CN108780314B - 针对不稳定环境的模型适配和在线学习 - Google Patents

针对不稳定环境的模型适配和在线学习 Download PDF

Info

Publication number
CN108780314B
CN108780314B CN201780018572.4A CN201780018572A CN108780314B CN 108780314 B CN108780314 B CN 108780314B CN 201780018572 A CN201780018572 A CN 201780018572A CN 108780314 B CN108780314 B CN 108780314B
Authority
CN
China
Prior art keywords
data points
adapted version
predictive model
prediction model
updated
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.)
Active
Application number
CN201780018572.4A
Other languages
English (en)
Other versions
CN108780314A (zh
Inventor
P.拉德
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.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
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 Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of CN108780314A publication Critical patent/CN108780314A/zh
Application granted granted Critical
Publication of CN108780314B publication Critical patent/CN108780314B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • 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
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37518—Prediction, estimation of machining parameters from cutting data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

用于适配用于制造工艺的预测模型的方法、系统和装置。一种方法包括利用电子处理器接收针对多个所制造的零件的多个数据点和预测模型。该预测模型输出针对由制造工艺提供的所制造的零件的标签，所述标签指示所制造零件是被接受还是被拒绝。该方法还包括利用电子处理器为多个数据点中的每一个估计漂移和利用电子处理器基于预测模型和针对多个数据点中的每一个的漂移来生成预测模型的经适配的版本。此外，该方法包括利用电子处理器使用预测模型的经适配的版本输出针对多个所制造的零件中的每一个的标签。

Description

针对不稳定环境的模型适配和在线学习
相关申请
该申请要求均于2016年1月20日提交的美国临时申请号 62/280,877和62/280,884的优先权，通过引用将每一个的整个内容合并于此。
技术领域
本发明的实施例涉及用于更新或调谐（tuning）预测模型的方法、系统和装置。
背景技术
在动态或不稳定环境中发现潜在趋势是一种有挑战性的问题。不稳定环境可能包括以下环境：即在此处导致观察的潜在状况不是跨时间静态的。这样的场景经常发生于在产品的产能提升阶段（ramp-up phase）期间制造业的装配线中。从装配线上大量产出（churned out of）的每个产品都被测试并分类为好的或坏的。然而，在产能提升阶段期间，存在对制造环境进行的连续修改。因此，好零件的生产率可能会连续第变化。通常，在产能提升阶段期间的重要目的之一是增加好零件的生产量，而同时降低用于测试产品的时间。数据挖掘（data mining）可以被用在这样的场景中，并且测试中的一些可以被预测模型替换。换言之，预测模型的目标变量可以是测试的结果，而不是进行测试，可以使用模型来预测测试的结果，这导致时间的节省。而且，预测模型可以帮助更好地理解工艺，这可能导致产量的增加。然而，在本领域的当前状态中，这些模型不自己自动地适配于潜在环境中的变化。此外，可能难以知道何时发生了需要模型自适应的变化，并且在一些实施例中，潜在变化可能是零星的，从而导致对模型自适应和在线学习的需要。
发明内容
作为一个示例，可以沿着制造线生成许多测试测量结果。这些测试测量结果中的一些可以被用来确定是应该接受还是拒绝特定零件（例如所装配的产品）（例如并且被指定为废品）。预测模型可以被用来基于测试测量结果来进行该确定。这样的预测模型可以使用针对制造线的历史数据被训练（例如测试测量结果以及对应的标签指示特定零件是被接受还是拒绝）。然而，随着时间推移，预测模型可能变得过时，并提供特定零件应该被接受还是拒绝的不准确确定。
因此，本发明的实施例涉及用于在不稳定环境中执行自动模型自适应和在线学习的方法和系统。在一些实施例中，经适配的预测模型可能涉及制造线。为了自适应地调谐这样的预测模型，沿制造线生成的测试测量结果可以被馈送给自适应调谐系统(例如，执行指令集的计算机硬件)，该自适应调谐系统使用测试测量结果来适配或调谐预测模型并保持模型被更新。
一个实施例提供一种适配用于制造工艺的预测模型的方法。该方法包括利用电子处理器接收预测模型。该预测模型为由制造工艺提供的所制造的零件输出标签，其中该标签指示所制造的零件是被接受还是被拒绝。该方法还包括利用电子处理器接收与多个所制造的零件相关联的多个数据点并且为多个数据点中的每一个估计漂移。该方法还包括利用电子处理器基于预测模型和针对多个数据点中的每一个的漂移来生成预测模型的经适配的版本，以及利用电子处理器使用预测模型的经适配的版本输出针对多个所制造的零件中的每一个的标签。
另一实施例提供一种用于适配用于制造工艺的预测模型的系统。该系统包括存储与多个所制造的零件相关联的多个数据点的数据库以及通信地耦合至数据库的控制器。该控制器包括电子处理器，该电子处理器被配置成接收与多个所制造的零件相关联的多个数据点和预测模型。该预测模型输出针对由制造工艺提供的所制造的零件的标签，其中该标签指示所制造的零件是被接受还是被拒绝。该电子处理器还被配置成为多个数据点中的每一个估计漂移并且基于预测模型和针对多个数据点中的每一个的漂移来生成预测模型的经适配的版本。该电子处理器被进一步配置成使用预测模型的经适配的版本输出针对多个所制造零件的每一个的标签。
又另一实施例提供一种非瞬时计算机可读介质，其包含当被电子处理器执行时执行功能集的指令。该功能集包括接收预测模型，预测模型输出针对由制造工艺提供的所制造的零件的标签，所述标签指示所制造的零件被接收还是被拒绝。该功能集还包括接收与多个所制造的零件相关联的多个数据点以及为多个数据点中的每一个估计漂移。此外，该功能集包括基于预测模型和针对多个数据点中的每一个的漂移来生成预测模型的经适配的版本，以及使用预测模型的经适配的版本来输出针对多个所制造零件中的每一个的标签。
通过考虑详细描述和附图，本发明的其他方面将变得显而易见。
附图说明
图1是包括多个测试站的制造工艺的框图。
图2是根据一个实施例的包括预测模型的图1的制造工艺的框图。
图3A-3D用图表表示地图示在一段时间内漂移的多个数据点。
图4是根据一个实施例的包括预测模型和自适应调谐系统的图1的制造工艺的框图。
图5是根据一个实施例的图4的自适应调谐系统的框图。
图6是根据一个实施例的图5的自适应调谐系统的控制器的框图。
图7是根据一个实施例的生成预测模型的方法的流程图。
图8是根据一个实施例的适配预测模型的方法的流程图。
图9是根据一个实施例的提供图8的方法的细节的流程图。
图10是根据一个实施例的包括来自线末端测试站的反馈的图4的制造工艺的框图。
具体实施方式
在详细解释本发明的任何实施例之前，要理解的是，本发明在其应用方面不限制于在下面的描述中阐述的或在下面的绘图中图示的部件的构造和布置的细节。本发明能够实现其他实施例，并且能够以各种方式被实践或被实施。
可以使用多个基于硬件和软件的设备、以及多个不同结构部件来实施本发明的实施例。此外，实施例可以包括硬件、软件和电子部件或模块，其为了讨论的目的可以被图示并描述成好像仅仅以硬件实施大部分部件一样。然而，本领域普通技术人员，并且在阅读该详细的描述的基础上将会认识到，在至少一个实施例中，可以以可由一个或多个处理器执行的软件（例如存储在非瞬时计算机可读介质上）来实施本发明的基于电子电路的（electronic based）方面。同样地，应该注意的是，可以利用多个基于硬件和软件的设备以及多个不同结构部件来实施本发明。例如，在说明书中描述的“控制单元”和“控制器”可以包括一个或多个电子处理器、包括非瞬时计算机可读介质的一个或多个存储器模块、一个或多个输入/输出接口、以及连接所述部件的各种连接（例如系统总线）。
本文中描述的方法和系统可以被应用于使用预测建模来跟踪数据和预测结果（outcomes）的各种工业、商业实践和工艺。例如，所述方法可以应用于制造工艺、网络使用（web usage）、用户兴趣分析、自然语言处理、垃圾邮件检测以及金融、气候和医疗数据的分析。所述方法还可以应用于计算能源需求和预测定价。所述方法还可以应用于来自自主机器人的信号的分析。一般来说，所述方法可以应用于被配置成跟踪数据（例如数据点）并确定数据随时间的变化（其可以被称为数据漂移（data drift））的系统。例如，在预测分析（analytics）和机器学习中，概念漂移意指模型正试图预测的目标变量的统计性质以无法预料的方式随时间改变。这引起问题，因为随着时间推移，预测变得不太准确。因此，本发明的实施例提供用于在概念漂移下执行模型自适应和在线学习的方法和系统。尽管可以将所述方法应用于各种工艺和工业，但是作为一个示例该申请聚焦于在制造环境内应用所述方法。
图1图示具有多个制造站的制造工艺100。如在图1中图示的，多个制造站可以包括第一制造站105、第二制造站110和第三制造站115。制造站中的每一个都在所制造的零件的发展中执行工艺步骤。例如，第一制造站105可以模制或形成所制造的零件，第二制造站110可以在所制造的零件中钻孔或打孔，并且第三制造站115可以组合来自其他站（例如子站）的零件以形成完成的所制造的零件。该制造工艺100可以包括各种类型和样式的组件和制造步骤。例如，该制造工艺100可以通过分段式加工工艺等等利用装配线（例如使用被加工的部件）来实施。该图示以及相关联的描述仅仅提供制造工艺100的一个示例，并且制造工艺的其他示例和实施例可以与本文中描述的方法一起使用。
每个制造站都可以与测量在制造站处正在处理的一个或多个零件的特性或特征的一个或多个测试测量结果120、125、130（诸如宽度、高度、长度、重量、偏斜、曲率、强度、温度等等）相关联。因此，该测试测量结果表示指示被测量的特性的数据点。可以由与制造站相关联的一个或多个传感器来输出测试测量结果。尽管没有在图1中图示，但是测试测量结果可以被存储至数据库系统，诸如制造执行系统（MES）、日志数据或文本文件、或其他类型的数据库系统或存储机构。
该制造工艺100还包括一个或多个线末端（end-of-line）测试站135。每个线末端测试站都可以对所制造的零件执行一个或多个测试以确定该零件是否在规格或公差内。当不在规格内时，该所制造的零件可以传递至废品站140以被废弃或以其他方式被再加工。如果在规格内，则该所制造的零件可以传递至保存站145用于进一步处理、测试、运送等等。可以将与所制造的零件相关联的指示该零件是被接受还是废弃的标签存储至数据库系统、诸如MES。如在图1中图示的，可以在制造工艺100的结束处包括线末端测试站，或者可以遍及制造工艺100在一个或多个位置处包括线末端测试站。
为了减少与制造工艺100相关联的时间和成本，一个或多个预测模型可以被用来补充或替换线末端测试站135中的一个或多个。例如，图2图示在添加（由计算设备执行的）预测模型150情况下的制造工艺100。该预测模型提供针对由制造工艺100制造的每个零件的输出或标签，所述输出或标签指示该零件基于测试测量结果120、125、130或其组合应该被接受（“接受”）还是被拒绝（“拒绝”）。在一些实施例中，如在图2中图示的，当预测模型150将零件标示为“拒绝”时，该零件不经历进一步测试（例如被废弃），但是当预测模型150将零件标示为“接受”时，该零件可能经历通过一个或多个线末端测试站135的附加测试。因此，通过线末端测试站135执行较少的测试，这减少与制造工艺100相关联的时间和成本。
在一些实施例中，使用机器学习来生成预测模型150。机器学习通常指的是在不被明确编程的情况下计算机程序学习的能力。在一些实施例中，计算机程序（例如学习引擎）被配置成基于示例输入来构建算法。有监督学习涉及向计算机程序提供示例输入以及其期望的（例如实际的）输出。该计算机程序被配置成学习将输入映射成输出的一般规则（例如算法）。可以使用各种类型的方法和机制来执行机器学习。例如，可以使用决策树学习、关联规则学习、人工神经网络、归纳逻辑编程、支持向量机、聚类、贝叶斯网络、强化学习、表示学习、相似性和度量学习（similarity and metric learning）、稀疏字典学习和遗传算法来执行机器学习。通过使用所有这些方法，计算机程序可以摄取、解析并理解数据并且渐进地改善用于数据分析的算法。
因此，对于上面描述的示例制造工艺100，可以通过向预测模型150提供测试测量结果120、125和130以及由线末端测试站135确定的标签来生成或训练该预测模型150。因此，该预测模型150开发算法，所述算法将特定测试测量结果映射成特定标签并且在被训练之后基于所提供的输入来输出标签。例如，该预测模型150可以生成所制造的零件将被接受或拒绝的概率。这些概率可能与针对所制造的零件的标签（诸如“接受”或“拒绝”）相关联。因此，如上所述，一旦预测模型150被训练，该预测模型就可以补充或替换线末端测试站135中的一个或多个，这使得制造工艺100更快且更便宜。
然而，测试测量结果可能随着时间而漂移（例如由于输入的变化、机器磨损、对制造工艺（例如跟踪时间和工作流程）的调整、制造环境变化以及其他变量。因此，随着时间推移，该预测模型15可能变得不准确。例如，图3A-3D图示在相继时段内数据点中的漂移。每个数据点都基于第一值和第二值被绘制。该第一值被图示在垂直轴线310上并且第二值被图示在水平轴线315上。该数据点的第一值和第二值可以表示与制造站中的一个或多个相关联的针对特定零件的测试测量结果（例如高度和宽度）。在图3A-3D中图示阈值305，其表示可以被预测模型150应用来识别被接受的零件和被拒绝的零件的简化界限或算法。例如，该预测模型150可以“拒绝”由在阈值305以下的点表示的任何零件并且“接受”由在阈值305以上的点表示的任何零件。如在图3A-3D中图示的，尽管数据漂移，表示预测模型150的阈值305保持恒定。因此，随着时间推移，该预测模型150可以变得过时和不准确，并且从预测模型150获得的益处被减少。而且，因为一些零件可能基于来自预测模型150的输出而被拒绝，所以（例如如由线末端测试站135确定的）实际标签可能不可用于由制造工艺100生产的每个零件。因此，可能不能生成新的预测模型来准确地适应数据漂移。
为了考虑与预测模型相关联的上面的技术问题（例如漂移），该制造工艺100可以包括如图4中图示的用于适配预测模型150的自适应调谐系统405。图5示意性地图示根据一个实施例的自适应调谐系统405。该自适应调谐系统405包括控制器410、数据库415（例如制造执行系统（“MES”）数据库）、以及一个或多个跟踪传感器420。该自适应调谐系统405可以包括与图5中图示的不同的部件。例如，在一些实施例中，该自适应调谐系统405可以包括多个数据库、多个控制器、更少或附加的跟踪传感器或其组合。而且，在一些实施例中，该数据库415可以被包括在控制器410中。
跟踪传感器420可以记录上述测试测量结果120、125和130。跟踪传感器420通信地耦合至数据库415。在一些实施例中，跟踪传感器420还通信地耦合至控制器410。该数据库415从跟踪传感器420接收数据并且存储数据。该数据库415可以通过有线连接、无线连接或其组合与跟踪传感器420通信。例如，在一些实施例中，该数据库415可以通过有线连接与跟踪传感器420中的一些通信并且可以通过无线连接与跟踪传感器420中的一些通信。在一些实施例中，该数据库415通过通信网络、诸如因特网、网状网络、蜂窝网络、私有网络、公用网络或其组合（通过有线或无线连接）与跟踪传感器420中的一个或多个通信。而且，在一些实施例中，一个或多个居间（intermediary）设备可以管理跟踪传感器420和数据库415之间的通信。例如，一个或多个中间设备可以与跟踪传感器420通信并且将从跟踪传感器420接收到的数据（例如在处理的情况下或在不处理的情况下）转发至数据库415。特别地，在一些实施例中，跟踪传感器420可以与控制器410通信，并且该控制器410可以将从跟踪传感器420接收到的数据（例如在处理的情况下或在不处理的情况下）转发至数据库415。在一些实施例中，该数据库415还存储与如上面描述的测试测量结果相关联的标签（当被预测模型输出或者被线末端测试站135提供时）。在一些实施例中，该数据库415还可以存储预测模型150。例如，在一些实施例中，该控制器410被配置成训练预测模型150、执行预测模型150、适配预测模型150或者其组合。在其他实施例中，由不同于控制器410的一个或多个控制器来执行该预测模型150。
该数据库415还与控制器410通信。该数据库415可以通过有线连接、无线连接或其组合与控制器410通信。例如，在一些实施例中，该数据库415通过通信网络、诸如因特网、网状网络、蜂窝网络、私有网络、公用网络或其组合（通过有线或无线连接）与控制器410通信。而且，在一些实施例中，一个或多个居间设备可以管理控制器410和数据库415之间的通信。例如，一个或多个居间设备可以与控制器410通信并且将从控制器410接收到的数据（例如在处理的情况下或在不处理的情况下）转发至数据库415并且反之亦然。而且，如上所述，在一些实施例中，该数据库415被包括在控制器410中。
该控制器410包括多个电气和电子部件，其提供控制器410内的部件的功率、操作控制和保护。例如，如在图6中图示的，该控制器410可以包括电子处理器505（例如微处理器、专用集成电路（ASIC）或另一适当的电子设备）、存储器510（例如非瞬时计算机可读存储介质）、和输入/输出接口515。电子处理器505、存储器510和输入/输出接口515通过一个或多个连接或总线来通信。图6中图示的控制器410表示控制器的一个示例，以及本文中描述的实施例可以包括具有与图6中图示的控制器410相比附加的、更少的或不同的部件。而且，在一些实施例中，该控制器410执行除了本文中描述的功能性之外的功能性。类似地，由控制器410执行的功能性（即通过由电子处理器505执行指令）可以分布在多个控制器之中。因此，本文中描述的如由电子处理器505执行的功能性可以由包括在控制器410中的或在控制器410外部的一个或多个电子处理器来执行。
该控制器410的存储器510可以包括程序存储区和数据存储区。程序存储区和数据存储区可以包括只读存储器（“ROM”）、随机存取存储器（“RAM”）（例如动态RAM（“DRAM”）、同步DRAM（“SDRAM”）等等）、电可擦除可编程只读存储器（“EEPROM”）、闪速存储器、硬盘、安全数字（“SD”）卡、其他适当的存储器设备、或其组合。该电子处理器505执行存储在存储器510中的计算机可读指令（“软件”）。该软件可以包括固件、一个或多个应用程序、程序数据、过滤程序（filter）、规则、一个或多个程序模块、和其他可执行指令。例如，该软件可以包括用于适配如在本文中描述的预测模型150的指令以及相关联的数据。
该输入/输出接口515允许控制器410与控制器410外部的设备通信。例如，该控制器410可以通过输入/输出接口515与数据库415通信。特别地，该输入/输出接口515可以包括用于容纳至数据库415的有线连接（例如通用串行总线（“USB”）线缆等等）的端口、用于（例如通过通信网络，诸如因特网、局域网（“LAN”）、广域网等等）建立至数据库415的无线连接的收发器、或其组合。此外，在一些实施例中，该控制器410可以通过输入/输出接口515与跟踪传感器420通信。在一些实施例中，该控制器410还通过输入/输出接口515从一个或多个外围设备（诸如键盘、定点设备（例如鼠标）、触摸屏上的按钮、滚动球、机械按钮等等）接收输入。类似地，在一些实施例中，该控制器410通过输入/输出接口515向一个或多个外围设备（诸如显示设备（例如液晶显示器（“LCD”）、触摸屏等等）、打印机、扬声器等等）提供输出。在一些实施例中，可以在（例如由电子处理器505根据存储在存储器510中的指令和数据生成并且呈现在触摸屏或其他显示器上的）使得用户能够与控制器410交互的图形用户界面（“GUI”）内提供输出。
使用电子处理器505的控制器410执行（例如存储在存储器510中的）指令以执行用于制造工艺200的预测模型的适配。特别地，使用电子处理器505的控制器410可以执行指令以执行图7中图示的方法、图8中图示的方法或二者。
图7图示根据一个实施例的生成（即训练）预测模型150的方法600。该方法600在本文中被描述为由控制器410以及特别地电子处理器505来执行。然而，如在上所述，在一些实施例中，该控制器410可能仅适配如在图8中描述的预测模型150，并且类似于控制器410的一个或多个单独控制器可以生成预测模型150。
该方法600包括接收与第一多个所制造的零件相关联的第一多个数据点（框605）。第一多个数据点可以包括由跟踪传感器280检测到并且传送至数据库415用于记录、存储和由电子处理器505使用的测试测量结果。
该方法600还包括接收针对第一多个所制造的零件中的每一个的标签（框610）。该电子处理器505然后基于第一多个数据点以及针对第一多个所制造的零件中的每一个的标签来生成预测模型（在框615处）。
一旦被训练，该预测模型150就可以被用来基于与所制造的零件相关联的测试测量结果来预测针对所制造的零件的标签。特别地，如上面描述的，（如由电子处理器505执行的）预测模型150输出表示零件（或其相关联的数据点）属于的类别（例如“接受”或“拒绝”）的针对所制造的零件的标签
Figure 246870DEST_PATH_IMAGE001
。如上面描述的，该预测模型150可以预测所制造的零件在一个或多个规格内的概率。
例如，在一些实施例中，经训练的预测模型包括基于在时间t的数据点训练的所估计的概率分布
Figure 180101DEST_PATH_IMAGE002
，所述数据点具有可用的标签或分类。然而，在随后的时间(t+1)，新的数据点可用但其标签不可用。此外，尽管经训练的模型可以被用来为新的数据点估计标签，但是由于数据漂移，该模型的预测能力随着时间降低。在一些实施例中，在假设分布（
Figure 179281DEST_PATH_IMAGE003
、
Figure 463632DEST_PATH_IMAGE004
、
Figure 876159DEST_PATH_IMAGE005
或
Figure 904158DEST_PATH_IMAGE006
）中的所有或一些正在改变的情况下可以对漂移建模。这些假设可能取决于即将到来的（at hand）问题。
特别地，如上面描述的，一旦被训练，该预测模型150可能变得过时并且因此不准确。此外，因为预测模型150可以被用来避免在线末端测试站135处处理所制造的零件，所以实际标签（即不是由预测模型150确定的，而是由线末端测试站135中的一个或多个确定的）可能不可用，否则该实际标签可能被用来生成新的经更新的预测模型。
因此，为了致力于上面的以及其他技术问题，图8图示根据一个实施例的适配预测模型150的方法700。该方法700由控制器410以及特别地电子处理器505来执行。如在图8中图示的，该方法700包括接收预测模型150（在框702处）。当控制器410还生成预测模型150时，该控制器410可以通过访问存储在存储器510中的预测模型150来接收预测模型150。在其他实施例中，该控制器410可以通过访问控制器410外部的存储器（例如通过输入/输出接口515）来接收预测模型150。
该方法700还包括接收与第二多个所制造的零件
Figure 272691DEST_PATH_IMAGE007
相关联的第二多个数据点，其中第二多个数据点表示漂移的数据（在框703处）。该方法700还包括为第二多个所制造的零件中的每一个估计漂移（在框705处）。可以基于第二多个数据点和如先前确定的预测模型150来为第二多个所制造的零件中的每一个估计漂移。然后将针对第二多个所制造的零件中的每一个的漂移用来生成预测模型的经适配的版本（在本文中也被称为经适配的预测模型）（在框707处）。该方法700还包括基于预测模型的经适配的版本来输出针对第二多个所制造的零件中的每一个的标签（在框709处）。
在图9中提供根据一个实施例的方法700的另外的细节。因为该方法700的部分可以是迭代的，所以方法700可以包括用于启动方法700的初始化序列。特别地，初始化可以包括对预测模型的经适配的版本进行初始化。例如，如在图9中图示的，该方法700可以包括将预测模型的经适配的版本设置成用于初始迭代的预测模型150（在框712处）。此外，对自适应调谐进行初始化可以包括将计数器（例如变量k）初始化成参考数（例如零）以跟踪迭代。在其他实施例中可以使用用于跟踪迭代的其他机制。类似地，对自适应调谐过程进行初始化可以包括限定公差。如在下面以更多细节描述的，该公差可以被用来检查预测模型150的经适配的版本的准确度。
该方法700还包括接收与第二多个所制造的零件
Figure 462364DEST_PATH_IMAGE008
相关联的第二多个数据点，其中第二多个数据点表示漂移的数据（在框713处）。该电子处理器505然后基于预测模型的经适配的版本来为第二多个所制造的零件中的每一个估计多个标签
Figure 362187DEST_PATH_IMAGE009
（在框715处）。如上所述，最初可以将该预测模型的经适配的版本设置成等于预测模型150，其可以被表示为概率函数（例如后验概率函数）。因此，如在本文中描述的，该预测模型150可以被表示为概率函数
Figure 865981DEST_PATH_IMAGE010
Figure 167649DEST_PATH_IMAGE011
，其对于初始序列可以被表述为
Figure 528223DEST_PATH_IMAGE012
。该电子处理器505还基于多个标签和漂移的数据
Figure 915342DEST_PATH_IMAGE013
生成临时预测模型
Figure 973559DEST_PATH_IMAGE014
（在框718处）。在一些实施例中，该电子处理器505与如上面在图7中所描述的那样如何生成预测模型150类似地来生成临时预测模型。
如图9中图示的，该电子处理器505然后为第二多个数据点中的每一个估计漂移
Figure 864155DEST_PATH_IMAGE015
（即逐点漂移）（在框722处）。该漂移可以基于预测模型的经适配的版本
Figure 661209DEST_PATH_IMAGE016
和临时预测模型
Figure 207728DEST_PATH_IMAGE017
。例如，在一些实施例中，该电子处理器505使用下面的方程式（1）来为第二多个数据点中的每一个估计漂移（即逐点漂移）：
Figure 381221DEST_PATH_IMAGE018
在此处
Figure 391902DEST_PATH_IMAGE019
是在时间t的概率（即预测模型的经适配的版本）并且
Figure 359858DEST_PATH_IMAGE020
是漂移的数据点在时间t+1的后验概率（即临时预测模型）。在一些实施例中，可以使用预测模型的经适配的版本
Figure 642941DEST_PATH_IMAGE021
或临时预测模型
Figure 354545DEST_PATH_IMAGE022
来估计概率
Figure 219733DEST_PATH_IMAGE023
。
然后，该电子处理器505确定在预测模型的经适配的版本和临时预测模型之间的差（
Figure 358590DEST_PATH_IMAGE024
）、诸如KL散度（Kullback-Leibler Divergence）（在框725处）。当该差
Figure 879701DEST_PATH_IMAGE025
低于（在初始化期间限定的）公差时（在框730处），该电子处理器505使用预测模型150的经适配的版本来输出针对所制造的产品（例如第二多个所制造的产品）的标签（在框735处）。例如，该电子处理器505可以利用预测模型150的经适配的版本覆盖原始预测模型150或者将原始预测模型150标记为非激活的。
备选地，如在图9中图示的，当该差不低于公差（例如等于或高于公差）时（在框730处），该电子处理器505为第二多个数据点中的每一个计算差的梯度（
Figure 129417DEST_PATH_IMAGE026
）（在框740处）。该电子处理器505然后基于为第二多个数据点中的每一个计算的梯度来更新针对第二多个数据点中的每一个的所估计的漂移
Figure 800176DEST_PATH_IMAGE027
（在框745处）。例如，在一些实施例中，该电子处理器505使用下面的方程式（2）来更新逐点漂移，其中变量
Figure 109935DEST_PATH_IMAGE028
表示常数：
Figure 180659DEST_PATH_IMAGE029
。
基于已更新的漂移，该电子处理器505更新预测模型的经适配的版本（在框750处）。在一些实施例中，该电子处理器505使用下面的方程式（3）来更新预测模型的经适配的版本：
Figure 171749DEST_PATH_IMAGE030
。
通过使用预测模型的已更新的经适配的版本，该电子处理器505更新针对第二多个所制造的零件中的每一个的标签（框755）。如在图9中图示的，在更新标签（框755）之后，该电子处理器505基于已更新的标签和漂移的数据来生成新的临时预测模型
Figure 11529DEST_PATH_IMAGE031
（在框760处）。该电子处理器505然后确定预测模型的已更新的经适配的版本和已更新的临时预测模型之间的已更新的差，如上面描述的那样（在框725处）。还如在上面描述的，当已更新的差低于公差时（在框730处），该电子处理器505将预测模型的已更新的经适配的版本设置为当前模型用以在预测所制造的零件的标签中使用（在框735处）。然而，当已更新的差不低于公差时（在框730处），再次如上面描述的那样，该电子处理器505更新漂移、预测模型的经适配的版本和标签。如在图9中图示的，该电子处理器505反复地执行这些更新直到预测模型的经适配的版本和临时预测模型之间的差小于公差为止。
因此，如在图9中图示的，在创建预测模型的经适配的版本（在框712处）之后，该自适应调谐系统405（即控制器410）通过将预测模型的经适配的版本与基于多个数据点（即漂移的数据）生成的临时预测模型进行比较来检查预测模型的经适配的版本的准确度（在框715、718、725和730处）。如果这两个模型对准（即偏离了小于阈值（diverge by less thanthe threhold）），则方法700完成（在框735处）。否则，该自适应调谐系统405调整为多个数据点中的每一个估计的漂移（在框740和745处），基于针对多个数据点中的每一个的经调整的偏移来更新预测模型的经适配的版本（在框750处），并且使用预测模型的已更新的经适配的版本来重复比较过程（框760、755、718、722、725和730）。因此，该自适应调谐系统405迭代地调整每个数据点的所估计的漂移直到生成预测模型的准确的经适配的版本为止。
在一些实施例中，除了适配预测模型以考虑如上面关于方法700描述的数据漂移之外，该控制器410还可以基于来自线末端测试站135的输出来更新预测模型。例如，如上面描述的，线末端测试站135中的一个或多个可以输出针对所制造的零件的标签（例如“接受”或“拒绝”）。如在图10中图示的，可以将该输出提供给自适应调谐系统405，该自适应调谐系统405可以使用该输出来执行在线学习并更新预测模型。特别地，如果该预测模型150已将所制造的零件标示为“接受”，但当被线末端测试站135处理时该所制造的零件实际上被拒绝，则该预测模型150可以从这些矛盾中学习并且相应地被（by）自动更新。
因此，此外（among other things）本发明的实施例提供用于自适应地调谐预测模型的系统和方法。例如，如在本文中描述的，预测模型可以被适配用于补偿与制造工艺相关联的数据漂移。特别地，本发明的实施例可以考虑从经历逐渐漂移的环境中生成的数据以及用于在线分类的未加标签的批处理数据（batch data）的可用性。该数据可以被用来从非法定数据中学习、估计漂移（draft）并且相应地适应预测模型。因此，本发明的实施例为非稳定环境提供用于适配预测模型的系统和方法，诸如网络使用和用户兴趣分析；自然语言处理；垃圾邮件检测；金融、气候、医疗、能量需求和定价数据的分析；和来自自主机器人的信号的分析。类似地，本发明的实施例提供用于使预测模型适配于制造和组装工艺和技术（废品减少项目、测试时间减少项目、零件分类（“好对坏”））的系统和方法，在此处材料供应商的变化、机器和传感器的耗损（wear and tear）等等都可能引起逐渐漂移。
在下面的权利要求中阐述本发明的各种特征和优点。

Claims (9)

1.一种适配用于制造工艺的预测模型的方法，该方法包括：
利用电子处理器接收所述预测模型，所述预测模型输出针对由所述制造工艺提供的所制造的零件的标签，其中该标签指示所制造的零件是被接受还是被拒绝；
利用所述电子处理器接收与多个所制造的零件相关联的多个数据点；
利用所述电子处理器为所述多个数据点中的每一个估计漂移；
利用所述电子处理器基于所述预测模型和针对所述多个数据点中的每一个的漂移来生成所述预测模型的经适配的版本；以及
利用所述电子处理器使用所述预测模型的经适配的版本输出针对所述多个所制造的零件中的每一个的标签，
进一步包括：利用所述电子处理器，基于所述多个数据点和所述预测模型来估计与所述多个所制造的零件相关联的多个标签，所述多个标签指示所述多个所制造的零件中的每一个是否在规格内，
进一步包括：利用所述电子处理器基于所述多个数据点和所述多个标签来生成临时预测模型，
进一步包括：利用所述电子处理器将所述预测模型的经适配的版本与所述临时预测模型相比较以获得差；以及
当所述差大于阈值时，利用所述电子处理器来更新所述预测模型的经适配的版本，
其中更新所述预测模型的经适配的版本包括：
（a）计算所述差在所述多个数据点中的每一个处的梯度；
（b）基于在所述多个数据点中的每一个处的梯度来更新所述多个数据点中的每一个处的漂移；
（c）基于针对所述多个数据点中的每一个的已更新的漂移来更新所述预测模型的经适配的版本以获得所述预测模型的已更新的经适配的版本；
（d）基于所述多个数据点和所述预测模型的已更新的经适配的版本来更新与所述多个所制造的零件相关联的多个标签；
（e）基于所述多个数据点和已更新的多个标签来生成新的临时预测模型；
（f）将所述预测模型的已更新的经适配的版本与所述新的临时预测模型相比较以获得已更新的差；
（g）当所述已更新的差大于所述阈值时，重复（a）到（f）；以及
（h）当所述已更新的差小于所述阈值时，应用所述预测模型的已更新的经适配的版本。
2.根据权利要求1所述的方法，其中将所述预测模型的经适配的版本与所述临时预测模型相比较以获得差包括计算所述预测模型的经适配的版本和所述临时预测模型之间的KL散度。
3.根据权利要求1所述的方法，其中基于所述预测模型和针对所述多个数据点中的每一个的漂移来生成所述预测模型的经适配的版本包括：
（a）将所述预测模型的经适配的版本设置成所述预测模型；
（b）基于所述多个数据点来生成临时预测模型；
（c）将所述预测模型的经适配的版本与所述临时预测模型进行比较来确定差；以及
（d）当所述差大于阈值时，
更新针对所述多个数据点中的每一个的漂移，
基于针对所述多个数据点中的每一个的已更新的漂移来更新所述预测模型的经适配的版本，以及
使用所述预测模型的已更新的经适配的版本作为所述预测模型的经适配的版本来重复（b）到（d）。
4.一种用于适配用于制造工艺的预测模型的系统，该系统包括：
存储与多个所制造的零件相关联的多个数据点的数据库；以及
通信地耦合至所述数据库的控制器，所述控制器包括电子处理器，所述电子处理器被配置成：
接收所述多个数据点；
接收所述预测模型，所述预测模型输出针对由所述制造工艺提供的所制造的零件的标签，其中所述标签指示所制造的零件是被接受还是被拒绝；
为所述多个数据点中的每一个估计漂移；
基于所述预测模型和针对所述多个数据点中的每一个的漂移来生成所述预测模型的经适配的版本；以及
使用所述预测模型的经适配的版本输出针对多个所制造的零件的每一个的标签，
其中所述电子处理器被进一步配置成：
基于所述多个数据点和所述预测模型来估计与多个所制造的零件相关联的多个标签，所述多个标签指示多个所制造的零件中的每一个是否在规格内，
其中所述电子处理器被进一步配置成：
基于所述多个数据点和所述多个标签来生成临时预测模型，
其中所述电子处理器被进一步配置成：
将所述预测模型的经适配的版本与所述临时预测模型进行比较以获得差；以及
当所述差大于阈值时，更新所述预测模型的经适配的版本，
其中所述电子处理器被进一步配置成：
（a）计算所述差在所述多个数据点中的每一个处的梯度；
（b）基于在所述多个数据点中的每一个处的梯度来更新所述多个数据点中的每一个处的漂移；
（c）基于针对所述多个数据点中的每一个的已更新的漂移来更新所述预测模型的经适配的版本；
（d）基于所述多个数据点和所述预测模型的已更新的经适配的版本来更新与所述多个所制造的零件相关联的多个标签；
（e）基于已更新的多个数据点和已更新的多个标签来生成新的临时预测模型；
（f）将所述预测模型的已更新的经适配的版本与所述新的临时预测模型进行比较以获得已更新的差；
（g）当所述已更新的差大于所述阈值时，重复（a）到（f）；以及
（h）当所述已更新的差小于所述阈值时，应用所述预测模型的经适配的版本。
5.根据权利要求4所述的系统，其中所述电子处理器被配置成将所述预测模型的经适配的版本与所述临时预测模型进行比较以通过计算所述预测模型的经适配的版本和所述临时预测模型之间的KL散度来获得差。
6.根据权利要求4所述的系统，其中所述电子处理器被进一步配置成：
（a）将所述预测模型的经适配的版本设置成所述预测模型；
（b）基于所述多个数据点来生成临时预测模型；
（c）将所述预测模型的经适配的版本与所述临时预测模型进行比较以确定差；以及
（d）当所述差大于阈值时，
更新针对所述多个数据点中的每一个的漂移，
基于针对所述多个数据点中的每一个的已更新的漂移来更新所述预测模型的经适配的版本，以及
使用所述预测模型的已更新的经适配的版本作为所述预测模型的经适配的版本来重复（b）到（d）。
7.一种非瞬时计算机可读介质，其包含当被电子处理器执行时执行功能集的指令，该功能集包括：
接收预测模型，所述预测模型输出针对由制造工艺提供的所制造的零件的标签，其中所述标签指示所制造的零件被接收还是被拒绝；
接收与多个所制造的零件相关联的多个数据点；
为所述多个数据点中的每一个估计漂移；
基于所述预测模型和针对所述多个数据点中的每一个的漂移来生成所述预测模型的经适配的版本；以及
使用所述预测模型的经适配的版本来输出针对多个所制造的零件中的每一个的标签，
其中该功能集进一步包括：
基于所述多个数据点和所述预测模型来估计与多个所制造的零件相关联的多个标签，所述多个标签指示多个所制造的零件中的每一个是否在规格内，
基于所述多个数据点和所述多个标签来生成临时预测模型；
将所述预测模型的经适配的版本与所述临时预测模型进行比较以获得差；以及
当所述差大于阈值时，更新所述预测模型的经适配的版本以获得所述预测模型的已更新的经适配的版本，
其中生成所述预测模型的已更新的经适配的版本包括：
（a）计算所述差在所述多个数据点中的每一个处的梯度；
（b）基于在所述多个数据点中的每一个处的梯度来更新所述多个数据点中的每一个处的漂移；
（c）基于针对所述多个数据点中的每一个的已更新的漂移来更新所述预测模型的经适配的版本；
（d）基于所述多个数据点和所述预测模型的已更新的经适配的版本来更新与所述多个所制造的零件相关联的多个标签，所述已更新的多个标签指示多个所制造的零件中的每一个是否在规格内；
（e）基于所述多个数据点和已更新的多个标签来更新所述临时预测模型；
（f）将所述预测模型的已更新的经适配的版本与新的临时预测模型进行比较以获得已更新的差；
（g）当所述已更新的差大于所述阈值时，重复（a）到（f）；以及
（h）当所述已更新的差小于所述阈值时，使用所述预测模型的经适配的版本。
8.根据权利要求7所述的非瞬时计算机可读介质，其中将所述预测模型的经适配的版本与所述临时预测模型进行比较以获得差包括计算所述预测模型的经适配的版本和所述临时预测模型之间的KL散度。
9.根据权利要求7所述的非瞬时计算机可读介质，其中基于所述预测模型和针对所述多个数据点中的每一个的漂移来更新所述预测模型的经适配的版本包括：
（a）将所述预测模型的经适配的版本设置成所述预测模型；
（b）基于所述多个数据点来生成临时预测模型；
（c）将所述预测模型的经适配的版本与所述临时预测模型进行比较以确定差；
（d）当所述差大于阈值时，
更新针对所述多个数据点中的每一个的漂移，
基于针对所述多个数据点中的每一个的已更新的漂移来更新所述预测模型的经适配的版本，以及
使用所述预测模型的已更新的经适配的版本作为所述预测模型的经适配的版本来重复（b）到（d）。
CN201780018572.4A 2016-01-20 2017-01-18 针对不稳定环境的模型适配和在线学习 Active CN108780314B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201662280877P 2016-01-20 2016-01-20
US201662280884P 2016-01-20 2016-01-20
US62/280877 2016-01-20
US62/280884 2016-01-20
PCT/EP2017/050975 WO2017125433A1 (en) 2016-01-20 2017-01-18 Model adaption and online learning for unstable environments

Publications (2)

Publication Number Publication Date
CN108780314A CN108780314A (zh) 2018-11-09
CN108780314B true CN108780314B (zh) 2021-11-05

Family

ID=57860859

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780018572.4A Active CN108780314B (zh) 2016-01-20 2017-01-18 针对不稳定环境的模型适配和在线学习

Country Status (4)

Country Link
US (1) US11144842B2 (zh)
EP (1) EP3405843B1 (zh)
CN (1) CN108780314B (zh)
WO (1) WO2017125433A1 (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10275565B2 (en) 2015-11-06 2019-04-30 The Boeing Company Advanced automated process for the wing-to-body join of an aircraft with predictive surface scanning
US11049744B2 (en) * 2017-10-24 2021-06-29 International Business Machines Corporation Optimizing semiconductor binning by feed-forward process adjustment
US10209974B1 (en) * 2017-12-04 2019-02-19 Banjo, Inc Automated model management methods
US10712730B2 (en) 2018-10-04 2020-07-14 The Boeing Company Methods of synchronizing manufacturing of a shimless assembly
CN113168656B (zh) * 2018-11-30 2023-11-14 三菱电机株式会社 交易价格预测装置以及交易价格预测方法
US20200175438A1 (en) * 2018-12-04 2020-06-04 General Electric Company Method and system for strategic deployment of components
US10990092B2 (en) * 2019-06-06 2021-04-27 Robert Bosch Gmbh Test time reduction for manufacturing processes by removing a redundant test
US11275362B2 (en) 2019-06-06 2022-03-15 Robert Bosch Gmbh Test time reduction for manufacturing processes by substituting a test parameter
US11413747B2 (en) * 2019-08-12 2022-08-16 Workshops for Warriors Machine learning driven computer numerical control of a robotic machine tool
US11100221B2 (en) 2019-10-08 2021-08-24 Nanotronics Imaging, Inc. Dynamic monitoring and securing of factory processes, equipment and automated systems
JP7032366B2 (ja) * 2019-10-09 2022-03-08 株式会社日立製作所 運用支援システム及び方法
US20210133632A1 (en) * 2019-11-04 2021-05-06 Domino Data Lab, Inc. Systems and methods for model monitoring
WO2021092329A1 (en) * 2019-11-06 2021-05-14 Nanotronics Imaging, Inc. Systems, methods, and media for manufacturing processes
US11086988B1 (en) 2020-02-28 2021-08-10 Nanotronics Imaging, Inc. Method, systems and apparatus for intelligently emulating factory control systems and simulating response data
US20220024032A1 (en) * 2020-07-21 2022-01-27 UiPath, Inc. Artificial intelligence / machine learning model drift detection and correction for robotic process automation
CN112330606B (zh) * 2020-10-20 2023-05-23 西安工程大学 一种基于机器学习的缺陷检测方法
EP4356387A4 (en) * 2021-06-16 2024-09-25 Rio Tinto Alcan Int Ltd METHOD AND SYSTEM FOR PREDICTING A PROCESS
US12008007B2 (en) * 2021-07-07 2024-06-11 Vingroup Joint Stock Company Labeling system and method for time-series data
US12038479B2 (en) * 2022-09-09 2024-07-16 Cisco Technology, Inc. Stress-testing electrical components using telemetry modeling

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9070083B2 (en) * 2011-12-13 2015-06-30 Iucf-Hyu Industry-University Cooperation Foundation Hanyang University Method for learning task skill and robot using thereof

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7483868B2 (en) * 2002-04-19 2009-01-27 Computer Associates Think, Inc. Automatic neural-net model generation and maintenance
US8017411B2 (en) 2002-12-18 2011-09-13 GlobalFoundries, Inc. Dynamic adaptive sampling rate for model prediction
US7054706B2 (en) 2003-06-30 2006-05-30 Intel Corporation Managing supply chains with model predictive control
US7209799B2 (en) 2004-04-14 2007-04-24 Gm Global Technology Operations, Inc. Predictive modeling of machining line variation
TWI267012B (en) * 2004-06-03 2006-11-21 Univ Nat Cheng Kung Quality prognostics system and method for manufacturing processes
CN101361085B (zh) 2006-01-13 2012-07-04 杰富意钢铁株式会社 预测公式生成装置及预测公式生成方法
US7752152B2 (en) 2006-03-17 2010-07-06 Microsoft Corporation Using predictive user models for language modeling on a personal device with user behavior models based on statistical modeling
US20070225835A1 (en) 2006-03-23 2007-09-27 Yucai Zhu Computer method and apparatus for adaptive model predictive control
US7548793B2 (en) 2006-07-14 2009-06-16 Hitachi Global Storage Technologies Netherlands B.V. On-line process specification adjusting and component disposing based on predictive model of component performance
US9029157B2 (en) * 2007-04-12 2015-05-12 Nipro Diagnostics, Inc. Error detection and rejection for a diagnostic testing system
US8145337B2 (en) 2007-05-04 2012-03-27 Taiwan Semiconductor Manufacturing Company, Ltd. Methodology to enable wafer result prediction of semiconductor wafer batch processing equipment
US7921069B2 (en) 2007-06-28 2011-04-05 Yahoo! Inc. Granular data for behavioral targeting using predictive models
US20090024356A1 (en) * 2007-07-16 2009-01-22 Microsoft Corporation Determination of root cause(s) of symptoms using stochastic gradient descent
US8866936B2 (en) * 2008-07-24 2014-10-21 Florida State University of Research Foundation Systems and methods for training an active random field for real-time image denoising
US9158295B2 (en) * 2010-05-21 2015-10-13 Fisher-Rosemount Systems, Inc. Multi-stage process modeling method
US20130325774A1 (en) * 2012-06-04 2013-12-05 Brain Corporation Learning stochastic apparatus and methods
US8732627B2 (en) * 2012-06-18 2014-05-20 International Business Machines Corporation Method and apparatus for hierarchical wafer quality predictive modeling
US10373177B2 (en) 2013-02-07 2019-08-06 [24] 7 .ai, Inc. Dynamic prediction of online shopper's intent using a combination of prediction models
US9367055B2 (en) 2013-04-02 2016-06-14 Siemens Aktiengesellschaft System and method for implementing model predictive control in PLC
US10474774B2 (en) * 2013-09-04 2019-11-12 International Business Machines Corporation Power and performance sorting of microprocessors from first interconnect layer to wafer final test
US20150141520A1 (en) * 2013-11-18 2015-05-21 Chandrasekhar Kandi Stabilized pharmaceutical compositions of fingolimod and process for preparation thereof
US10846611B2 (en) * 2014-06-16 2020-11-24 Nokia Technologies Oy Data processing
EP3195075A1 (en) * 2014-09-02 2017-07-26 Bombardier Inc. Method and system for determining sampling plan for inspection of composite components
SG10201507049XA (en) * 2014-09-10 2016-04-28 Agency Science Tech & Res Method and system for automatically assigning class labels to objects
US10163061B2 (en) * 2015-06-18 2018-12-25 International Business Machines Corporation Quality-directed adaptive analytic retraining
US10037024B2 (en) * 2016-01-18 2018-07-31 GM Global Technology Operations LLC Automated stochastic method for feature discovery and use of the same in a repeatable process

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9070083B2 (en) * 2011-12-13 2015-06-30 Iucf-Hyu Industry-University Cooperation Foundation Hanyang University Method for learning task skill and robot using thereof

Also Published As

Publication number Publication date
WO2017125433A1 (en) 2017-07-27
EP3405843B1 (en) 2020-08-12
EP3405843A1 (en) 2018-11-28
US11144842B2 (en) 2021-10-12
CN108780314A (zh) 2018-11-09
US20170206469A1 (en) 2017-07-20

Similar Documents

Publication Publication Date Title
CN108780314B (zh) 针对不稳定环境的模型适配和在线学习
Ma et al. A novel kernel regularized nonhomogeneous grey model and its applications
CN107430711B (zh) 用于操作自动化系统的方法和装置
CN108780313B (zh) 为装配线执行目标参数分析的方法、系统和计算机可读介质
US20220383194A1 (en) Information processing device, method, and program
CN113037577B (zh) 网络流量预测方法、装置和计算机可读存储介质
CN115867873A (zh) 提供与分配给输入数据方法和系统的异常分数相关的警报
CN115769235A (zh) 提供与训练函数的准确度有关的警报的方法和系统
JPWO2020136859A1 (ja) 推定装置、推定方法、及びプログラム
US11042677B1 (en) Systems and methods for time series simulation
CN114398059A (zh) 参数的更新方法、装置、设备以及存储介质
Amjad et al. Kalman filter-based convolutional neural network for robust tracking of froth-middling interface in a primary separation vessel in presence of occlusions
Mejri et al. A new time adjusting control limits chart for concept drift detection
Papacharalampopoulos et al. A defect tracking tool framework for multi-process products
CN115856694A (zh) 电池寿命预测方法、装置、计算机设备和存储介质
TWI801820B (zh) 用於製造流程之系統及方法
CA3216539A1 (en) Automated outlier removal for multivariate modeling
Shokry et al. Mixed-integer multiparametric approach based on machine learning techniques
Sanyour et al. A Light-Weight Real-Time Anomaly Detection Framework for Edge Computing
JP2021039565A (ja) 状態変動検出補助装置、状態変動検出装置、状態変動検出補助用プログラム、及び状態変動検出用プログラム
Kroll et al. On optimal experiment design for identifying premise and conclusion parameters of Takagi-Sugeno models: Nonlinear regression case
US20210325837A1 (en) Information processing apparatus, information processing method and computer program product
WO2024157631A1 (ja) 情報処理方法、情報処理装置、及びプログラム
EP4451069A1 (en) Systems, apparatuses, methods, and computer program products for correcting process simulation predictions as a function of operating conditions
US20240160199A1 (en) Industrial asset model versioning control and access

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant