CN109001989B - 基于智能学习算法的机器控制方法 - Google Patents

基于智能学习算法的机器控制方法 Download PDF

Info

Publication number
CN109001989B
CN109001989B CN201810758798.4A CN201810758798A CN109001989B CN 109001989 B CN109001989 B CN 109001989B CN 201810758798 A CN201810758798 A CN 201810758798A CN 109001989 B CN109001989 B CN 109001989B
Authority
CN
China
Prior art keywords
control method
production
parameters
intelligent learning
parameter set
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
CN201810758798.4A
Other languages
English (en)
Other versions
CN109001989A (zh
Inventor
龙汉诺
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.)
Suzhou Dataku Automation Technology Co ltd
Original Assignee
Suzhou Dataku Automation Technology Co ltd
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 Suzhou Dataku Automation Technology Co ltd filed Critical Suzhou Dataku Automation Technology Co ltd
Priority to CN201810758798.4A priority Critical patent/CN109001989B/zh
Publication of CN109001989A publication Critical patent/CN109001989A/zh
Application granted granted Critical
Publication of CN109001989B publication Critical patent/CN109001989B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
    • G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于智能控制技术领域，涉及一种基于智能学习算法的机器控制方法，包括测量当前制程的生产环境的条件参数，对生产环境内产出的产品进行在线测试，基于嵌入式模型对参数集进行评估，将匹配嵌入式模型且获得最优产量的参数集发送到MES级别控制器，智能学习模块对原设定是否有缺陷提出调整或不调整的决定并对调整的正确性进行评估，确定更优的方案，重复调整直到确定最优方案并生产。本控制方法能够立即自动调整工艺参数，不需要人工干预。纠正生产参数响应时间很快，可以将劣质产品的损失、材料的损失和生产时间降到最低。这也导致更好的预测生产计划和提高交付能力。

Description

基于智能学习算法的机器控制方法
技术领域
本发明涉及智能控制技术领域，特别涉及一种基于智能学习算法的机器控制方法。
背景技术
传统上，自动化过程是通过预设参数和逻辑控制实际流程步骤的过程，这些参数，如控制范围和设置值，是基于个人经验和试错测试手工设置的。优化水平基于经验评价，而不是现有条件的平行度量。工艺的优化一般是参数设置、生产测试和结果评估的循环，直到达到目标效果。然而在这个循环过程当中依旧免不了操作人员的参与，操作人员从获知测试结果到做出评估当中会经历较长的时间，以致实际环境的测量和调整往往滞后，从而导致质量和容量的损失。如何加快评估效率既是提高生产效率的方法，也是提高测量准确率的重点。
发明内容
本发明的主要目的在于提供一种基于智能学习算法的机器控制方法，用来自动评估检测结果并快速做出结果评估和调整决策。
本发明通过如下技术方案实现上述目的：一种基于智能学习算法的机器控制方法，包括如下步骤：
S1、测量当前制程的生产环境的条件参数，然后将条件参数报告给MES服务器；
S2、对生产环境内产出的产品进行在线测试，并将测试参数报告给MES服务器；
S3、通过人工智能模块基于嵌入式模型对条件参数和测试参数组成的参数集进行评估；
S4、将匹配嵌入式模型且获得更优产量的参数集发送到MES级别控制器；
S5、智能学习模块若发现原设定存在缺陷，则会根据已知的更优产量的参数集对生产环境条件提出调整，同时对调整的正确性进行评估并判断是否要维持调整后的设定；
S6、若验证调整后的设定更优化，环回控制器将会对MES服务器的原设定进行调整；
S7、重复S1～S6直到确定最优产量的参数集并维持生产。
具体的，所述条件参数包括本制程的温度、湿度、压力中的一种或多种。
进一步的，所述条件参数还包括前一个工作制程的吞吐量和状态。
具体的，所述测试参数包括产品的生产效率和合格率。
采用上述技术方案，本发明技术方案的有益效果是：
本控制方法能够立即自动调整工艺参数，不需要人工干预。纠正生产参数响应时间很快，可以将劣质产品的损失、材料的损失和生产时间降到最低。这也导致更好的预测生产计划和提高交付能力。
具体实施方式
下面结合具体实施例对本发明作进一步详细说明。
一种基于智能学习算法的机器控制方法，包括如下步骤：
S1、测量当前制程的生产环境的条件参数，然后将条件参数报告给MES(制造执行系统)服务器。本步骤是为了搜集制程的输入信息，比如本制程的温度、湿度、压力等，也包括前一个制程的吞吐量和状态等。
S2、对生产环境内产出的产品进行在线测试，并将测试参数报告给MES服务器。本步骤是为了搜集制程的输出信息，比如生产效率和合格率等重要指标。
S3、通过人工智能模块基于嵌入式模型对条件参数和测试参数组成的参数集进行评估。本步骤是将制程的输入信息与输出信息作为整体对照嵌入式模型进行比较，得出评估结论。
S4、将匹配嵌入式模型且获得最优产量的参数集发送到MES服务器进行级控制。本步骤是筛选比较好的参数集作为改进决策的依据。
S5、智能学习模块若发现原设定存在缺陷，则会根据已知的更优产量的参数集对生产环境条件提出调整，同时对调整的正确性进行评估并判断是否要维持调整后的设定。本步骤依靠智能学习模块自行做出优化调整的决策并随即自行论证其合理性。这样就能在很短的时间内做出调整或不调整的新决策。
S6、若验证调整后的设定更优化，环回控制器将会对MES服务器的原设定进行调整。本步骤将根据论证结果明确改进方案，并对改进方案进行实施。
S7、重复S1～S6直到确定最优产量的参数集并维持生产。本步骤能最终确定最优的产品生产效率和质量，使生产满足最优方案条件。
本控制方法能够立即自动调整工艺参数，不需要人工干预。纠正生产参数响应时间很快，可以将劣质产品的损失、材料的损失和生产时间降到最低。这也导致更好的预测生产计划和提高交付能力。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (4)

1.一种基于智能学习算法的机器控制方法，其特征在于包括如下步骤：
S1、测量当前制程的生产环境的条件参数，然后将条件参数报告给MES服务器；
S2、对生产环境内产出的产品进行在线测试，并将测试参数报告给MES服务器；
S3、通过人工智能模块基于嵌入式模型对条件参数和测试参数组成的参数集进行评估；
S4、将匹配嵌入式模型且获得更优产量的参数集发送到MES级别控制器；
S5、智能学习模块若发现原设定存在缺陷，则会根据已知的更优产量的参数集对生产环境条件提出调整，同时对调整的正确性进行评估并判断是否要维持调整后的设定；
S6、若验证调整后的设定更优化，环回控制器将会对MES服务器的原设定进行调整；
S7、重复S1～S6直到确定最优产量的参数集并维持生产。
2.根据权利要求1所述的控制方法，其特征在于：所述条件参数包括本制程的温度、湿度、压力中的一种或多种。
3.根据权利要求2所述的控制方法，其特征在于：所述条件参数还包括前一个工作制程的吞吐量和状态。
4.根据权利要求1所述的控制方法，其特征在于：所述测试参数包括产品的生产效率和合格率。
CN201810758798.4A 2018-07-11 2018-07-11 基于智能学习算法的机器控制方法 Active CN109001989B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810758798.4A CN109001989B (zh) 2018-07-11 2018-07-11 基于智能学习算法的机器控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810758798.4A CN109001989B (zh) 2018-07-11 2018-07-11 基于智能学习算法的机器控制方法

Publications (2)

Publication Number Publication Date
CN109001989A CN109001989A (zh) 2018-12-14
CN109001989B true CN109001989B (zh) 2020-06-26

Family

ID=64599975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810758798.4A Active CN109001989B (zh) 2018-07-11 2018-07-11 基于智能学习算法的机器控制方法

Country Status (1)

Country Link
CN (1) CN109001989B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111123745B (zh) * 2019-12-05 2021-06-22 苏州华星光电技术有限公司 一种制程设备的控制方法及装置
CN114510098B (zh) * 2022-01-28 2023-06-06 郑州信大捷安信息技术股份有限公司 一种生产环境调控方法与系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101477367A (zh) * 2009-01-23 2009-07-08 广东工业大学 面向节能降耗的工艺过程效能优化控制方法及其应用
CN101879775A (zh) * 2009-11-16 2010-11-10 宁波弘讯科技有限公司 一种工艺参数自动优化的注塑机控制系统及其控制方法
CN108227664A (zh) * 2018-02-05 2018-06-29 华侨大学 基于样本数据训练的产品质量控制设备及质量控制方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080095196A1 (en) * 2006-10-20 2008-04-24 Rockwell Automation Technologies, Inc. Unit to unit transfer synchronization
CN105241239B (zh) * 2015-09-10 2017-07-21 广西大学 一种烧结砖隧道窑焙烧过程智能优化控制方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101477367A (zh) * 2009-01-23 2009-07-08 广东工业大学 面向节能降耗的工艺过程效能优化控制方法及其应用
CN101879775A (zh) * 2009-11-16 2010-11-10 宁波弘讯科技有限公司 一种工艺参数自动优化的注塑机控制系统及其控制方法
CN108227664A (zh) * 2018-02-05 2018-06-29 华侨大学 基于样本数据训练的产品质量控制设备及质量控制方法

Also Published As

Publication number Publication date
CN109001989A (zh) 2018-12-14

Similar Documents

Publication Publication Date Title
JP4194396B2 (ja) 変動性プロセス遅延に対する高度プロセス制御ブロックの適応
CN113017132A (zh) 一种基于烘丝机工艺参数预测的烟丝质量优化的方法
CN111597729A (zh) 加工设备工艺参数优化方法及系统
CN109001989B (zh) 基于智能学习算法的机器控制方法
KR101741272B1 (ko) 플라즈마 프로세싱 툴을 위한 인-시츄 프로세스 모니터링 및 제어를 위한 방법 및 장치
WO2016086360A1 (en) Wind farm condition monitoring method and system
US11576420B2 (en) Intelligent control system and method of thin plate drier for cut tobacco
US20210008774A1 (en) Method for the Automatic Process Monitoring and Process Diagnosis of a Piece-Based Process (batch production), in Particular an Injection-Moulding Process, and Machine That Performs the Process or Set of Machines that Performs the Process
CN111144667A (zh) 一种基于梯度提升树的烟草回潮机出料含水率预测方法
CN110991495B (zh) 生产制造过程中产品质量预测方法、系统、介质及设备
CN107831736B (zh) 使用用于造纸机或其它系统的模型参数数据群集的模型-工厂失配检测
CN105489524A (zh) 化合物半导体产品制造过程中的工艺验证方法
CN110673515A (zh) 对工业设施的监控
CN109741927A (zh) 微型变压器生产线的设备故障和潜在不良品智能预测系统
CN112273696A (zh) 切丝后水分控制方法、装置以及设备
KR20180014364A (ko) Cnc 공구 마모 보정 장치 및 방법
CN111428329B (zh) 基于模型的机器学习系统
CN104199417A (zh) 一种半导体镀膜工艺的统计过程监控方法
IL272614B2 (en) A method for auditing, in "real time" and online, the manufacturing process of digital ophthalmic lenses
US10592840B2 (en) Method for “real time” in-line quality audit of a digital ophthalmic lens manufacturing process
RU2767009C1 (ru) Система поддержки установки условий работы завода, устройство обучения и устройство поддержки установки условий работы
CN112666998B (zh) 一种调控米粉含水率的方法及装置
CN103558762B (zh) 基于图形化组态技术的免疫遗传pid控制器的实现方法
CN112931912B (zh) 制丝线加料机控制执行机构诊断方法
CN113095340B (zh) 生产机台的异常预警方法以及物件的量产方法

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