CN112543945A - 预测建模工具 - Google Patents

预测建模工具 Download PDF

Info

Publication number
CN112543945A
CN112543945A CN201980049995.1A CN201980049995A CN112543945A CN 112543945 A CN112543945 A CN 112543945A CN 201980049995 A CN201980049995 A CN 201980049995A CN 112543945 A CN112543945 A CN 112543945A
Authority
CN
China
Prior art keywords
variables
adhesive
product
industrial process
parameter values
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
CN201980049995.1A
Other languages
English (en)
Inventor
迈肯·吉沃特
马茨·E·约翰松
洛塔尔·N·塔克
拉尔斯·M·维斯特兰德
约翰·N·威尔科克
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.)
3M Innovative Properties Co
Original Assignee
3M Innovative Properties Co
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 3M Innovative Properties Co filed Critical 3M Innovative Properties Co
Publication of CN112543945A publication Critical patent/CN112543945A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G05B13/028—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 expert systems 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
    • G05B13/04—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
    • G05B13/042—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 in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)

Abstract

本发明公开了一种模拟和优化工业过程和其他过程的系统和方法，所述系统和方法包括对输入变量和输出变量执行多变量分析，以生成过程的操作的数据模型的计算机。对于工业应用，输入变量包括过程变量，并且输出变量包括来自工业过程的操作的结果变量。数据模型确定相应的输入变量或过程变量对输出变量或结果变量的变化的贡献，并且被提供给预测算法以识别预期在过程的执行期间对输出变量或结果变量具有最显著影响的输入变量或过程变量的参数值。预测算法的输出为参数值，参数值作为输入变量或过程变量提供给工业过程以用于模拟或性能优化或产品推荐/优化。

Description

预测建模工具
相关申请的交叉引用
本专利申请要求由Maiken Givot等人于2018年8月1日提交并且名称为“Predictive Modeling Tool”的美国临时专利申请62/713,025的优先权权益，该临时专利申请据此全文以引用方式并入。
技术领域
本申请涉及一种预测建模工具，该预测建模工具使用多变量统计方法和预测模型来驱动迭代机器学习应用，以用于模拟和连续优化工业工程和其他应用。
背景技术
超过25年以来，一直使用基于电子表格的建模来描述和报告工业应用的结果。此类电子表格通常用于记录实际性能结果，然后根据成本的增加或减少来计算成本/价值估计值。报告由个人生成并通常存储在本地服务器上。然而，据发现，此类方法具有低预测或优化能力，并且在获得可靠结论时不是特别有用。
例如，在用于辊磨的示例性工业工程应用中，对辊磨客户的技术服务支持以电子表格文件制成并存储在数据库中。很难获得所收集的数据和结果的客观概述。通常，直到通过电子邮件进行试验之后才能呈现报告。
对于磨料粘结产品行业而言，这种限制是不幸的，例如包括定制工程化产品，其中具有高10％的性能的磨削轮在生产线中提供高价值。此类工业系统中的限制因素是处理和形成可被产品制造商和客户理解和认同的逻辑结构。此外，需要三至五年来成为经验丰富的工业应用工程师。如果重要的工业应用工程师离开公司，通常也会丢失在工作中学习到的性能信息和操作知识。
传统上，一直使用物理模拟或模型来进行产品模拟。通过微调这些模型的公式系数、关键性能指标(KPI)和设置，可以创建详细描述当前知识的数据模型。然而，物理建模需要用户定义通常经由工程指标和/或关键性能指标来描述核心过程关系的公式。该方法的负面方面是仅可预测/模拟已知的关系。还难以将异常值与新的“学习”点(即，包含新信息)分开。该方法需要公司拥有积极保持所生成的物理模型的公式和系数专家。另外，虽然此类物理模型往往允许将可获得的知识从知识人员散布到更广泛的群组，但此类模型不具有预测能力。
统计方法自1978年以来被用于制药工业(瑞典的阿斯特拉哈斯勒公司(Astra
Figure BDA0002918344270000021
Sweden))，并且目前已得到FDA批准和支持。瑞典的化学过程工业在1985年开始使用统计选择方法。对于无中心、中心类型和内部磨削的工业应用，泰利莱公司(Tyrolit)据称具有用于支持客户站点处的优化的工具，该优化用于针对柱形磨削应用的推荐磨削工具并推荐机器设置。泰利莱公司具有产品选择器，该产品选择器使用逻辑“树”来选择其产品。然而，迄今为止，统计机器学习类型应用尚未用于允许工业应用被模拟和连续优化的这类工业应用。
期望一种技术解决方案，该技术解决方案使得公司能够维护和保护其性能数据，同时使用性能数据来为全世界提供可靠的预测解决方案，而与应用工程师或销售代表的存在无关。还期望创建逻辑结构，该逻辑结构捕获在工业过程期间创建的性能数据，以使得能够在每个客户站点处对工业过程进行模拟和连续优化。
发明内容
现在将描述各种示例以引入简化形式的概念选择，这些概念在下面的具体实施方式中进一步描述。本发明内容并非意图识别受权利要求书保护的主题的主要特征或本质特征，也非意图用于限制受权利要求书保护的主题的范围。
本文所述的系统和方法将现代统计分析与工业产品的开发、应用工程和销售方面的经验相结合，以开发优化方法和网络工具，在该网络工具中可以非常简单的方式添加新的模型或应用，而不改变网络界面编码。使用多变量统计方法来增加对基础工业过程的理解并有利于跨功能边界的通信。在示例性实施方案中，本文所述的系统和方法支持任何迭代/机器学习应用以提供推荐的机器参数。
在示例性实施方案中，提供了一种实现工业应用和相关处理装置的预测建模的计算机实现的方法。该方法包括计算机对在工业过程的操作期间生成的输入变量和输出变量执行多变量分析，以生成工业过程的操作的数据模型。输入变量可包括过程变量，并且输出变量可包括来自工业过程的操作的结果。所得的数据模型表示相应的输入变量或过程变量对输出变量变化的贡献。将数据模型提供给预测算法，以识别预期在工业过程的执行期间对选择的输出变量具有最显著影响的输入变量或过程变量的参数值。预测算法输出参数值，该参数值作为输入变量或过程变量提供给工业过程，以优化选择的输出变量。
在示例性实施方案中，计算机通过为工业过程的输入变量空间自动生成实验设计(DoE)来生成数据模型，其中实验设计由数据模型处理并且基于优选的结果存储结果。预测算法预测DoE的预定数量的最佳下次试验，并且输出预定数量的最佳下次试验的参数值以及使用参数值的改进结果的概率。
在其他示例性实施方案中，参数值以及由工业过程响应于参数值而生成的输出变量或结果变量作为反馈数据提供给计算机以用于数据模型的调整。在示例性实施方案中，参数值可以响应于指定的输入变量而作为工业过程的输出的模拟输出到显示器。此外，该方法可包括推荐具有对工业过程中选择的输出变量进行优化的参数值的产品。所推荐的产品可针对指定机器、指定基底和指定应用中的至少一者优化工业过程中的选择的输出变量。在其他示例性实施方案中，该方法可包括识别产品组合中具有优化相同选择的输出变量的重叠参数值的产品，并且/或者通过识别产品组合中未表示的用于优化选择的输出变量的参数值来识别产品组合中的缺口。
本文所述的统计方法可应用于可使用DoE方法建模的多个工业过程。例如，工业过程可以是磨削机操作，其中输入变量包括磨削机的机器设置，并且输出变量取决于磨削过程的类型并且包括G比率、磨削轮的材料移除速率、切屑厚度、每个修整循环的工件数和表面光洁度中的至少一者。在这样的实施方案中，机器设置包括磨削轮速度、辊速度、横向速度、连续横向进给和末端横向进给、磨削时间、进给速率、移位、修整、修整横向进给、横向进给和重叠比率中的至少一者。
在另一个示例中，工业过程可以是产品选择过程，诸如粘合剂选择过程。在该示例中，输入变量包括用于粘合剂或胶带的选择变量，并且输出变量包括对至少一个粘合剂或胶带的选择或推荐。在示例性实施方案中，输入变量包括粘合剂物理特性、粘合剂热特性、粘合剂电特性、粘合剂固化特性、粘合剂性能特性、粘合剂耐久性特性、粘合剂耐化学品性特性、粘合剂流变学特性、粘合剂粘度、粘合剂凝固时间、粘合剂弹性模量、粘合剂耐溶剂性、粘合剂组成、粘合剂分配特性、粘合剂使用要求、标准化测试或认证、环境参数、健康参数、安全参数、载体特性、背衬特性、衬件特性以及待由粘合剂或胶带粘结的材料中的至少一者。另一方面，输出变量包括拉伸强度、剥离强度值、粘合剂名称、粘合剂结构特性、粘合剂性能特性、贴合质量的量化和购买信息中的至少一者。粘合剂可为具有或不具有附加的粘合剂层或非粘合剂层的压敏粘合剂。
在其他示例性实施方案中，工业过程可为磨削操作，该磨削操作包括推荐针对磨料带的指定机器、指定基底和指定应用中的至少一者优化工业过程中的选择的输出变量的产品。
在其他示例性实施方案中，提供了实现预测建模的方法，其中计算机对与产品的特性相关的输入变量和与产品的性能相关的输出变量执行多变量分析，以生成产品的数据模型。在示例性实施方案中，数据模型表示相应输入变量对输出变量变化的贡献。将数据模型提供给预测算法，以识别预期对选择的输出变量具有最显著影响的输入变量的参数值。预测算法输出参数值，并且参数值作为输入变量提供以优化选择的输出变量。推荐针对指定的输入变量优化选择的输出变量的产品。
在另外的示例性实施方案中，方法包括识别产品组合中具有优化相同选择的输出变量的重叠参数值的产品，并且/或者通过识别产品组合中未表示的用于优化选择的输出变量的参数值来识别产品组合中的缺口。
在另外的示例性实施方案中，输入变量包括磨削机、粘结磨料磨削轮、磨料带、涂覆磨料带或盘、非织造磨料、刷毛刷、安装在机器人上的磨料制品、粘合剂和安全束具的特性。输入变量还可包括工业过程的过程变量，并且输出变量包括来自工业过程的操作的结果。在此类实施方案中，数据模型表示相应的输入变量或过程变量对输出变量变化的贡献。参数值作为输入变量或过程变量提供给工业过程，以优化选择的输出变量。
另外的实施方案包括实现预测建模以优化工业过程的系统，该系统包括至少一个处理器和存储指令的存储器，该指令当至少一个处理器执行时使得至少一个处理器执行包括以下项的操作：对在工业过程的操作期间生成的输入变量和输出变量执行多变量分析，以生成工业过程的操作的数据模型，输入变量包括过程变量，并且输出变量包括来自工业过程的操作的结果，并且数据模型表示相应输入变量对输出变量变化的贡献；自动生成用于工业过程的输入变量空间的实验设计(DoE)；使用数据模型处理实验设计；基于优选成果将处理实验设计的结果提供给预测算法；预测算法识别预期在工业过程的执行期间对选择的输出变量具有最显著影响的输入变量的参数值，对DoE的预定数量的最佳下次试验进行预测，并且输出预定数量的最佳下次试验的参数值以及使用参数值的改进结果的概率；并且将参数值作为输入变量提供给工业过程，以优化选择的输出变量。
在此类实施方案中，至少一个处理器还执行以下操作，包括将参数值以及由工业过程响应于参数值而生成的输出变量作为反馈数据馈送到至少一个处理器并且使用反馈数据调整数据模型。至少一个处理器还可执行以下操作，包括响应于指定的输入变量而将参数值输出到显示器作为工业过程的输出的模拟。
在其他实施方案中，至少一个处理器还可执行以下操作，包括推荐具有对工业过程中选择的输出变量进行优化的参数值的产品，以及推荐针对指定机器、指定基底和指定应用中的至少一者优化工业过程中的选择的输出变量的产品。至少一个处理器还可执行以下操作，包括识别产品组合中具有优化相同选择的输出变量的重叠参数值的产品并且/或者通过识别产品组合中未表示的用于优化选择的输出变量的参数值来识别产品组合中的缺口。
前述示例中的任一个示例可与其他前述示例中的任一个或多个示例组合以形成在本公开的范围内的新实施方案。
附图说明
在未必按比例绘制的附图中，类似的数字可描述不同视图中的类似部件。附图通常以举例的方式示出，但不受限于本文档中讨论的各种实施方案。
图1示出了磨削应用的示例性实施方案，其中传感器提供由机器学习工具处理以生成模拟和连续优化数据的反馈数据。
图2为示出训练集中的观察结果与X模型平面或超平面中的输入变量的距离的DModX图。
图3A为示出磨削轮L8的连续横向进给对比末端横向进给的图，其中标记区域表示4.0的G比率，其中X轴为连续横向进给并且Y轴为末端横向进给。
图3B为示出磨削轮M10的连续横向进给对比末端横向进给的图，其中标记区域表示3.2的G比率，其中X轴为连续横向进给并且Y轴为末端横向进给。
图4A为示出两种产品LB-UW和EXL-Pro 8的特性如何因两组产品特性的形状而不同的图。
图4B为示出图4A所示产品的变量的视图的图。
图4C至图4E为示出用于磨削应用的测试数据的表。
图5为示出示例性实施方案中的预测建模过程的流程图。
图6示出了在特定工业应用中示出感兴趣的参数的预测值的示例性输出显示。
图7A为示出对粘合剂和胶带的产品特性的PCA分析的图。
图7B为示出不同行或产品之间的关系的得分图。
图8为示出数据中的异常值、组、相似性和其他模式的可能存在的得分图。
图9为pq图，该pq图是潜在结构正交投影(OPLS)/双向正交PLS(O2PLS)模型的第一预测分量和第二预测分量的p图和q图的叠加。
图10为残差的正态概率图，其中残差以双对数标度标准化。
图11示出了测量基底的表面的表面自由能的手持装置。
图12示出了两个聚丙烯样品的FTIR光谱。
图13示出了用于将预测建模技术应用于示例性实施方案中的粘合剂产品选择过程的工作流程。
图14为示出多种基底/粘合剂组合的平均测量剥离力对比平均预测剥离力的图表。
图15示出了示例性实施方案中按照应用–基底–机器的示例性磨料带的图表。
图16A至图16B为示出图15中收集的信息的载荷图，所述信息被转换为针对不同机器/基底的推荐产品的载荷图，其中图16B为图16A的放大型式。
图17A至图17B为示出来自图15的定性信息的图表，所述定性信息被转换为数值“等级”，所述等级以1-12的标度指示给定机器/基底对于特定应用的适用性。
图18为示出用于机器人应用的观察到的带应用与预测的带应用的图。
图19为示出按照机器(和压力)的观察到的带应用与预测的带应用的图。
图20A至图20B为示出细化数据的细化数值排序(将压力考虑在内)的图表。
图21为示出机器人机器应用和产品的性能评级的表。
图22为示出特定产品-应用-机器/压力的观察结果对比预测结果的图，以提供对应的性能评级。
图23为示出基于数值评级的建模评级的表，并且示出了可以查看来自每个预测数据点的信息。
图24为包括束具数据的产品列表的表，该产品列表包含在全世界内具有潜在数千个存货单位(SKU)的潜在数百个产品以用于提供给预测建模工具，从而提供产品组合合理化。
图25是示出使用多变量统计分析工具生成的图24的束具数据的初步预测模型的图，所述多变量统计分析工具绘制所收集的参数之间的相关性。
图26示出了可被编程为适用于实现示例性实施方案中所述的系统的一个或多个实施方案的专用计算机的通用计算机。
具体实施方式
应当理解，从一开始，尽管下面提供了一个或多个实施方案的示例性具体实施，但是参考图1至图26描述的本发明所公开的系统和/或方法可使用任何数量的技术来实现，无论是目前已知的还是现存的。本公开绝不应限于下文所示的示例性具体实施、附图和技术，包括本文所示和所述的示例性设计和具体实施，而是可在所附权利要求连同其等同物的完整范围的范围内进行修改。
下述方法可用于多个工业过程或工业工程应用、此类工业过程或工业工程应用中所用的复杂工程化产品的快速定价、医疗处理等。如本文所用，“工业过程”或“工业工程应用”旨在涵盖多个技术领域应用，包括树脂粘结轮(诸如辊磨、工具或槽式磨削、端面磨削、轨道磨削轮、热压轮、便携式或安装式切割轮、中心下凹磨削轮、切割和磨削轮、柔性轮、杯轮、粗砂轮)、玻璃化粘结磨削轮(诸如齿轮磨削、柱形(ID/OD/无中心、凸轮/曲柄磨削轮、表面/缓进给磨削轮、端面磨削轮)、超磨料磨削轮(用于工具磨削、凸轮/曲柄磨削、表面和缓进给磨削、柱形ID/OD、轮廓、涡轮和齿轮磨削)、涂覆磨料带或盘、非织造磨料、刷毛刷、安装在机器人上的磨料制品、粘合剂选择，并且甚至用于更多样的工业产品，诸如安全束具产品、智能过滤器、产品推荐器和选择器、用于确定合并哪些重叠的产品供应的产品组合合理化系统、用于确定针对性研究、产品价格计算器(包括价值计算器)、训练等领域的研究和开发的应用。本文所述的样本包括磨削应用的模拟和/或优化以及交互式建模过程，该交互式建模过程用于通过收集与输入变量和待由粘合剂粘结的材料以及可测量的输出变量相关的测试数据来为特定应用选择正确的粘合剂。本文所述的其他样本包括用于磨料带的产品推荐器，以及用于安全束具产品的产品组合优化器和产品推荐器。模拟、优化、产品选择、产品推荐和产品组合优化特征可应用于本公开范围内的任何合适的工业过程。
从以下详细描述将显而易见的是，本文所述的预测建模工具通过向应用工程师提供智能电话或手持计算机(例如，iPad)上的简单软件应用，使得他们能够同时改变多个机器参数并与客户一起工作以获得期望的结果(例如，性能优化)，从而解决现有技术中的上述和其他技术缺点。本文所述的预测建模工具还使得设备供应商能够建立并保持关于其设备操作的知识，并且达到最大产品性能。
工业工程应用示例–磨削工具
图1示出了磨削应用的示例性实施方案，其中传感器提供由机器学习工具处理以生成模拟和连续优化数据的反馈数据。在该实施方案中，在伺服马达14的控制下通过磨削轮12磨削基底10。继而，伺服马达14由主控制器16控制，该主控制器使伺服马达14和磨削轮12的操作自动化。在操作期间，传感器18(例如，速度、扭矩、环境、温度、压力、旋转、振动、成像传感器等)向辅助控制器20提供关于磨削轮12的操作的反馈，该辅助控制器可以视情况向伺服马达14和/或主控制器16提供反馈控制信号，以基于传感器反馈来调整磨削操作的操作。在示例性实施方案中，反馈传感器数据在操作期间被存储在云存储装置22中并被提供给机器学习工具24，该机器学习工具在不同条件下学习磨削轮12的操作。如将在下文更详细地解释，机器学习工具24针对不同操作条件和轮规格学习磨削轮12的最佳操作条件，并且向辅助控制器20和/或主控制器16提供对应的参数以在磨削轮12的操作期间提供连续优化的控制。另外，所存储的操作参数可用于响应于指定输入而在显示器26上模拟磨削轮12的操作。还可将操作参数提供给可使用用户(例如，应用工程师)的智能电话或手持计算机28访问的应用程序或网页，以帮助用户设置磨削轮12的控制参数。
机器学习和人工智能(AI)应用领域的技术人员将会知道，机器学习工具学习随时间演变并不断改善磨削性能的优化设置。来自所有完成的测试和操作的安全的应用数据被存储在云数据存储装置22中，以保持由机器学习工具24执行的连续优化的连续记录。还应当理解，所存储的模拟使得产品培训对于新的销售代表和应用工程师以及机器构建者或最终用户客户而言容易得多并且显著更短，以便用于他们自己的产品设置和使用。此类模拟还有助于应用工程师和/或产品开发人员根据模拟将磨削工具开发为成品可用应用。
通过执行磨削设备的多个测试来获得用于“训练”机器学习工具24的测试数据。在测试中，使用包含98个磨削测试的主数据文件来生成预测数据模型，所述磨削测试用于在29个不同测试场合下使用包含3MTM精密成型颗粒(PSG)的3MTMCubitronTMII树脂粘结辊磨削轮的19个实例。在数据模型中使用83个数据点和19个变量，其中预测能力Q′＝0.63，这指示良好的预测水平。
还创建了具有可调整/可修改接口的网络应用，以将新磨削模型加载到用户的智能电话28中，从而提供非常快速和简单的工艺以添加新磨削应用。虽然模型仅包含基于3MTMCubitronTMII树脂粘结辊磨削轮的数据，但模型结果的验证是针对包含压碎磨料的任何轮进行的。五个测试实例显示出与现有设置相比+/-0、+20％和3x>30％的改善，示出了建模工具的稳健性和灵活性。另外，如下所述，已经开发出支持同时改变多个变量的优化工具。该优化工具显著加快了优化过程的速度。此类快速优化允许从操作点沿着由模型和校准数据集限定的最佳机器设置的方向移动，这降低了损坏产品或机器的风险，通过每个步骤增加了客户价值，并且提供了更安全和更稳定的工作过程。本领域的技术人员将会知道，最佳点对于每个机器/客户是个性化的，并且可随时间推移而变化。通过逐步接近或通过机器中参数设置的极限来达到最佳点。
所采集的数据还可用于通过创建得分图来帮助磨削轮12的用户验证其生成的数据，以相对于云数据存储装置22中的用户数据库定位用户并识别最相关的测试报告。然后，机器学习工具24或云数据存储装置22中的其他处理元件可基于用户提供的数据来验证用户提供的数据或设置的最大或最佳可能性能的正确性，并且使用与模型图30的距离来评估用户数据中相对于用户数据库的“拉伸”程度，如图2所示。图2为示出训练集中的观察结果与X模型平面或超平面中的输入变量的距离的DModX图。DModX与输入变量(X)观察结果的残差标准偏差(RSD)成比例。默认情况下，DModX以归一化单位显示，即绝对DModX除以模型的合并的残差标准偏差。DModX的临界值(表示为Dcrit)由F分布计算，也称为Snedecor's F分布或Fisher–Snedecor分布，其在概率理论和统计中为连续概率分布。Dcrit调控围绕训练集的数据点的包络的大小。
另外，基于用户提供的数据，可模拟性能并且可定义测试轮规格(即，硬度、结构和3MTM精密成型颗粒(PSG)百分比、G比率)。例如，图3A为示出磨削轮L8的图，其中区域32表示4.0的G比率，其中X轴为连续横向进给并且Y轴为末端横向进给，并且图3B为示出磨削轮M10的图，其中区域34表示3.2的G比率。输出因此提供定义的测试轮规格。本领域的技术人员应当理解，G比率目标理想地尽可能高以获得最大性能。
一旦选择磨削轮参数，就可运行与测试磨削轮一起运行的用户参考运行。通过选择“保存数据点”并输入X(输入)和Y(结果)参数，将生成的数据保存到临时测试空间和云数据存储装置22中的全局数据库。可保存多个竞争磨削轮的数据点，以通过选择“保存数据点”并手动输入X和Y参数来生成全局数据库。在示例性实施方案中，选择可在优化中改变的变量(即，轮速度、辊速度、横向速度、连续横向进给和末端横向进给)。还选择待优化的结果变量(即，磨削轮的G比率和移除速率)。然后将选择的变量提供给机器学习工具24以生成性能预测。在示例性实施方案中，机器学习工具24自动生成面心立方(FCC)实验设计(DoE)(其中不是仅仅在角落和中间，而是在面的中间也存在实验)，进行预测，并且基于结果和使用结果中的参数值的改进结果的概率来呈现三个最佳下次试验。然后选择一个测试，并且重新运行该测试。保存重新运行期间保存的数据点并将其转移到“值计算模板”，并且查看、编辑值计算的结果并将其作为测试报告提交给用户。
通常，DoE用于使实验次数最小化并使信息输出最大化，以便使工作量最小化。在理想条件下，可以理解来自16次试验的256个变量的贡献。在示例性实施方案中，不执行试验，而是运行模拟以计算不同“实验点”中的结果。DoE用于最大化在n维操作范围中搜索最佳点的效率。点越多并且设计越好，则准确度越高。在示例性实施方案中，使用3级全因子，但也可使用其他实验设计。在甚至更广泛的设计中，可使用比3级全因子更多的数据点，其中在所有边缘的中间也添加实验。
通过以这种方式收集磨削数据，机器学习工具24可使用统计工具诸如多变量分析和偏最小二乘(PLS)/潜在结构正交投影(OPLS)分析来从历史磨削数据(或实验设计(DoE)-测试磨削)中提取信息，以创建描述对具有良好预测能力的性能的变量贡献的模型。例如，就辊磨而言，在原始数据中有63个变量可用，并且这些变量中的19个变量携带有助于预测性能的信息，在这种情况下，所述性能为磨削轮的磨削比率(G比率＝磨削比率，定义为每体积的轮磨损所移除的材料体积。G因此随着轮磨损的减少和/或材料移除量的增多而增加)。来自上文提及的3MTMCubitronTMII树脂粘结辊磨削轮的98个研磨结果的数据为数据集中的数据。这些点中的83个点有资格用于创建数据模型。多变量分析中的关键要素是提取/分离信息和噪声的能力以及对定性变量的处理。
为了优化辊磨机的机器参数，选择14个变量来描述机器、辊或工件以及磨削轮。选择5个变量来描述机器设置。通过对选择的5个机器参数使用3级全因子DoE，定义了设计窗口。然后使用该模型来预测243个所得的机器设置替代方案的性能。然后将最高的10-20个呈现给用户以选择要使用的设置。
通过存储选择的设置并且包括用户(例如，应用工程师)报告返回实际结果的步骤，生成新数据，该新数据然后可用于改进底层模型和预测。这样，机器学习工具24持续地改善其数据和其预测能力。
在常规的手动和物理优化中，非常常见的策略是一次改变一个参数并且有时迭代以识别要评估的下一个设置。然而，当一次改变一个参数时，存在局部限制可能迫使用户比同时改变多个参数的情况更早停止的风险。相比之下，本文所述的方法具有以下优点：模型利用历史数据中存在的所有信息，并且允许或甚至鼓励同时改变多个参数以指向最佳参数集。这样，找到具有比迭代变化更高的性能的操作点的概率显著更高。
已经用基于3MTMCubitronTMII树脂粘结辊磨削轮数据的数据模型进行了五次测试。在1号机器中，由于磨削轮太软，因此不能进行改进。2号机器是5年的优化对象，没有进展。当同时改变三个参数时，使用机器学习工具提供了G比率的20％的改善。3、4和5号机器均表现出+30％的G比率改善以及改善的循环时间。
使用机器学习工具24进行如本文所述的模拟和优化应用的优点在于，其可基于历史商业操作来预测改善的产品使用和定价，然后对非现有材料/变体进行后续预测。在许多情况下，工业产品诸如粘结磨料产品根据不同的安全标准诸如破裂速度进行分类。破裂测试可用于提供数据以随后预测具有成功结果的粘结磨料的破裂速度。这有可能减少对破坏性测试的需要并且使对粘结磨料产品的最大操作速度的分配自动化。破裂测试通常使用自动破裂测试设备进行，并且用于破裂测试的轮选择遵循地区标准，诸如ANSI、EN和JIS。为了使这样的过程自动化，必须基于特性的差异来了解对不同产品组的理解以及它们彼此之间的关系。例如，在粘结磨料中，此类特性可包括磨料组和规格。产品图谱的非常简单的示例可包括数据诸如所用的现有产品名称、尺寸、附件、系统部件、力、速度和磨削过程。
可将所得数据作图以示出产品在特性上如何彼此不同。例如，图4A为示出两轮磨削产品LB-UW和EXL-Pro 8的特性如何因两组的形状而不同的分析的图(LB-UW以36示出，并且EXL-Pro 8以38示出)。图4B为示出图4A所示产品的变量40的视图的图。如果一起考虑图4A和图4B的图，则显而易见的是，对于LB-UW产品，可变轮速度和移动速度更高，而可变力更低。据发现，与EXL-Pro 8产品相比，该数据与LB-UW产品的预期寿命更长相关。图4A和图4B一起还示出了通过利用本文所述的分析类型大大促进了对不同产品特性的建设性讨论。
又如，当大量产品用于相同的应用中但用于不同的材料上或用于不同的机器设置时，本文所述的分析可用于使得可视化能够看到何处存在重叠产品或待填充的缺口。当启动新产品并利用本文所述的机器学习预测工具时，将可以非常快速地描述哪些产品可在现有产品组合中被替换以及哪些特性对于新产品而言是真正独特的。就辊磨应用工程师工具数据而言，该数据也可用于分析和理解客户基础。例如，可使用得分图向客户显示其机器设置中的“模式”以及所实现的性能结果。从变量角度来看数据可用于分离G比率以及难以磨削或易于磨削的材料。另外，如果新产品可在得分群中用选择的客户测试，则该新产品可以更快地上市，并且以结构化方式限定在哪个组中该产品将提供最大益处。随着知识库的发展和模型的改善，机器学习工具24可用于更准确地针对客户需求提供正确的规格，并提供正确且相关的机器设置。随时间推移，这样开发的知识库将成为开发和改进工业工具的关键。
本文所述的统计方法由有助于预测能力的数据和变量创建一般数据模型。如以上示例所述，统计模型方法可用于预测磨削性能。该方法的优点是自动包括值和模型能力的统计分析(即，模型置信度、异常值的误差源、识别具有不同特性的新对象、数据的有效可视化等)。然而，本领域的技术人员从上述示例和以下对图5的描述应当理解，可使用本文所述的技术从其他类型的工业过程生成对应的数据模型。
预测模型
图5示出了示例性实施方案中的一般化预测建模过程42。如图所示，预测建模过程42在44处首先将测试数据输入电子表格诸如Xcel中。此类测试数据取决于工业应用。例如，在磨削应用中，测试数据可包括机器类型、机器寿命、机器功率和磨削参数，诸如横向进给、轮速度、辊速度等，如图4C至图4E所示。所提供的测试数据越多，可预期所得的预测越准确。机密性质的任何数据只有在必要时才进行内部评估以用于模型。在示例性实施方案中，可使用最多30个实验设计(DoE)测试来生成测试数据。如统计领域的技术人员所知，DoE是以结构化方式改变变量以量化对响应的变量贡献的方法，并且通过仔细设计/选择实验，使得变量相互作用、指数关系和非线性关系可被量化并用于产生具有预测能力的模型，通常使用很少数量的实验。DoE测试不仅涉及合适的自变量、因变量和控制变量的选择，而且涉及在给定可用资源约束的情况下在统计上最佳的条件下计划实验的递送。在示例性实施方案中，提供此类实验设置以使得能够生成合适的输入变量和输出变量，以用于生成感兴趣的工业过程的操作的数据模型。通常，输入变量包括过程变量，并且输出变量包括来自工业过程的操作的结果变量，并且所得的数据模型表示根据实验布置通过相应的输入变量或过程变量对输出变量或结果变量的贡献。
在46处，使用下文更详细描述的统计技术由收集的统计测试数据创建数据模型。然后在48处，将数据模型提供给模型开发软件和模型运行时引擎，诸如SIMCA Q.DLL数学引擎。模型开发软件和模型运行时引擎包括预测算法，该预测算法为预期对影响磨削应用性能的输出变量具有最显著影响的指定输入变量生成预测。在操作中，模型开发软件和模型运行时引擎48执行用于对包括Y空间得分向量和X空间得分向量的变量进行居中和缩放的预处理过程。通过计算X空间向量和Y空间向量之间的转移向量，定义预测模型。后处理过程(即，变量的反向居中和缩放)包括通过模型运行样本数据或DoE数据并且呈现变量和结果。然后预测算法是模型、DoE和围绕其的测试、Q2、R2、得分、载荷、Hotellings和DmodX的函数，其中测试提供了关于数据结构和模型能力的量度。
生成图形界面，并且在50处在网络界面中以图形方式提供预测结果。在示例性实施方案中，网络界面显示器包括适于在图形显示器(以WINDOWSTM或其他应用界面格式)诸如图形显示器26或用户智能电话28的软件应用程序中的显示器中呈现的若干变量/机器参数和输出性能值诸如G比率或表面光洁度(图1)。
示例性输出显示示于图6中，其示出了感兴趣的机器设置的预测参数54的值以及特定工业应用中的机器设置的最佳可能性能值56(例如，G比率)。然后在52处，用户使用这些值来手动更新机器设置，并且将机器设置作为输入变量或过程变量提供给工业过程，以优化选择的输出变量。在磨削轮应用的所示示例中，此类机器设置可包括G比率、磨削轮的材料移除速率、切屑厚度、每个修整循环的工件数、表面光洁度、磨削轮的速度、辊速度、磨削轮相对于辊的横向速度、连续横向进给、末端横向进给、磨削时间、进给速率、移位、修整、修整横向进给、横向进给和重叠比率等。另选地，调整可以是自动的，由此变量/机器参数被直接提供给图1的实施方案中的辅助控制器20或主控制器16以自动控制伺服马达14的操作。然后在48处，可反馈更新的机器设置以更新预测模型。另选地，如下文将参考其他实施方案所述，所述预测任选地可用于在53处通过识别产品线中的洞和/或重叠来提供产品推荐和/或优化产品组合。
因此，图5的预测模型可用于处理与工业过程相关的输入和输出，创建数据的数据模型，由数据模型生成预测，并且基于测试数据提供最佳可能结果(例如，最佳机器设置)的预测。用户可同时改变多个参数(例如，轮规格、速度等)并且进行调整，直到开发出期望的输出(例如，最佳可能的G比率，同时消除不会导致性能改善的冗余迭代)。在上述辊磨示例中，收集通用测试数据(例如，收集到电子表格中)，并且收集与辊(例如，辊直径、辊宽度)、轮(例如，轮直径、轮宽度、磨粒硬度、硬度数、结构、粘结等)和磨削机参数(例如，轮速度、辊速度、工作台速度、连续横向进给、末端横向进给、通过次数、切屑厚度、特殊材料移除速率、轮/辊速度比率、重叠比率、所用机器功率、机器压力、机器电流等)以及测试结果(例如，G比率、表面粗糙度、磨削时间)相关的数据。使用多变量分析由统计数据创建数据模型并使用数学引擎进行处理，并且使用数据模型生成预测和图形以在基于网络的应用程序中显示。预测结果显示在显示器上(图6)。允许同时改变多个变量和机器参数，以基于测试数据加快对最佳可能结果和推荐的机器设置的预测。可加载新模型以应对新应用以及新工业过程。下文提供了另外的示例。
数据模型创建
在图5中的46处创建预测模型可使用具有统计分析和/或线性代数背景的那些人已知的多种方法中的任一种方法。例如，模型创建器首先理清测试目标并查看数据集。在上述辊磨示例中，使用了来自29个不同测试场合的98行磨削测试数据。然后对支持目标的变量进行分组，并对数据运行初始主分量分析。查看所得的得分、载荷、DModX、Hotellings和残差(如下所述)。还查看变量以识别数据集中未描述的信息和模式。视情况生成新变量。对更新的数据集进行主分量分析。保持改善模型拟合R2的任何变化。R2为由Y预测分量解释的训练集(具有潜在结构正交投影(OPLS)的Y)的变化百分比。R2是拟合的量度，即，模型与数据的拟合程度。大R2(接近1)指示良好的模型，但这是不够的，因为较差的预测模型可能仍然具有大R2。当训练集中重现性较差(噪声很大)时，或者当出于其他原因X不解释Y时，也会获得较差的R2。
视情况引入输出或结果(Y变量)，并且根据指令运行模型，通常使用偏最小二乘(PLS)或OPLS分析的算法来产生模型。对比预测图再次查看并观察所得的得分、载荷、DModX、Hotellings和残差。生成并查看变量重要性图。添加扩展的交叉/正方形变量以及所推荐的变量的转换，同时逐步生成新模型并保持改善数据集的模型拟合R2和/或预测能力Q2的变化。Q2为根据交叉验证由模型预测的训练集(具有OPLS的Y)的变化百分比。Q2指示模型预测新数据的程度。大Q2(Q2>0.5)指示良好的预测性。当数据具有较大噪声时，或当X与Y的关系较差时，或当模型由一些分散的异常值主导时，会获得较差的Q2。在本文所述的过程中，通常移除数据中的异常值(观察结果)，并且通过迭代过程移除以生成模型并非唯一地有助于改善预测能力的变量。再次查看变量图以确认变量的贡献。当R2和Q2的改善给出足够小的变化(例如，百分之一或千分之一的百分点)时，该过程停止。
本领域的技术人员将会知道，PLS回归是一种其与主分量回归具有一些关系的统计方法。然而，不是找到响应变量和自变量之间的最大方差的超平面，而是通过将预测变量和可观察变量投影到新空间来找到线性回归模型。由于X和Y数据都被投影到新空间，因此PLS方法家族被称为双线性因子模型。
PLS用于找到两个矩阵(X和Y)之间的基本关系，即，对这两个空间中的协方差结构建模的潜变量方法。PLS模型试图找到X空间中的多维方向，该多维方向解释Y空间中的最大多维方差方向。当预测因子矩阵具有比观察结果更多的变量时，并且当X值之间存在多共线性时，PLS回归是特别合适的。
有关可并入本文的示例性预测过程的更多信息可见于名称为“多元变量数据分析”(Multi and Megavariate Data Analysis)的书籍(第3修订版，L.Eriksson、T Byrne、EJohansson、J Trygg、C
Figure BDA0002918344270000171
)中，因此本文将不再进一步描述。
预测和优化
一旦计算出R2和Q2，就保存工作文件。移除所有工作模型，并且仅将最后的数据模型保存为模型描述文件。所得的数据模型可用于对数据起源的系统(在这种情况下为磨削模型)进行预测和/或模拟。例如，一旦在46处创建数据模型，模型开发软件和模型运行时引擎就在48处调用包含用于应用的数据模型的模型描述文件。在一个示例性实施方案中，代码自动地将测试/机器设置发送到模型开发软件和模型运行时引擎，通过运行数据模型使用如上所述的预测算法来进行预测。
然后通过定义要优化的变量(通常为机器变量)来执行优化。针对每个变量定义范围。使用高/低设置，其中已知该过程是稳定的，并且被优化的机器的操作者是舒适的。在上述示例中，生成DoE矩阵，通过模拟模型运行3级全因子(3级和5个变量给出35(243)种不同的组合)和DoE矩阵。视情况基于响应变量中的性能/值/结果对变量组合进行排序。选择优选的变量设置并运行以确认结果。
机器学习工具24还实现提供连续优化的“自我学习过程”。通过在对初始模型/校准/数据文件进行优化之后保存实际结果，可以产生新模型，该新模型包括来自刚刚执行的试验的学习和信息。如果新的数据点改善了模型拟合和/或预测能力，则可以添加这些数据点，并生成新的模型。最初，该步骤是手动的，但是由于变量贡献和变换可能不会改变，因此该步骤可以是自动化的并且与上述过程相比大大简化。如果模型拟合和/或预测能力降低，则需要查看变量贡献以识别新变量/交互/变换，从而确定该观察结果是异常值还是包含新信息的观察结果。
模拟
一旦创建数据模型，就可生成对工业过程的不同操作条件的模拟，以示出指定输入机器参数的预测结果，而无需实际运行工业过程。如此生成的模拟结果可显示在显示器26上或发送到操作者的智能电话28以供显示(参见图1)。
统计分析
使用统计分析生成用于生成数据模型并基于不同变量的变化预测结果的测试数据。下文描述了可用于理解在示例性实施方案中应用的统计分析的术语的简要定义。
潜在结构的偏最小二乘投影
偏最小二乘(PLS)用于将结果变量与示例性实施方案中的输入变量和过程变量相关联，以解决识别“负责”输出变量或结果变量(Y)的变化的那些输入变量和过程变量(X)的问题。为此，可使用多重回归。然而，多重回归导致很大的困难，因为过程数据通常不具有用于回归建模的正确特性，因为回归分别处理每个结果变量(ym)。因此，一重回归以一组模型结束，一重回归对应于感兴趣的每个输出。这使得解释和优化变得困难或不可能。为了能够严格判读原因和效果，使用诸如
Figure BDA0002918344270000181
的软件，使用统计DoE在仔细的实验过程中收集数据。为了搜索输入和输出之间的关系，过程日志存在风险并且通常不太成功，因为当重要因素在小控制间隔内得到良好控制时，过程不能为数据提供良好的信息内容。
偏最小二乘-得分
已经为具有许多常相关的输入变量和过程变量以及若干到许多结果变量的情况开发了PLS建模。为了使用PLS，指定数据库中哪些变量是预测因子(X)并且哪些变量是因变量(Y)。然后PLS找到变量X和Y之间的关系。PLS模型被表示为一组PLS模型维度的一组X得分向量、Y得分向量、X权重向量和Y权重向量。每个维度(索引a)表示x得分向量(ta)和Y得分向量(ua)之间的线性关系。每个模型维度的权重向量表示X变量如何被组合以形成ta以及Y变量如何被组合以形成ua。这样，数据被建模为X和Y中的一组因素以及它们的关系。得分和权重的图有利于模型的判读。
偏最小二乘-载荷
PLS分析得到变量的模型系数，称为PLS权重或载荷。表示为w的X变量的载荷指示这些变量的重要性，即，它们在相对意义上参与Y的建模的量。表示为c的Y变量的载荷指示哪些Y变量在相应的PLS模型维度中被建模。当在w*c图中绘制这些系数时，获得示出X和Y之间的关系、重要的那些X变量以及与哪个X变量相关的那些Y变量等的图片。
偏最小二乘-残差
PLS在结果(Y侧)和输入(X侧)两者上提供残差。这些残差距离的标准偏差可如主分量分析一样绘制以提供第三统计过程控制图，其示出所述过程在DModX和DModY图中是否正常表现。
主分量分析
数据表的主分量分析(PCA)给出了具有值Tia的得分向量，其汇总了进入该分析的所有变量。通常计算两个或三个得分向量，然后将它们彼此绘制成tt图。tt图给出了作为随时间推移的过程行为的最佳汇总的图片。tt图允许看到趋势、不寻常行为和其他感兴趣的事物。分量的数量由对模型的预测能力的分量贡献或对单个结果变量的单个分量贡献决定。当贡献低于阈值时，则停止生成分量。根据经验，可以识别PCA得分图中该过程保持在“正常”操作下的区域以提供多变量控制图表。得分图与载荷图一起指示偏离正常操作的原因值。
例如，图7A和图7B为示出粘合剂和胶带的产品特性(例如，弹性模量、拉伸强度、粘度、韧化、聚丙烯酸类、研磨、断裂伸长率、FRP、PVC、开放时间等)58的PCA分析的载荷图(图7A)，其中图7B的得分图示出了不同行或产品(例如，DP100 Clear、DP100FR White、DP190Gray、DP270 Black、DP105 Clear、DP 100Plus Clear、DP110 Gray、DP405 Black、DP100FRWhite等)60之间的关系。每种产品根据其独特的特性组合来定位。图7A和图7B的载荷图示出了特性/列如何彼此相关并且为产品选择器或转换表提供基础。PCA还提供数据与称为DModX的PCA模型之间的残差、偏差。当这些残差很大时，这指示该过程中的异常行为。为此，提供残差标准偏差DModX(残差距离，均方根)的图。DModX图可用于识别数据异常值。这表明这些观察结果与关于变量的相关性结构的正常观察结果不同。
就主分量分析而言，应当理解，对具有相同相关性模式的变量进行分组。与结果参数(价格或性能)具有最高相关性的变量组成为第1主分量，并且第二最高相关组成为第2主分量。添加主分量，直到不再满足对预测能力或模型拟合的贡献标准。另一方面，就应用映射或产品选择器应用而言，不存在结果参数。将变量、特性、用途和应用绘制为主分量，并且将产品和应用绘制在对应于构成特定观察结果的变量和特性的组合的位置中。这些和其他变型对于统计分析领域的技术人员将变得显而易见。
潜在结构正交投影(OPLS)
OPLS是PLS的扩展并解决了回归问题。OPLS将X的系统性变化分成两个部分，一个部分与Y相关(预测)，另一个部分与Y不相关(正交)。这提供了改善的模型可判读性。在单Y情况下，仅存在一个预测分量，并且除第一个之外的所有分量都反映正交变化。然而，对于多个Y变量，可存在多于一个预测OPLS分量。
双向正交PLS(O2PLS)是解决数据集成问题的PLS的另一个扩展。在两块(X/Y)上下文中，O2PLS检查哪些信息在两个数据表之间重叠以及哪些信息对于特定数据表(X或Y)是唯一的。O2PLS通过结合三种类型的分量的柔性模型结构来完成该任务，所述分量为：
(i)表示接头X/Y信息重叠的分量；
(ii)表示X所独有的特性的分量；以及
(iii)表示Y所独有的特性的分量。
对于OPLS和O2PLS两者，不同的分量可以常用方式判读，因为具有熟悉含义的得分、载荷和基于残差的参数被保留。
得分散点图t1对比t2
得分t1、t2等是汇总X变量的新变量。得分是正交的，即，完全彼此独立。得分向量与模型中的分量一样多。得分t1(第一分量)判读X空间中的较大变化，然后判读t2等。因此，t1对比t2的散点图是X空间中的窗口，其显示X观察结果如何相对于彼此定位。图8中的得分图示出了数据中异常值、组、相似性和其他模式的可能存在。得分图58是观察结果的标测图。利用二维得分图58，模型开发软件和模型运行时引擎基于Hotelling’s T2绘制公差椭圆60。位于椭圆外的观察结果是异常值，例如图8中的观察结果39(最右边的点)。
DModX的观察结果是DModX临界值(Dcrit)的两倍大，这是适度的异常值。这表明这些观察结果与关于变量的相关性结构的正常观察结果不同。适度异常值可通过选择它并打开显示所有X变量的残差的对应贡献图来判读。具有大的正残差或负残差的变量是相对于由模型捕获的系统结构不同的那些变量。
Hotelling’s T2图
Hotelling’s T2(列或线)图显示了对于每个选择的观察结果，模型平面(得分空间)中与原点的距离。该图示出了针对选择的分量的范围(即，1至7或3至6)计算的T2。大于95％置信限的值是可疑的，并且大于99％置信限的值可被认为是严重的。给定观察结果的大T2范围值，即远高于临界限值的值，指示该观察结果与得分空间中选择的分量范围内的其他观察结果远离。因此，可能是异常观察结果，如果在训练集中，其可能会以不利的方式牵拉模型。T2基本上计算为得分(以平方为单位)的选择的分量范围的总和除以其标准偏差(以平方为单位)。因此，在指定的分量范围内，T2为模型平面(得分空间)中与原点的距离。
当看到具有大T2范围值的一个或若干个训练集观察结果时，操作者也可查看同一模型和同一分量范围的得分、DModX和贡献图，以帮助理解为什么观察结果具有高T2范围值。需注意，在T2图中标记的一组点也将在得分图和DModX图中标记。
载荷散点图pq1对比pq2 OPLS/O2PLS
OPLS/O2PLS载荷图显示了预测分量的X变量和Y变量之间的关系。载荷p对应于模型的X部分，载荷q对应于模型的Y部分。为了便于判读，根据X和Y的模型项对该图进行颜色编码。图9的pq图是OPLS/O2PLS模型的p图和q图第一预测分量和第二预测分量的叠加。载荷p对应于X变量和预测得分向量t之间的协方差，而载荷q对应于Y变量和预测得分向量u之间的协方差。具有大p或q的X和Y变量对模型贡献很大。因此，可以查看Y变量如何相对于彼此变化，哪些Y变量提供类似的信息，以及它们与模型中的X变量之间的关系。
残差的正态概率图
如图10所示，残差的正态概率图显示了以双对数标度标准化的残差。标准化残差是原始残差除以残差标准偏差(RSD)。图10的图使得人们能够检测异常值并评估残差的正态性。如果残差是随机的和正态分布的，则残差的正态概率图具有位于-4和+4标准化标准偏差之间的直线62上的所有点。位于-4或+4标准偏差之外的实验运行是异常值。
如下文进一步解释，预测模型和相关联的统计分析可应用于由多个工业过程中的任一个工业过程生成的数据，以提供产品选择工具、用于特定应用的产品推荐工具以及用于产品组合合理化的产品组合优化器。
工业工程应用示例–粘合剂选择工具
目前，用于客户应用的大部分粘合剂产品选择过程基于应用工程师的经验来执行。粘结的性能将取决于粘合剂与基底之间的相互作用。无论粘合剂是具有或不具有附加的粘合剂层或非粘合剂层的压敏粘合剂，粘合剂行为通常都得到很好的表征；然而，基底性质可根据诸如表面光洁度、本体聚合物添加剂、表面处理(电晕、底漆等)、老化、储存条件等的大量参数而有很大变化。因此，粘合剂选择提供了另一种工业环境，其中本文所述的预测建模工具可处理所收集的数据以预测粘合剂性能，从而有助于加快和改进粘合剂选择过程。
在示例性实施方案中，手持式仪器可用于从基底表面收集所需数据。这种数据收集可在客户站点或任何其他方便的位置处执行。例如，表面的表面自由能是决定粘合剂/基底的性能的参数。使用两种已知液体的接触角并通过测量小滴在基底表面上的接触角来计算表面自由能。例如，图11示出了测量基底1110的表面的表面自由能的手持装置1100。图11的装置使用固体表面上的液滴来测量接触角。
也可使用傅里叶变换红外(FTIR)光谱测量示例性实施方案中的粘合剂/基底的参数，因为FTIR光谱理想地适于确定聚合物材料的种类。FTIR光谱是用于通过测量样品在每个波长处吸收多少光来获得固体、液体或气体的吸收或发射的远红外光谱的技术。FTIR光谱仪通过将样品压向金刚石晶体以收集吸收数据来同时收集宽光谱范围内的高光谱分辨率数据。例如，图12示出了两个聚丙烯样本的FTIR光谱1200和1210。在FTIR光谱中，傅里叶变换用于将原始数据转换成图12所示类型的实际光谱。
粘合剂/基底的其他可测量的输入变量可包括以下项中的一者或多者：粘合剂物理特性、粘合剂热特性、粘合剂电特性、粘合剂固化特性、粘合剂性能特性、粘合剂耐久性特性、粘合剂耐化学品性特性、粘合剂流变学特性、粘合剂组成、粘合剂分配特性、粘合剂使用要求、标准化测试或认证、环境参数、健康参数、安全参数、载体特性、背衬特性、衬件特性以及待由粘合剂粘结的材料。
与上述磨削示例中一样，多变量分析也可用于理解不同因素如何影响彼此以及确定数据集中的变化的主要原因。另外，如在上述磨削示例中，偏最小二乘(PLS)可用于处理源自分析仪器(例如，FTIR、核磁共振(NMR)等)的数据以构建预测模型。
用于将本文所述的预测建模技术应用于粘合剂产品选择过程的工作流汇总于图13中。如图所示，使用多种测量技术诸如FTIR光谱来收集表示基底参数的X变量，从而产生数据库1300，该数据库包括相应基底诸如聚丙烯、聚乙烯、聚碳酸酯、不锈钢、铝、红色油漆、尼龙、玻璃、聚甲基丙烯酸甲酯(PMMA)、黑色丙烯腈丁二烯苯乙烯(ABS)、聚氯乙烯(PVC)等以及相应的粘合剂产品诸如粘合带(例如，按照部件号)的参数。可例如通过在1310处执行剥离测试(例如，3M工业粘合剂和胶带部门(3M Industrial Adhesives and TapesDivision，IATD)90°剥离测试)以建立粘合带在相应基底上的主要响应来收集Y变量。这种类型的分析可用于在1320处基于影响可测量输出参数的一组变量，使用统计包诸如Unscrambler、Umetrics和R来创建预测模型。例如，使用标准剥离强度测试评估的带材/基底组合的性能可用作主要响应。所得输出变量可包括推荐粘合剂的名称、粘合剂结构特性、粘合剂性能特性、贴合质量的量化和/或购买信息。使用选择的技术(表面能和FTIR光谱)分析这两个感兴趣的表面，并且将这两个表面用作统计包中的变量以创建预测模型1320，如参考图5所述。然后在1330处通过测试基底来测试预测模型1320，并且使用另外的样本迭代该过程以改进预测模型1320作为随时间推移的迭代过程。
图14为示出多种基底/粘合剂组合的平均测量剥离力对比平均预测剥离力的图表。如图所示，使用所开发的数据集，预测模型相当准确。然而，Lexan样本1400表明，当与参照物相比时，预测模型1320被类似类型的化学混淆。通过使用更多样本来构建预测模型1320，可随时间推移改善预测模型1320中的这种不准确性。在该示例中，将选择对基底具有期望剥离强度值的粘合剂产品。
工业工程应用示例–用于磨料带的产品推荐器
针对不同的应用和压力方案，以多种构造(例如，背衬、矿物类型和尺寸等)提供磨料带。为了为全球应用工程师、销售人员和客户提供工具，本文所述的预测建模技术可用于开发表格以对“过程-基底-机器”进行分组并将它们与约定的产品推荐匹配。与其他示例一样，预测建模过程从构建预测模型开始，以预测针对特定客户情况(过程-基底-机器)的最佳产品推荐。
产品查找器/推荐器逻辑基于多变量分析，以在新的用户数据被添加到基础数据集中时提供对预测的连续细化。如在上述示例中，基于来自产品开发人员和应用工程师(以及客户)的现有用户数据构建预测模型。预测模型基于客户需求与现有产品组合供应之间的“距离”来确定并推荐下一个最佳(最匹配)产品。在示例性实施方案中，产品查找器是基于网络的，并且可由计算机和其他手持式处理装置诸如平板电脑、膝上型电脑、智能电话等访问。在示例性实施方案中，产品查找器在用于推荐器系统以提供标准化功能的通用架构上实现。
图15示出了按照应用–基底–机器的样品磨料带的图表1500。图15示出了沿图表1500左侧的应用1510和典型等级1520以及沿图表1500顶部的由预测模型确定的基底1530和机器1540。在图15中，图表1500中的单元格1540以不同颜色显示以识别基于实验的最佳价值选项、可能难以体现出价值的应用的最佳选项、被认为是所指示的机器/基底的不太可能的应用的应用、以及不可能因此不推荐的应用。因此，等级示出了对于应用和基底的每个组合具有最高性能的工具。图16A至图16B为示出图15中收集的信息的载荷图，所述信息被转换为针对不同机器/基底的推荐产品1600的载荷图，其中图16B为图16A的放大型式。
图17A至图17B为示出来自图15的定性信息的图表，所述定性信息被转换为数值“等级”，所述等级以1-12的标度指示给定机器/基底对于特定应用的适用性。
图18示出了针对特定应用(在这种情况下为机器人应用)观察到的带应用与预测的带应用的图。如图18所示，对于机器人应用，为落在线1800上的机器/基底/应用提供最佳观察结果与预测结果。
作为下一步骤，考虑压力(高-中-低)以及接触轮，其中压力与机器类型相关。图19示出了通过机器(和压力)观察到的带应用与预测的带应用的图，其中再次为落在线1900上的机器/基底/应用提供最佳观察结果与预测结果。图20A至图20B为示出细化数据的细化数值排序(将压力考虑在内)的图表。
图21为示出机器人机器应用2110和产品2120的性能评级2100的图表。在图21中，压力也与机器类型相关。
图22示出了特定产品-应用-机器/压力的观察结果对比预测结果的图，以提供对应的性能评级。例如，预测在图表右侧提供的带圆圈的示例2200的焊接清洁和贯穿进给的最高等级。为了确认预测是否与实际体验一致，可将来自图22的信息转换成表格以供应用工程师查看。例如，图23为示出基于数值评级的建模评级的图表，并且示出了可以查看来自每个预测数据点的信息。例如，箭头2300示出了预测的等级。对来自消费者的数据的这种使用将通过帮助消费者分析可用数据来提高生产率。
应当理解，产品推荐器可分为三个阶段：产品查找器/推荐器、研发设计工具以及产品选择器和销售指导。在示例性实施方案中，应用工程师使用产品推荐器来识别用于特定应用的适当磨料带。对于不同的市场，可识别未在该市场中使用的特定术语的变化以适当地调整产品推荐器。另一方面，客户可使用产品推荐器基于客户正在操作的机器、基底和过程来识别要选择哪种产品。在研发设计工具阶段，可以收集来自磨料带制造过程的测试数据，并将其用于预测将提供最佳结果的产品。产品选择器还可应用于在销售过程期间收集和/或报告的销售数据，以基于例如修整-应用-基底-工具(Finish-Application-Substrate-Tool，FAST)推荐最佳产品。
产品组合合理化示例-针对安全束具产品的组合优化器和产品推荐器
以下实施方案提供了如何将本文所述的预测建模工具用作产品组合合理化、空白空间识别和产品推荐的工具的示例。如在上述实施方案中，多变量分析工具用于分析由安全束具产品供应产生的数据，并且用于通过使具有类似性能或特性的产品组可视化来帮助商业组织进行产品组合合理化。虽然相对于安全束具产品进行了描述，但应当理解，本文所述的技术可用于多种产品中的任一种产品，其中存在多种具有类似和潜在重叠特性的产品。同样的技术可用于简化产品组合，并且还可用于开发与上述磨料带实施方案中相同的产品选择器/推荐器。
该实施方案解决了如下情况，其中出于多种原因，公司可提供在提供具有重叠特征的产品的多个品牌和传统企业下可用的许多产品(例如，坠落保护产品)。在这种情况下，应用工程师和客户通常难以知道哪种产品最适合于特定的应用要求。另一方面，对于商业组织而言，了解哪些产品可以组合在一起以力图应对全球产品组合合理化将是非常有益的。
与其他实施方案中一样，该过程从收集用于预测建模过程的产品数据开始。例如，如图24所示，产品列表可包含在全世界内具有潜在数千个存货单位(SKU)的潜在数百个产品。应当理解，SKU越多，预测建模工具对提供产品组合合理化的帮助就越大。在图24的示例中，提供了定性束具数据2400。在该示例中，不存在定量数据允许基于标准诸如应用、束具类型、D形环位置和带扣类型或对区分产品具有定性显著性的其他标准对产品进行分组。
图25是示出使用Umetrics公司的多变量统计分析工具Simca生成的图24的束具数据的初步预测模型的图，该多变量统计分析工具绘制所收集的参数之间的相关性2500。为了提供产品分组的可视化，用随机发生器定义14个设置。图25示出了作为具有类似特征和特性的产品分组的可视化的结果。使用“束具评分”，该模型对最接近的产品模型评分，该最接近的产品模型适合所识别的设置的预测模型。如果一种产品不具有100％的适合性，则预测模型将显示最接近的适合性。然后，一旦若干产品组群集在一起，就可评估群集数据以识别前N个最近束具。这些产品分组可用于识别具有类似特性的产品群集，从而实现有意义的产品组合合理化。另一方面，对于产品推荐器，可能更重要的是将选择标准限制为可管理的数量，因为如果客户具有太多的选项，则他们可能停止寻找产品。
因此，该实施方案使用预测建模工具通过监测预测模型的输出与输入特征参数的适合性来识别产品线中的缺口和重叠。分析变量和顾客选择变量的顺序可用于了解顾客偏好/选择。
使顾客能够选择安全产品也带来了其他考虑因素。例如，法规等可能需要警告用户选择的安全产品可能不是特定应用的完美匹配。在这种情况下，在考虑其他特征之前，关键性能标准可能需要是安全产品的关键考虑因素。可能需要向产品数据中添加强制字段，以指示产品被批准用于哪个标准，并且根据所识别的标准将该产品的选择限制于应用。另外，产品推荐器还可突显出针对产品的特定应用所关注的更大区域。例如，产品颜色可能不如电弧闪光额定/高能量放电以及对触发警告的安全至关重要的其他特征重要。例如，针对特定应用选择特定产品可弹出通知：“该选择与选择的安全关键变量仅90％匹配，而不是100％匹配，小于完美匹配。”因此，产品推荐器使得供应商能够识别和填充其产品组合中的缺口，并提供定制产品，同时减少其客户或供应商的负担。
因此，本文所述的系统和方法实现了多变量统计分析和机器学习技术，以从简单到日益复杂的数据文件预测工业产品的性能，从而识别用于工业产品的特定应用的产品特性和期望的结果或特征。预测建模工具可被客户用来寻找用于特定应用的适当产品，并且被公司用来推荐用于特定应用的产品，以及用来使产品组合合理化以找到产品供应中的漏洞/重叠。根据以上对示例性实施方案的描述，这些和其他应用对于本领域的技术人员将是显而易见的。
计算机实施方案
图26示出了可被编程为适用于实现本文所公开的系统的一个或多个实施方案的专用计算机的典型通用计算机。上述控制器16和20以及机器学习工具24可在任何通用处理部件上实现，诸如具有足够的处理能力、存储器资源和通信吞吐能力以处理置于其上的必要工作量的计算机。处理部件70包括与存储器装置通信的处理器72(其可被称为中央处理器单元或CPU)，该存储器装置包括次级存储装置74、只读存储器(ROM)76、随机存取存储器(RAM)78、输入/输出(I/O)装置80和网络连接性装置82。处理器72可被实现为一个或多个CPU芯片，或者可以是一个或多个专用集成电路(ASIC)的一部分。
次级存储装置74通常由一个或多个磁盘驱动器或磁带驱动器构成，并且用于数据的非易失性存储，并且如果RAM 78不够大以保持所有工作数据，则用作溢出数据存储装置。当选择用于执行的程序时，次级存储装置74可用于存储加载到RAM 78中的程序。ROM 76用于存储在程序执行期间读取的指令和可能的数据。ROM 76是非易失性存储器装置，其通常具有相对于次级存储装置74的较大存储容量较小的存储容量。RAM 78用于存储易失性数据并且可能用于存储指令。对ROM 76和RAM 148两者的访问通常比对次级存储装置74的访问快。
本文所述的装置可被配置为包括存储计算机可读指令的计算机可读非暂态介质和联接到存储器的一个或多个处理器，并且当执行计算机可读指令时，将处理部件70配置为执行上文参考图1至图25所述的方法步骤和操作。计算机可读非暂态介质包括所有类型的计算机可读介质，包括磁存储介质、光存储介质、闪存介质和固态存储介质。
还应当理解，包括如上文参考本公开的任一个或所有步骤所述的有利于处理和操作的一个或多个计算机可执行指令的软件可安装在符合本公开的消费者和/或生产者领域内的一个或多个服务器和/或一个或多个路由器和/或一个或多个装置中并与所述一个或多个服务器和/或一个或多个路由器和/或一个或多个装置一起出售。另选地，软件可被获取并加载到符合本公开的消费者和/或生产商领域内的一个或多个服务器和/或一个或多个路由器和/或一个或多个装置中，包括通过物理介质或分发系统获取软件，包括例如从软件创建者拥有的服务器或从软件创建者不拥有但使用的服务器获取。例如，软件可存储在服务器上以通过例如互联网分发。
另外，本领域的技术人员应当理解，本公开并不将其应用局限于以下描述所提及的或附图所示出的具体构造和部件布置方式。本文的实施方案能够具有其他实施方案，并且能够以各种方式实践或实施。而且，应当理解，本文使用的措辞和术语是用于说明目的而不应视为限制性的。本文中“包括”、“包含”或“具有”以及其变型的使用意指涵盖其后所列举的项目及其等同形式以及附加的项目。除非另外限定，本文中的术语“连接”、“联接”和“安装”及其变型广义地使用，涵盖直接和间接的连接、联接和安装。此外，术语“连接”和“联接”及其变型不限于物理或机械连接或联接。另外，诸如向上、向下、底部和顶部的术语是相对的，并且用于辅助说明，但不是限制性的。
根据本发明的图示实施方案采用的例示性装置、系统和方法的部件可至少部分地在数字电子电路、模拟电子电路中或在计算机硬件、固件、软件中或在它们的组合中实现。这些部件可被实现为例如计算机程序产品，诸如计算机程序、程序代码或有形地体现在信息载体中或机器可读存储装置中的计算机指令，以用于由数据处理设备诸如可编程处理器、一个或多个计算机执行或者控制所述数据处理设备的操作。
计算机程序可以任何形式的编程语言(包括编译或解释语言)进行编写，并且其可以任何形式进行部署，所述形式包括作为独立程序或者作为模块、部件、子例程或者适用于计算环境的其他单元。计算机程序可被部署为在位于一个站点或分布在多个站点并且通过通信网络互连的一个计算机或多个计算机上执行。另外，用于实现本发明的功能程序、代码和代码段可由本发明所属领域的编程人员容易地理解为在本发明的范围内。与本发明的示例性实施方案相关联的方法步骤可由执行计算机程序、代码或指令的一个或多个可编程处理器执行，以执行功能(例如，通过对输入数据进行操作和/或生成输出)。方法步骤也可通过专用逻辑电路(例如FPGA(场可编程门阵列)或ASIC(专用集成电路))来执行，并且本发明的设备也可作为专用逻辑电路来实现。
可用被设计用于执行本文描述的功能的通用处理器、数字信号处理器(DSP)、ASIC、FPGA或其他可编程逻辑装置、离散门或晶体管逻辑器件、离散硬件部件或它们的任意组合来实现或执行结合本文所公开的实施方案描述的各种例示性逻辑块、模块和电路。通用处理器可以是微处理器，但在替代形式中，处理器可以是任何传统的处理器、控制器、微控制器或状态机。处理器还可被实现为计算装置的组合，例如，DSP和微处理器的组合、多个微处理器、结合DSP核的一个或多个微处理器、或任何其他这种配置。
适用于执行计算机程序的处理器包括(以举例的方式)通用和专用微处理器、以及任何类型的数字计算机中的任何一个或多个处理器。一般来讲，处理器将接收来自只读存储器或随机访问存储器或这两者的指令和数据。计算机的基本元件为用于执行指令的处理器以及用于存储指令和数据的一个或多个存储装置。一般来讲，计算机还将包括用于存储数据的一个或多个大容量存储装置(例如，磁盘、磁性光盘或光盘)，或者将操作地联接以接收来自大容量存储装置的数据、或将数据转移至大容量存储装置、或上述两者。适于体现计算机程序指令和数据的信息载体包括所有形式的非易失性存储器，包括例如半导体存储器装置，例如电可编程只读存储器或ROM(EPROM)、电可擦除可编程ROM(EEPROM)、闪存存储器装置和数据存储盘(例如，磁盘、内部硬盘或可移动磁盘、磁光盘以及CD-ROM和DVD-ROM盘)。处理器和存储器可由专用逻辑电路进行补充或者可结合到专用逻辑电路中。
本领域的技术人员应当理解，可使用各种不同技术中的任一种技术来表示信息和信号。例如，可在以上描述中引用的数据、指令、命令、信息、信号、位、符号和芯片可由电压、电流、电磁波、磁场或粒子、光场或粒子、或它们的任何组合来表示。
本领域的技术人员还应认识到，结合本文所公开的实施方案描述的各种示例性逻辑块、模块、电路和算法步骤可被实现为电子硬件、计算机软件或二者的组合。为了清楚地示出硬件和软件的该可互换性，各种示例性组件、块、模块、电路和步骤在以上已经大体依据它们的功能进行了描述。这种功能被具体实施为硬件还是软件取决于特定应用和施加于整体系统的设计限制。技术人员可针对每个特定应用以变化方式实现所述功能，但这种实现的决定不应被理解为造成脱离本发明的范围。软件模块可驻留在随机存取存储器(RAM)、闪存存储器、ROM、EPROM、EEPROM、寄存器、硬盘、可移动磁盘、CD-ROM或本领域已知的任何其他形式的存储介质中。示例性存储介质联接到处理器，使得处理器可从存储介质读取信息并且将信息写入存储介质。在替代形式中，存储介质可以与处理器成一整体。换句话讲，处理器和存储介质可驻留在集成电路中或被实现为分立部件。
如本文所用，“机器可读介质”意指能够暂时或永久地存储指令和数据的装置，并且可包括但不限于随机存取存储器(RAM)、只读存储器(ROM)、缓冲存储器、闪存存储器、光学介质、磁介质、高速缓存存储器、其他类型的存储装置(例如，可擦除可编程只读存储器(EEPROM))和/或它们的任何合适的组合。术语“机器可读介质”应视为包括能够存储处理器指令的单个介质或多个介质(例如，集中式或分布式数据库，或相关联的高速缓存和服务器)。术语“机器可读介质”还应视为包括能够存储供一个或多个处理器执行的指令的任何介质或多个介质的组合，使得指令在由所述一个或多个处理器执行时使得所述一个或多个处理器执行本文所述的方法中的任何一种或多种方法。因此，“机器可读介质”是指单个存储设备或装置，以及包括多个存储设备或装置的“基于云的”存储系统或存储网络。如本文所用，术语“机器可读介质”不包括信号本身。
以上描述和附图仅以举例的方式给出，并非意图以任何方式限制例示性实施方案，除非在所附权利要求书中示出。需注意，上文已描述的各种示例性实施方案的各种元件的各种技术方面可以许多其他方式组合，所有这些方式都被认为在本公开的范围内。
因此，虽然为了进行示意性的说明而公开了示例性实施方案，但本领域的技术人员将会知道，各种修改、添加和替换是可能的。因此，本公开不限于上述实施方案，而是可在所附权利要求连同其等同物的完整范围的范围内进行修改。

Claims (27)

1.一种实现预测建模的计算机实现的方法，包括：
计算机对在工业过程的操作期间生成的输入变量和输出变量执行多变量分析，以生成所述工业过程的所述操作的数据模型，所述输入变量包括过程变量，并且所述输出变量包括来自所述工业过程的所述操作的结果，所述数据模型表示相应的所述输入变量或所述过程变量对所述输出变量的变化的贡献；
将所述数据模型提供给预测算法，以识别预期在所述工业过程的执行期间对选择的输出变量具有最显著影响的输入变量或过程变量的参数值，所述预测算法输出所述参数值；以及
将所述参数值作为所述输入变量或所述过程变量提供给所述工业过程，以优化所述选择的输出变量。
2.根据权利要求1所述的方法，其中生成所述数据模型包括所述计算机为所述工业过程的输入变量空间自动生成实验设计(DoE)，使用所述数据模型处理实验设计并基于优选成果存储结果，还包括所述预测算法对所述DoE的预定数量的最佳下次试验进行预测并输出所述预定数量的最佳下次试验的参数值以及使用所述参数值的改进结果的概率。
3.根据权利要求1所述的方法，还包括将所述参数值以及由所述工业过程响应于所述参数值而生成的输出变量作为反馈数据馈送到所述计算机，并且所述计算机使用所述反馈数据调整所述数据模型。
4.根据权利要求1所述的方法，还包括响应于指定的输入变量而将所述参数值输出到显示器作为所述工业过程的输出的模拟。
5.根据权利要求1所述的方法，还包括推荐具有对所述工业过程中的所述选择的输出变量进行优化的参数值的产品。
6.根据权利要求5所述的方法，其中推荐所述产品包括推荐针对指定机器、指定基底和指定应用中的至少一者优化所述工业过程中的所述选择的输出变量的所述产品。
7.根据权利要求1所述的方法，还包括识别产品组合中具有优化相同的选择的输出变量的重叠参数值的产品。
8.根据权利要求1所述的方法，还包括通过识别产品组合中未表示的用于优化所述选择的输出变量的参数值来识别所述产品组合中的缺口。
9.根据权利要求1所述的方法，其中所述工业过程是磨削机操作，所述输入变量包括磨削机的机器设置，并且所述输出变量取决于磨削过程的类型并且包括G比率、磨削轮的材料移除速率、切屑厚度、每个修整循环的工件数和表面光洁度中的至少一者。
10.根据权利要求9所述的方法，其中所述机器设置包括磨削轮速度、辊速度、横向速度、连续横向进给、末端横向进给、磨削时间、进给速率、移位、修整、修整横向进给、横向进给和重叠比率中的至少一者。
11.根据权利要求1所述的方法，其中所述工业过程是粘合剂选择过程，所述输入变量包括粘合剂或胶带的选择变量，并且所述输出变量包括至少一个粘合剂或胶带的选择或推荐。
12.根据权利要求11所述的方法，其中所述输入变量包括粘合剂物理特性、粘合剂热特性、粘合剂电特性、粘合剂固化特性、粘合剂性能特性、粘合剂耐久性特性、粘合剂耐化学品性特性、粘合剂流变学特性、粘合剂粘度、粘合剂凝固时间、粘合剂弹性模量、粘合剂耐溶剂性、粘合剂组成、粘合剂分配特性、粘合剂使用要求、标准化测试或认证、环境参数、健康参数、安全参数、载体特性、背衬特性、衬件特性以及待由粘合剂或胶带粘结的材料中的至少一者。
13.根据权利要求11所述的方法，其中所述输出变量包括拉伸强度、剥离强度值、粘合剂名称、粘合剂结构特性、粘合剂性能特性、贴合质量的量化和购买信息中的至少一者。
14.根据权利要求11所述的方法，其中所述粘合剂是具有或不具有附加的粘合剂层或非粘合剂层的压敏粘合剂。
15.根据权利要求1所述的方法，其中所述工业过程为磨削操作，所述方法还包括推荐针对磨料带的指定机器、指定基底和指定应用中的至少一者优化所述工业过程中的所述选择的输出变量的产品。
16.一种实现预测建模的计算机实现的方法，包括：
计算机对与产品的特性相关的输入变量和与所述产品的性能相关的输出变量执行多变量分析，以生成所述产品的数据模型，所述数据模型表示相应的所述输入变量对所述输出变量的变化的贡献；
将所述数据模型提供给预测算法，以识别预期对选择的输出变量具有最显著影响的输入变量的参数值，所述预测算法输出所述参数值；
提供所述参数值作为所述输入变量以优化所述选择的输出变量；以及
推荐针对指定的输入变量优化所述选择的输出变量的产品。
17.根据权利要求16所述的方法，还包括识别产品组合中具有优化相同的选择的输出变量的重叠参数值的产品。
18.根据权利要求16所述的方法，还包括通过识别产品组合中未表示的用于优化所述选择的输出变量的参数值来识别所述产品组合中的缺口。
19.根据权利要求16所述的方法，其中所述输入变量包括磨削机、粘结磨料磨削轮、磨料带、涂覆磨料带或盘、非织造磨料、刷毛刷、安装在机器人上的磨料制品、粘合剂和安全束具中的至少一者的特性。
20.根据权利要求16所述的方法，其中所述输入变量包括工业过程的过程变量，并且所述输出变量包括来自所述工业过程的操作的结果，并且所述数据模型表示相应的所述输入变量或所述过程变量对所述输出变量的变化的贡献，其中所述参数值作为所述输入变量或所述过程变量被提供给所述工业过程，以优化所述选择的输出变量。
21.一种系统，所述系统实现预测建模以优化工业过程，所述系统包括：
至少一个处理器；以及
存储器，所述存储器存储指令，所述指令在由所述至少一个处理器执行时使得所述至少一个处理器执行包括以下项的操作：
对在所述工业过程的操作期间生成的输入变量和输出变量执行多变量分析，以生成所述工业过程的所述操作的数据模型，所述输入变量包括过程变量，并且所述输出变量包括来自所述工业过程的所述操作的结果，并且所述数据模型表示相应的所述输入变量对所述输出变量的变化的贡献；
自动生成用于所述工业过程的输入变量空间的实验设计(DoE)；
使用所述数据模型处理实验设计；
基于优选成果将所述处理所述实验设计的结果提供给预测算法；
所述预测算法识别预期在所述工业过程的执行期间对选择的输出变量具有最显著影响的输入变量的参数值，对所述DoE的预定数量的最佳下次试验进行预测，并且输出所述预定数量的最佳下次试验的参数值以及使用所述参数值的改进结果的概率；以及
将所述参数值作为所述输入变量提供给所述工业过程，以优化所述选择的输出变量。
22.根据权利要求21所述的系统，其中所述至少一个处理器还执行以下操作，包括将所述参数值以及由所述工业过程响应于所述参数值而生成的输出变量作为反馈数据馈送到所述至少一个处理器并且使用所述反馈数据调整所述数据模型。
23.根据权利要求21所述的系统，其中所述至少一个处理器还执行以下操作，包括响应于指定的输入变量而将所述参数值输出到显示器作为所述工业过程的输出的模拟。
24.根据权利要求21所述的系统，其中所述至少一个处理器还执行以下操作，包括推荐具有对所述工业过程中的所述选择的输出变量进行优化的参数值的产品。
25.根据权利要求24所述的系统，其中所述至少一个处理器推荐所述产品还包括所述至少一个处理器执行以下操作，包括推荐针对指定机器、指定基底和指定应用中的至少一者优化所述工业过程中的所述选择的输出变量的所述产品。
26.根据权利要求21所述的系统，其中所述至少一个处理器还执行以下操作，包括识别产品组合中具有优化相同的选择的输出变量的重叠参数值的产品。
27.根据权利要求21所述的系统，其中所述至少一个处理器还执行以下操作，包括通过识别产品组合中未表示的用于优化所述选择的输出变量的参数值来识别所述产品组合中的缺口。
CN201980049995.1A 2018-08-01 2019-07-31 预测建模工具 Pending CN112543945A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862713025P 2018-08-01 2018-08-01
US62/713,025 2018-08-01
PCT/US2019/044364 WO2020028505A1 (en) 2018-08-01 2019-07-31 Predictive modeling tool

Publications (1)

Publication Number Publication Date
CN112543945A true CN112543945A (zh) 2021-03-23

Family

ID=67742962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980049995.1A Pending CN112543945A (zh) 2018-08-01 2019-07-31 预测建模工具

Country Status (4)

Country Link
US (3) US11435708B2 (zh)
EP (1) EP3830771A1 (zh)
CN (1) CN112543945A (zh)
WO (1) WO2020028505A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052325A (zh) * 2021-03-25 2021-06-29 北京百度网讯科技有限公司 在线模型的优化方法、装置、设备、存储介质及程序产品
CN113341888A (zh) * 2021-04-06 2021-09-03 普赛微科技(杭州)有限公司 一种多变量工艺过程控制的方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832921B (zh) * 2020-06-30 2023-09-26 佛山科学技术学院 基于机器学习的工业机器人性能指标评价设备及方法
CN113064355A (zh) * 2021-03-22 2021-07-02 合肥工业大学 一种工业工程专业仿真实验系统
US20240208763A1 (en) * 2021-04-08 2024-06-27 3M Innovative Properties Company Surface Characterization Module and System Including Same
DE102022102748A1 (de) * 2022-02-07 2023-08-10 Arburg Gmbh + Co Kg Verfahren zur Steuerung von Prozessen an Kunststoff verarbeitenden Maschinen
JP7416175B1 (ja) 2022-11-10 2024-01-17 Dic株式会社 予測プログラム、情報処理装置、および予測方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005116871A1 (en) * 2004-05-28 2005-12-08 Pattern Recognition Systems As Method and apparatus for tuning database configuration parameters usnig multivariate analysis
CN1855141A (zh) * 2005-04-28 2006-11-01 通用电气公司 用于执行基于模型的多目标资产优化和决策的方法和系统
US20100025988A1 (en) * 2008-07-31 2010-02-04 Jamison Tommy L Coupling, joint and method for fixedly and sealingly securing components to one another
US20100114354A1 (en) * 2008-11-06 2010-05-06 The Regents Of The University Of Michigan Method for estimating immeasurable process variables during a series of discrete process cycles
US20110161257A1 (en) * 2009-12-24 2011-06-30 Bell Stephen S Method, simulator assembly, and storage device for interacting with a regression model
CN102301289A (zh) * 2009-01-23 2011-12-28 Mks仪器股份有限公司 用多变量模型控制制造工艺

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6881471B2 (en) * 2001-10-25 2005-04-19 The Procter & Gamble Company High speed embossing and adhesive printing process and apparatus
US8855804B2 (en) * 2010-11-16 2014-10-07 Mks Instruments, Inc. Controlling a discrete-type manufacturing process with a multivariate model
US20130331003A1 (en) * 2012-05-17 2013-12-12 Nils Eric Simonsen Systems and methods for machine polishing a pattern onto metal using abrasive disks
JP5664629B2 (ja) * 2012-10-19 2015-02-04 株式会社安川電機 ロボットシステムおよび加工品の製造方法
EP3385032A4 (en) * 2015-12-25 2019-01-02 New Registon Co., Ltd. Grinding device and grinding implement for said grinding device

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005116871A1 (en) * 2004-05-28 2005-12-08 Pattern Recognition Systems As Method and apparatus for tuning database configuration parameters usnig multivariate analysis
CN1855141A (zh) * 2005-04-28 2006-11-01 通用电气公司 用于执行基于模型的多目标资产优化和决策的方法和系统
US20100025988A1 (en) * 2008-07-31 2010-02-04 Jamison Tommy L Coupling, joint and method for fixedly and sealingly securing components to one another
US20100114354A1 (en) * 2008-11-06 2010-05-06 The Regents Of The University Of Michigan Method for estimating immeasurable process variables during a series of discrete process cycles
CN102301289A (zh) * 2009-01-23 2011-12-28 Mks仪器股份有限公司 用多变量模型控制制造工艺
US20110161257A1 (en) * 2009-12-24 2011-06-30 Bell Stephen S Method, simulator assembly, and storage device for interacting with a regression model

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052325A (zh) * 2021-03-25 2021-06-29 北京百度网讯科技有限公司 在线模型的优化方法、装置、设备、存储介质及程序产品
CN113341888A (zh) * 2021-04-06 2021-09-03 普赛微科技(杭州)有限公司 一种多变量工艺过程控制的方法

Also Published As

Publication number Publication date
WO2020028505A1 (en) 2020-02-06
US20210286329A1 (en) 2021-09-16
US11435708B2 (en) 2022-09-06
US11880176B2 (en) 2024-01-23
US20220373981A1 (en) 2022-11-24
EP3830771A1 (en) 2021-06-09
US20240103466A1 (en) 2024-03-28

Similar Documents

Publication Publication Date Title
US11880176B2 (en) Systems and methods for product recommendation using predictive modeling
Inman et al. Survey of recent advances on the interface between production system design and quality
US9189760B2 (en) System, method and computer readable medium for using performance indicators and predictive analysis for setting manufacturing equipment parameters
KR20040088491A (ko) 제조설계 및 공정분석 시스템
Song et al. Sustainability metrics for assessing manufacturing systems: A distance-to-target methodology
Kao et al. Impact of integrating equipment health in production scheduling for semiconductor fabrication
Chaudhary et al. Evaluation and measurement of performance, practice and pressure of green supply chain in Indian manufacturing industries
US11775911B2 (en) Method and apparatus for providing predictions of key performance indicators of a complex manufacturing system
Arif et al. Acceptance sampling plan for multiple manufacturing lines using EWMA process capability index
Maganha et al. The sequence of implementation of reconfigurability core characteristics in manufacturing systems
Birkmaier et al. Towards a robust digital production and logistics network by implementing flexibility measures
Denkena et al. Self-optimizing process planning for helical flute grinding
Szelążek et al. Semantic data mining‐based decision support for quality assessment in steel industry
Liu et al. Flexible job-shop scheduling for reduced manufacturing carbon footprint
Anderberg Methods for Improving Performance of Process Planning for CNC Machining: An Approach Based on Surveys and Analytical Models
Owen et al. Effects of operating speed on production quality and throughput
Salarian et al. Inter-cell movement minimisation in a cellular manufacturing system having stochastic parameters
Bettayeb et al. Quality and exposure control in semiconductor manufacturing. Part II: Evaluation
Guo et al. A decision support system for automotive product planning and competitive market analysis
Krishnaiah Applied Statistical Quality Control and Improvement
Alinejad et al. Combination VIKOR model and measurement systems analysis (MSA)
Maier Autonomous parameter selection of manufacturing processes with applications in grinding and turning
Oberoi et al. Impact of new technology and sourcing practices in managing tactical and strategic manufacturing flexibilities-an empirical study
Koch et al. Capacitated multi-item lot sizing problem with client prioritization in tire industry
Zhang et al. Experimental investigation and multi-objective optimization approach for low-carbon milling operation of aluminum

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