＝0或φ＝3/2。
由于连分数的收敛条件，系数[n0，n1，n2...]的绝对值必须总是比计数值大，参见O.Perron，Die的文章Lehre von den Kettenbruchen(Continued FractionTheory)，Teubner Verlag Leipzig，1950年，第62页，并且总是能被3整除的整数。
这些系数决定所测变量x的特征属性，从而代表所谓的连分数码。在连分数分解时仅产生一个[n0]的数值的测量变量被放置在一个主节点(平面n0的节点)中，具有[n0，n1]数值的测量变量被放入平面n1的子节点中，以此类推。节点ni的核心区域是直接临近于一个节点的区域，即，子节点ni在-9到9的范围中，其中j＝i+1。根据GS理论，已知下列物理属性作为连分数码[n0，n1，n2...]的函数：
 
连分数码的例子 属性 评注
[n0+3-3+3-3...] 超灵活性 测量变量波动，在所谓的超灵活性区域中从高波动核心区域最大地移动的节点区域的边缘。该基础系统灵活地响应变化和扰动。                
转下页
表格，接上页
 
[n0 54...][n0 57...][n0 60...] 超稳定性 测量变量是在节点上，因此极为稳定。但只能达到给定的精确度，否则所测变量处于节点的高度波动的核心区域。    
[n0，  n1...4]...  [n0，n1...5][n0，  n1...7]...  [n0，n1，....8]           相对停止 测量变量处于两个子节点区域之间。测量变量因此处于相对低的波动区域。            
因此，GS分析使得能够确定任意技术测量变量是否该变量稳定、具有大的波动、对扰动灵活地反应、或者落在相对低波动的范围。所有其他的组合都从这些考虑中得出。
根据本发明的该方法的目的不仅是决定产品的最优数值，例如机器部件的扭矩、油漆的最优光泽特性或轮胎的最优抓着力，并且同时要决定波动变量的数值，最后产生相应产品数值的，并同时给出特别健全的、稳定的或灵活的生产工艺。
根据本发明该目的通过以下过程步骤实现：
1.确定现有质量变量和它们的可容许的容限(目标变量容限的输入)；
2.在每个质量变量的指定的容限内作全局定标分析，以确定这个质量变量的所有GS优化数值；
3.记录过程数据；
4.现有影响的工艺模型化和灵敏度分析，以确定提供该质量等级的生产的本地工艺影响，从而确定最重要的影响变量；
5.通过反向计算出最重要的影响变量的数值，对这个或所有GS优化目标变量进行工艺优化；
6.如果对于该产品的指定区间内的产品有几个同样合格的GS数值，对选择的GS优化目标变量的最重要的影响变量进行全局定标分析；
7.确定优化工艺条件，并反向计算出相应的影响变量，特别是被控的变量(选择的GS优化目标变量)；
8.将控制变量输出到工艺过程中，并且如果必要，返回至步骤3(并反向计算)。
附图说明
以下基于附图对汽车零件供应商制造铰链的实例详细阐明每一单独过程步骤。
附图表示：
图1是制成的铰链的测量扭矩MD随时间变化图(时间轴增量单位为10秒)；
图2是扭矩MD在x轴上测量范围0Nm至2.5Nm的柱状图；
图3是扭矩MD在x轴上测量范围1.0Nm至1.5Nm的柱状图；
图4是三天同时生产的右铰链和左铰链之生产线的柱状图的精细结构
a)左铰链MDL               b)右铰链MDR；
图5是物理变量和技术变量的GS分析的GSC3000工具；
图6是对汽车铰链的扭矩(单位为Ncm)的GS分析；
图7是在0.87到0.92Nm范围内产生的扭矩的柱状图；
图8是铰链产品的灵敏度分析(对于输入变量对输出变量MD的灵敏度)；
图9是通过自动反向计算目标变量MD经自组织映射至设置的输入数值的工艺优化；
图10是对目标扭矩MD＝1.392Nm的铰链的可能的输入变量的描述；
图11是生产铰链的生产线的温度TW的柱状图。
具体实施方式
1.记录质量变量和可允许的容限
除了其几何尺寸之外，铰链的重要质量变量是所谓的扭矩或转动动量MD。使用此处描述的应用中的铰链要求扭矩在一个窄的容许范围内产生，在本例中为0.50-2Nm。该应用没有明确地说明在容许范围内应该取哪个数值。在该装配过程中，装配后以100％的质量控制对每一个单独的铰链测量扭矩MD，测量结果在数天的期间显示于图1中。
图2和图3描述以1Ncm的间隔增量所记录的扭矩值MD的柱状图，先展示整个测量范围0-2.50Nm，再展示部分范围1.0-1.50Nm。
两张柱状图的精细结构都表现出真实工艺中实现的扭矩数值的变化范围。例如，数值1.26Nm(126Ncm)在显示的周期中出现70次，而1.27Nm(127Ncm)只出现30次。下表提供这个频率分布的极值概况：
 
测得频率 极值类型 测得扭矩数值的间隔中点，Ncm
>64 积累间隔 101，113，126，130，134
<42 间隙间隔 100，104，106，112，127
该精细结构并非偶然，因为它总能在相似的结构中每隔一段时间周期重复出现，并且甚至与图4中相同的时间周期中生产的铰链相似。
明显的，在两条生产线的柱状图中都存在精细结构，并且它们具有一定相似性。对生产线数月的观察表明每条生产线和每天都有特别经常产生的扭矩，和特别少产生的扭矩。由于GS理论精确地预测这种分布以及物理变量和技术测量变量的柱状图结构，因此铰链生产线与GS相符，所以执行GS优化来建立GS优化的生产线。
下面实例中提供的是计算稳定或灵活的扭矩数值的扭矩的GS分析。
2. 目标变量扭矩的全局定标分析
2.1 扭矩的连分数分解
扭矩MD在50Ncm到200Ncm的容许范围之间。在容许范围内寻找GS优化值。扭矩的标准度量y是1.503277E-10Nm＝质子质量*c2，参见H.Muller的文章Global Scaling，Special 1，Ehlers Verlag 2001年，第129页Standard Measure段。
进行连分数分解并根据方程(4)以φ＝3/2计算系数n0，n1，n2等。数值范围50Ncm-200Ncm对应于节点区域[24±1]，或50Ncm＝[24；-3]和200Ncm＝[24；+3]。
扭矩数值根据方程(4)通过连分数法使用在慕尼黑的Institute forSpace-Energy Search(IREF)的GSC3000计算，并在图5中作为扭矩数值为MD＝1.27Nm的实例展示。
容许范围0.5Nm到200Nm的线性平均值和MD控制器的指定的目标变量为125Ncm＝[24；+6，-3，+3，...]，这说明值125Ncm的优势(dominance)。数值127Ncm等于[24；+6，-5]每GS。在边界区域[24；-3]或[24；+3]或在子间隙例如在[24；+5]＝133Ncm和[24；+4]＝146Ncm之间波动最小。在核心区域[24；-10]＝73Ncm到[24；+10]＝109Ncm之间期望最大的波动。
表示扭矩数值作为n0和n1与相位φ的函数的图6上的图解图揭示了φ＝0和φ＝3/2，n0＝24和n1＝-3到-∞或n1＝+3到+∞的相关性。按照方程(4)通过连分数法计算得到的扭矩数值33Ncm到1082Ncm被记录在图6的纵轴上。
如果铰链的制造过程不规则和不控制，技术上产生的扭矩数值的频率按照图6分布。图6的白色区域表示相对不常出现的扭矩数值(称为间隙区域)，而灰色区域表示经常出现的扭矩的区域，深灰色的区域表示所谓的扭矩的节点区域。
然而，由于目标值MDsetpoint＝125Ncm在本生产情况中指定给生产控制人员，因此技术上实现的扭矩的分布偏离理论分布，如在图2中表示的。
在节点区域中的扭矩值，此处为89Ncm，124Ncm和173Ncm附近，根据GS理论在技术上不能稳定地生产，因为在节点附近总是存在波动和扰动，参见第4页的表格和图7中的实例。
图7表明，范围0.88Nm到0.92Nm是与实际生产的铰链扭矩的大波动相关的，说明值0.89Nm在实际中不能稳定地生产。
铰链生产的全局定标优化主要有2部分：
第一个目标是保持达到生产质量。如果可能，每个铰链的扭矩MD保证以最小的容许波动ΔMD在容许间隔的中间。因此，具有最小波动的额定可变范围是最佳的，即之间的值：
MDsub1＝133Ncm＝[24；+5]和MDsub2＝146Ncm＝[24；+4]
因此，在50到200Ncm容许范围内铰链生产的最优额定数值在133Ncm和146Ncm的对数平均值，即139.2Ncm。
铰链生产的第二个目标是使铰链制造工艺相对扰动尽可能的坚固(或灵活)。在生产过程中扭矩MD基本是所谓的尺寸过大所引起的。尺寸过大是铰链的栓钉直径加上两倍的套管壁厚度，并且大于栓钉所插入的铰链孔的直径。
在这个示例应用中，铰链的各个部件受到由于机械生产的费用原因而不能再缩小的限制，因此即使是各个部件在每一个容许范围内，其额定变量也必须按照GS优化地确定。铰链栓钉和铰链孔的直径大约处于12mm，而套管壁厚度大约0.48mm，已知不同的经验模型化方法用于模型化各部件的扭矩MD依赖关系。
在本应用中，由于扭矩和影响变量之间函数关系的最大可能的精度是关键的，描述了模型化经验的数据的提取方法。因此进行任何其他的模型化过程，例如尺寸过大和扭矩之间的线性模型化，但模型化的精度较小。
3.纪录处理数据
各种测量换能器和控制/仪器技术在现有的技术中用来以指定的处理时间增量写和归档过程数据，在示例应用中该增量是10秒。
4.工艺模型化和目标变量的灵敏度分析
现有技术中使用各种解析的(例如微分方程)或经验的(例如线性和非线性回归或者神经网络)方法，取决于该工艺可以如何好地解析地描述。在制造工艺中，例如涉及复杂的装配，也使用基于知识的工艺方法，其中工艺的行为通过其工艺数据而获取，参看M.Polke的文章Prozessleittechnik(ProcessControl Cngineering)，Oldenbourg verlag，慕尼黑/维也纳，1994年，第813-817页。
在手头的示例中，工艺模型化是通过神经网络模型化实现。达到的精确度仅不到88％，即该模型可用于估算10个输入变量的扭矩数值时，在对应于扭矩测量的测量范围内仅低于88％的精确度。
Figure A200580003039D00101
还知道通过基于模型的灵敏度分析实现质量变量，在本例中是扭矩MD，对它的影响变量的数量相关性。参见R.Otte的文章SelbstorganisierendeMerkmalskarten zur multivariaten Datenanalyse komplexer technischer Prozesse(Self-Organizing Feature Cards for Multivariate Data Analysis of ComplexTechnical Processes)，Shaker Verlag，Aachen，1999 und R.Otte et al.，Data Miningfuer die mdustrielle Praxis(Data Mmmg for Industrial Pratice)，Carl HanserVerlag，2004年。图8表示基于铰链生产的前述神经元模型的灵敏度分析结果。
图8表明，扭矩MD的最重要的影响变量是栓钉DB1，然后是栓钉DB2，然后是矫正轮轴DK。温度TW和TU对扭矩具有最小的工艺影响。这意味着温度的变化平均来讲导致相对较小的扭矩变化。
过程步骤4自动地识别影响目标变量值的那些输入变量，在本例子中的扭矩MD。
5.GS优化目标变量值的工艺优化
在过程步骤5中，对过程步骤4的最重要的影响变量或被操控变量确定特定的额定数值，以获得规定的目标变量数值。
在现有技术中，经验学习模型是优化任务的反演，以便计算给定的目标变量的相应的影响变量数值。例如，可以通过自组织映射描绘工艺特性，参见EP 0 845 720 B1和R.Otte，的文章Selbstorganisierende Merkmalskarten zurmultivariaten Datenanalyse komplexer technischer Prozesse(Self-OrganizingFeature Cards for Multivariate Data Analysis of Complex Technical Processes)，Shaker Verlag，Aachen，1999年。图9表示根据自组织映射方法的这样的基于模型的数据分析。
使用工艺模型来优化任务使得对任一个给定的GS优化值计算目标变量，在本例中是MD，成为可能，GS最佳值的输入变量最终导致目标值。因此依据本发明对目标变量值的每一项GS计算结果反向计算出影响变量的相应数值。
作为例子，图10示出GS优化目标变量MD＝139.2Ncm＝1.392Nm的所选输入变量校正轮轴DK、温度TW和TU、铰链半径DS、套管壁厚度BW和栓钉直径DB1，DB2，DB3的数值。
在本例中作为结果确定的是导致GS最佳目标变量数值yGS，MD＝1.392Ncm的输入变量。
6.最重要的影响变量的全局定标分析
步骤1和步骤2用来确定在指定容许范围ymin和ymax内目标变量的所有GS最佳数值YGSI。过程步骤3、4和5用来确定该工艺的相应的输入变量数值。
如果从产品的角度来讲，在该间隔内仅有单个的最佳GS数值，那么此处描述的过程步骤6可以跳过，并且GS数值yGSI所属的被操控变量依据过程步骤5和7进行计算。如果存在数个同等的GS最佳数值yGSI，则多次使用过程步骤5通过输入变量的GS分析进行选择，即反向计算导向优化的yGSI的输入变量。
输入变量的多个数值用这种方法确定。这些数值也进行GS结构，如在图11中使用温度为例所示的。
在根据过程步骤5确定特定的输入变量数值之后，根据过程步骤2对每个所找到的输入数值xni进行GS分析。对最重要的输入变量以这种方法确定GS最佳数值。GS最佳输入数值取决于输入变量的类型。
如下类型的输入变量是GS最优的：
a)输入测量变量：由确定发生的最大概率的每个GS最优值，因为这些数值在将来会最经常出现。
b)如果输入测量变量是技术产品的测量值，这些数值扫描的额定变量可通过GS优化。
此情形下，例如，套管壁厚度BW是在0.46mm到0.5mm的范围内优化。
BWlower＝0.46mm＝[21 3 3 -3 3 5]
BWrated＝0.48mm＝[21 3 3 21 6 -9]
BWupper＝0.5mm＝[21 3 6 -3 3 -3]
因此，作为额定数值，值BW＝0.471mm等于通过每个GS的[21 3 3 -5]，从而是优化的，因为它处于n3的间隙中。
c)输入被操控变量：根据超灵活性的的每个GS优化，因为这些数值对数值本身的变化和工艺的变化是最不敏感的。
在过程步骤6中，对每个过程步骤2的每一个GS最佳目标变量值进行了GS分析并对每个过程步骤4和5的它的相应输入变量进行了GS分析，因此该工艺进行完整的GS分析。
7.最佳工艺状态的确定
在过程步骤7中，GS最佳工艺状态是从每个GS的全部可能的工艺状态中选择的，并且确定相应的被操控变量。
最多数量的GS最佳输入变量达到工艺最佳，此时目标变量yGSI正好是GS最佳。如果数个目标变量值相等，则更多地处于ymin和ymax间隔的对数平均值中的数值yGSI是最佳的。
被操控变量xStelliGS的子数量从找到的最佳值yGS所属的输入变量x1GS，X2GS，X3GS，...，xnGS的数量中读出。
因此，找到了制造和处理的最佳值，取得最佳值的被操控变量xStelliGS通过现有的控制/仪器技术向该工艺输出。
8.GS最佳值输出给该工艺
每个过程步骤7的最佳工艺状态的被操控变量的GS优化数值通过控制/仪器技术或例如SPS输出到技术或化学工艺过程，从而该工艺依据本发明通过GS优化。

Claims (7)

1.一种稳定技术工艺的方法，其特征在于包括以下步骤：
a)记录和选择数据以及准备数据；
b)在指定的容许范围内目标数值的GS分析；
c)自动工艺模型化和灵敏度分析，以确定所选的目标变量yi的最重要的影响变量xi。
d)在容许范围内选择GS最佳目标变量数值以及通过常规的优化方法反向计算相应的输入变量数值、额定数值、所有影响变量；
e)对过程步骤d)中计算的影响变量的额定数值作GS分析，以及
f)重复过程步骤d)和e)到在给定的容许范围内获得GS最佳目标变量数值，直至已找到影响变量和被操控变量的所有重要的GS最佳额定数值；
g)输出GS最佳的被操控变量到工艺中。
2.一种稳定技术工艺的方法，其特征在于：数个目标变量是同时并相干地根据全局定标(GS)进行优化，这是使用任何所需的数学函数将所选目标变量联系在一起和GS优化所产生的幂函数(G)实现的。
3.根据权利要求2所述的方法，其中所有与优化相关的变量通过基于全局定标方法相对于灵活性和稳定性进行优化，其中对相关参数和相应的目标变量的数据进行了全局定标分析。
4.根据权利要求3所述的方法，其特征在于工艺本身被优化。
5.根据权利要求3所述的方法，其特征在于通过工艺制造的产品被优化。
6.根据前述权利要求2至5中任一项权利要求所述的方法，其特征在于工艺的影响变量也进行GS分析和优化目标变量的GS优化。
7.根据权利要求2至6中任一项权利要求所述的方法，其特征在于机械工程或化学工业的工艺或产品被稳定化或优化。
CNA2005800030398A 2004-01-23 2005-01-14 稳定工艺过程的方法 Pending CN101421680A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102004003753.1 2004-01-23
DE200410003753 DE102004003753A1 (de) 2004-01-23 2004-01-23 Verfahren zur Stabilisierung von technischen Prozessen

Publications (1)

Publication Number Publication Date
CN101421680A true CN101421680A (zh) 2009-04-29

Family

ID=34745099

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA2005800030398A Pending CN101421680A (zh) 2004-01-23 2005-01-14 稳定工艺过程的方法

Country Status (6)

Country Link
EP (1) EP1706798A1 (zh)
JP (1) JP2007519107A (zh)
CN (1) CN101421680A (zh)
DE (1) DE102004003753A1 (zh)
WO (1) WO2005071504A2 (zh)
ZA (1) ZA200605711B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146279B (zh) * 2018-08-14 2021-12-07 同济大学 基于工艺规则与大数据的全流程产品质量溯源分析方法

Also Published As

Publication number Publication date
WO2005071504A2 (de) 2005-08-04
DE102004003753A1 (de) 2005-08-11
JP2007519107A (ja) 2007-07-12
ZA200605711B (en) 2008-02-27
EP1706798A1 (de) 2006-10-04
WO2005071504A9 (de) 2006-06-01

Similar Documents

Publication Publication Date Title
Zgodavova et al. Innovative methods for small mixed batches production system improvement: The case of a bakery machine manufacturer
Burnak et al. Towards the grand unification of process design, scheduling, and control—utopia or reality?
JP2021522601A (ja) バッチプロセスのモデル化、監視及び制御におけるバッチデータの自動アライメントのためのコンピュータシステム及び方法
CN103439887B (zh) 低阶系统itae最优的pi控制器参数整定方法及系统
CN111352387B (zh) 一种实现数控机床非线性误差的智能补偿方法
Al-Khazraji et al. Analysing the impact of different classical controller strategies on the dynamics performance of production-inventory systems using state space approach
CN109240090A (zh) 一种基于时间差分的增量学习xgboost模型的自适应软测量建模方法
CN115993856B (zh) 一种厂房多区域环境条件管控方法及系统
KR20220032599A (ko) 세포 배양 프로세스에서 프로세스 변수를 결정하기 위한 방법
CN117139380A (zh) 一种基于调控经验自学习的镰刀弯控制方法
Muqtadir et al. The Implementation of Grey Forecasting Model for Forecast Result’s Food Crop Agricultural
CN112053019A (zh) 一种基于大数据模型预测控制框架的光纤预制棒沉积工序智能化方法
Jin et al. Online automatic process control using observable noise factors for discrete-part manufacturing
CN110196456A (zh) 一种基于相似年灰色关联分析的中长期降雨径流预报方法
CN101421680A (zh) 稳定工艺过程的方法
Gautam et al. A new high-order approach for forecasting fuzzy time series data
CN108764583B (zh) 森林蓄积量的无偏预估方法
Rodrigues et al. A tuned approach of the predictive–adaptive GPC controller applied to a fed-batch bioreactor using complete factorial design
CN115759469A (zh) 一种针对峰值负荷及其出现时间的预测方法及其装置
CN115309052A (zh) 一种工业实时数据时序预测结果的在线修正方法
CN114139446A (zh) 一种用于特殊精馏过程组分在线检测软测量方法
Wang et al. Robust parameter design of dynamic multi‐response system: a new integrated method
CN110705700A (zh) 一种土壤温度传感器的漂移预测方法
WO2023233858A1 (ja) ニューラルネットワークの計算装置及び計算方法
CN113848839B (zh) 一种基于迭代学习控制的双层结构经济性能提升策略

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20090429