CN113544599A - 执行过程并优化在该过程中使用的控制信号的方法 - Google Patents
执行过程并优化在该过程中使用的控制信号的方法 Download PDFInfo
- Publication number
- CN113544599A CN113544599A CN201980093765.5A CN201980093765A CN113544599A CN 113544599 A CN113544599 A CN 113544599A CN 201980093765 A CN201980093765 A CN 201980093765A CN 113544599 A CN113544599 A CN 113544599A
- Authority
- CN
- China
- Prior art keywords
- control signal
- values
- optimal
- operations
- measurable
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 309
- 230000008569 process Effects 0.000 title claims abstract description 162
- 230000001364 causal effect Effects 0.000 claims abstract description 71
- 230000000694 effects Effects 0.000 claims abstract description 65
- 238000005070 sampling Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 description 19
- 238000004519 manufacturing process Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 230000007547 defect Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000000692 Student's t-test Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 229920000139 polyethylene terephthalate Polymers 0.000 description 2
- 239000005020 polyethylene terephthalate Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005245 sintering Methods 0.000 description 2
- 238000012353 t test Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013036 cure process Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- -1 polyethylene terephthalate Polymers 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000005549 size reduction Methods 0.000 description 1
- 238000000551 statistical hypothesis test Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- G05B13/04—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
-
- 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
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
- B60W40/064—Degree of grip
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- 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
- 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
- G05B13/024—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 parameter or coefficient 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
- 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
-
- 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
- G05B13/041—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 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41835—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by programme execution
-
- 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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0229—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
-
- 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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G05B23/0245—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 qualitative model, e.g. rule based; if-then decisions
- G05B23/0248—Causal models, e.g. fault tree; digraphs; qualitative physics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/043—Distributed expert systems; Blackboards
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G05B2219/36—Nc in input of data, input key till input tape
- G05B2219/36301—Optimisation of sequence of operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Educational Administration (AREA)
- Transportation (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Mechanical Engineering (AREA)
- Accounting & Taxation (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Computer Interaction (AREA)
Abstract
本发明描述了一种使用多个控制信号执行一过程并产生多个可测量结果的方法。该方法包括通过至少以下方式优化多个控制信号:接收多个过程约束;对于每个可测量结果,接收最佳范围;对于每个控制信号,接收多个潜在最佳值;迭代地执行该过程,其中对于每次过程迭代,从针对每个控制信号所接收的所述多个潜在最佳值中选择所述控制信号的值;对于每次过程迭代,测量该多个可测量结果中的每个结果;以及生成该控制信号的置信区间以确定该控制信号与该可测量结果之间的因果关系。该方法包括:至少使用由该因果关系确定的该控制信号来执行该过程,以因果性地影响该可测量结果中的至少一个可测量结果。
Description
背景技术
过程诸如制造过程可利用控制系统,该控制系统提供一个或多个控制信号以用于控制过程的各个方面以产生期望的结果。
发明内容
在本说明书的一些方面,提供了一种执行一过程的方法。该方法可使用多个控制信号并产生多个可测量结果。该方法可包括通过至少以下方式优化多个控制信号:接收多个过程约束;对于每个可测量结果,接收最佳范围;对于每个控制信号,接收多个潜在最佳值;迭代地执行该过程,其中对于每次过程迭代,从针对每个控制信号所接收的多个潜在最佳值中选择所述控制信号的值;对于每次过程迭代,测量所述多个可测量结果中的每个结果;以及生成所述控制信号的置信区间以确定所述控制信号与所述可测量结果之间的因果关系。该方法可包括:至少使用由因果关系确定的控制信号来执行该过程,以因果性地影响可测量结果中的至少一个可测量结果。
在本说明书的一些方面,提供了一种执行一过程的方法。该方法可使用多个控制信号并产生一个或多个可测量结果。该方法可包括通过至少以下方式确定多个控制信号的最佳值:接收一组操作约束;基于所接收的一组操作约束,生成在预期最佳操作范围内的预期最佳值;迭代地生成在对应的操作范围内的控制信号值,使得对于至少一次迭代,控制信号值中的至少一个控制信号值不同于先前迭代中的对应的控制信号值,并且控制信号值中的至少一个控制信号值但并非全部控制信号值在先前迭代中的操作范围之外;对于每次迭代,测量所述一个或多个可测量结果的值;以及生成控制信号的置信区间以确定控制信号与一个或多个可测量结果之间的因果关系。该方法可包括至少使用由所述因果关系确定的所述控制信号的最佳值来执行所述过程,以因果性地影响所述一个或多个可测量结果中的至少一个可测量结果。
在本说明书的一些方面,描述了一种执行一过程的方法。该方法可使用多个控制信号并产生一个或多个可测量结果。该方法可包括通过至少以下方式确定多个控制信号的最佳操作范围,该多个控制信号在最佳操作范围内操作并且具有在最佳操作范围内的对应值:接收一组操作约束;基于所接收的一组操作约束生成控制信号的预期最佳操作范围,其中控制信号预期在预期最佳操作范围内操作并且具有在预期最佳操作范围内的对应值;生成第一操作范围,所述控制信号在第一操作范围内操作并且具有在第一操作范围中的对应值;对所述第一操作范围和所述预期最佳操作范围之间的第一间隙进行定量;修改在所述第一操作范围内操作的所述控制信号中的至少一个控制信号以形成第二操作范围,所述控制信号在第二操作范围内操作并且具有在第二操作范围中的对应值,使得所述控制信号值中的至少一个控制信号值但并非全部控制信号值在所述第一操作范围之外,并且所述第二操作范围和所述预期最佳操作范围之间的第二间隙小于所述第一间隙;以及生成控制信号的置信区间以确定控制信号与一个或多个可测量结果之间的因果关系。该方法可包括:至少使用由因果关系确定的控制信号来执行该过程,以因果性地影响一个或多个可测量结果中的至少一个可测量结果。
在本说明书的一些方面,描述了一种执行一过程的方法。该方法可使用多个控制信号并产生多个可测量结果。该方法可包括通过至少以下方式优化多个控制信号:对于每个控制信号,从控制信号的一组预先确定的潜在最佳值中选择多个潜在最佳值,并且以预先确定的序列布置潜在最佳值;以至少第一操作迭代序列执行所述过程,其中对于所述第一操作迭代序列中的每一对连续的第一操作迭代和第二操作迭代,所述第一操作迭代中的一个所选择的控制信号的所述潜在最佳值在所述第二操作迭代中被替换为所选择的控制信号在所述潜在最佳值的对应的预先确定的序列中的下一个潜在最佳值,同时在所述第二操作迭代中保持所述第一操作迭代中其余控制信号的所述潜在最佳值;对于至少所述第一操作迭代序列中的每个操作迭代,测量所述多个可测量结果中的每个结果;以及生成所述控制信号的置信区间以确定所述控制信号与所述可测量结果之间的因果关系。该方法可包括:至少使用由因果关系确定的控制信号来执行该过程,以因果性地影响可测量结果中的至少一个可测量结果。
在本说明书的一些方面,提供了一种优化用于执行一过程的多个控制信号的方法。该过程可导致多个可测量结果。该方法可包括:接收多个过程约束;对于每个可测量结果,接收最佳范围;对于每个控制信号,接收多个潜在最佳值;迭代地执行该过程,其中对于每次过程迭代,从针对每个控制信号所接收的所述多个潜在最佳值中选择所述控制信号的值;对于每次过程迭代,测量所述多个可测量结果中的每个结果;以及生成所述控制信号的置信区间以确定所述控制信号与所述可测量结果之间的因果关系。
在本说明书的一些方面,提供了一种确定用于在最佳操作范围内操作的多个控制信号的最佳值的方法。该方法可包括:接收一组操作约束;基于所接收的一组操作约束,生成在预期最佳操作范围内操作的预期最佳值;以及迭代地生成在对应的操作范围内操作的控制信号值,使得对于至少一次迭代,控制信号值中的至少一个控制信号值不同于先前迭代中的对应的控制信号值,并且控制信号值中的至少一个控制信号值但并非全部控制信号值在先前迭代中的操作范围之外。
在本说明书的一些方面,提供了一种确定多个控制信号的最佳操作范围的方法,该多个控制信号在最佳操作范围内操作并且具有在最佳操作范围内的对应值。该方法可包括:接收一组操作约束;基于所接收的一组操作约束生成控制信号的预期最佳操作范围,其中控制信号预期在预期最佳操作范围内操作并且具有在预期最佳操作范围内的对应值;生成第一操作范围,控制信号在第一操作范围中操作并且具有在第一操作范围中的对应值;对所述第一操作范围和所述预期最佳操作范围之间的第一间隙进行定量;以及修改在所述第一操作范围内操作的所述控制信号中的至少一个控制信号以形成第二操作范围,所述控制信号在第二操作范围中操作并且具有在第二操作范围中的对应值,使得所述控制信号值中的至少一个控制信号值但并非全部控制信号值在所述第一操作范围之外,并且所述第二操作范围和所述预期最佳操作范围之间的第二间隙小于所述第一间隙。
在本说明书的一些方面,提供了一种优化用于执行一过程的多个控制信号的方法,其中该过程产生多个可测量结果。该方法可包括:对于每个控制信号,从控制信号的一组预先确定的潜在最佳值中选择多个潜在最佳值,并且以预先确定的序列布置潜在最佳值;以至少第一操作迭代序列执行所述过程,其中对于所述第一操作迭代序列中的每一对连续的第一操作迭代和第二操作迭代,所述第一操作迭代中的一个所选择的控制信号的所述潜在最佳值在所述第二操作迭代中被替换为所选择的控制信号在所述潜在最佳值的对应的预先确定的序列中的下一个潜在最佳值,同时在所述第二操作迭代中保持所述第一操作迭代中其余控制信号的所述潜在最佳值;对于至少所述第一操作迭代序列中的每个操作迭代,测量所述多个可测量结果中的每个结果;以及生成所述控制信号的置信区间以确定所述控制信号与所述可测量结果之间的因果关系。
附图说明
图1是示意性地示出优化控制信号的方法的流程图;
图2是优化控制信号的方法的示意图;
图3A至图3B是控制信号的潜在最佳值的预先确定的集合的示意图;
图4A至图4C是控制信号的置信区间的示意图;
图5是控制信号的品质因数的置信区间的示意图;
图6是品质因数中使用的权重的变化的示意图;
图7是确定控制信号的方法的示意图;
图8A至图8C是控制信号的置信区间的示意图;
图9是控制信号的随迭代变化的置信区间的示意图;
图10至图11是优化多个控制信号的方法的示意图;
图12是控制信号的潜在最佳值的子集的示意图;
图13A至图13C示意性地示出了控制信号的分布;
图14是系统的示意图;以及
图15是在优化用于执行一过程的控制信号的方法中确定的品质因子的曲线图。
具体实施方式
在以下说明中参考附图,该附图形成本发明的一部分并且其中以举例说明的方式示出各种实施方案。附图未必按比例绘制。应当理解,在不脱离本说明书的范围或实质的情况下,可设想并进行其他实施方案。因此,以下具体实施方式不应被视为具有限制意义。
本文所述的方法可应用于优化控制信号,以用于为多种应用生成期望的或最佳的可测量结果,所述应用诸如例如制造过程控制、电网控制、电池管理、电子商务应用、显示器管理、传感器应用和设施控制。例如,在显示器应用中,控制信号可以是用于控制像素驱动方案的信号,并且可测量结果可包括像素寿命。又如,在传感器应用中,控制信号可控制传感器网络中的传感器的校准和/或解释,并且可测量结果可包括来自网络的结果的准确性的量度。本文所述的方法可应用于多种制造过程,例如包括以下美国专利申请中所述的那些:美国专利申请公布2001/0047846(Currens等人)、2004/0099993(Jackson等人)、2006/0274244(Battiato等人)、2010/0103521(Smith等人)、2010/0201242(Liu等人)、2013/0038939(Walker,Jr.等人)以及美国专利5,882,774(Jonza等人)和5,976,424(Weber等人)。作为一个例示性制造过程示例,所述方法可用于确定用于制造膜诸如增亮膜的过程中的最佳控制信号。例如,控制信号可以控制线速度、烘箱温度或粘度(例如,通过材料组成)中的一个或多个,并且可测量结果可以包括由增亮膜提供的轴向亮度增益、缺陷密度和棱镜间距中的一个或多个。
在一些实施方案中,提供了多个过程或操作约束。例如,在制造过程中,约束可以是对线速度、加工温度和/或材料组成的合适限制。在一些情况下,在进行该方法的同时修改或更新过程或操作约束。该过程可产生多个可测量结果,其可被表示为P1、P2、......Pn。例如,增亮膜制造示例中的可测量结果可以包括轴向亮度增益(P1)、缺陷密度(P2)和棱镜间距(P3)中的一个或多个。在一些实施方案中,为每个可测量结果提供最佳范围。最佳范围是可测量结果的期望值的范围。最佳范围可表示为PV1、PV2、......PVn,其中PVi对应于Pi。例如,轴向亮度增益(P1)的最佳范围(PV1)可为P1≥1.8,缺陷密度(P2)的最佳范围(PV2)可为P2≤15/cm2,并且间距(P3)的最佳范围(PV3)可为11.5微米≤P3≤12.5微米。
根据本发明的一些实施方案的方法包括确定控制信号和可测量结果之间的因果关系。因果关系可被测量为与改变控制信号相关联的可测量结果具有统计意义上的显著差异,同时保持所有其他控制信号不变,并且阻止已知或疑似与可测量结果共变的外部变量/因素。可测量结果的差异可被计算并且存储为d评分,并且统计显著性的评估可通过计算每个d评分分布的平均值周围的置信区间来完成,这量化了控制信号变化的因果效应的预期值及其周围的不确定性(并且表示推断精度的量度或程度)。在一些情况下,确定控制信号和可测量结果之间的因果关系包括确定至少一个控制信号对至少一个可测量结果没有统计意义上的显著因果效应,并且可包括针对至少一个其他控制信号和/或至少一个其他可测量结果确定控制信号对可测量结果具有统计意义上的显著因果效应。在一些实施方案中,该方法包括:至少使用由所述因果关系确定的所述控制信号来执行所述过程,以因果性地影响至少一个可测量结果。在实施该方法时,可保持并且更新因果关系。在一些实施方案中,在更新因果关系时,该方法包括为控制信号重复选择不同的值,并且测量不同值对过程的可测量结果的影响。在一些实施方案中,该方法包括生成或选择过程迭代中使用的控制信号的值,其中在稍后的迭代中生成或选择的控制信号值至少部分地取决于在先前的迭代中确定的因果关系。在一些实施方案中,至少部分地基于置信区间来确定控制信号的最佳值。例如,置信区间可指示控制信号的值在由置信区间指定的值的范围内生成最佳测量结果。
根据一些实施方案的方法包括对贫乏的(impoverished)输入进行操作的能力,其中条件或交互最初是未知的、不完整的或假设的估计,并且随时间的推移通过例如置信区间的解释和自适应使用来学习。例如,解释和自适应使用置信区间以自动地理解和利用过程决策的影响(改变控制信号)允许通过概率匹配来进行透明且最佳的遗憾管理。具体地,置信区间的计算可允许风险调整的优化,因为这可以量化过程决策的最佳和最坏情况的预期效用。根据一些实施方案的方法可以标识和调整否则将混淆、引入偏差和/或掩蔽因果知识并且限制优化结果的错误输入(例如,假的假设),以及监测和动态地适应控制信号和可测量结果之间的因果关系的变化(例如,由于设备故障、磨损、原料变化、或气候变化导致)。
本文所述的一些方法涉及2019年3月15日提交的标题为“用于持续测试、诊断和优化的深度因果学习(Deep Causal Learning for ContinuousTesting,Diagnosis,andOptimization)”的美国临时专利申请号62/818816中描述的方法。
图1为示意性地示出本发明的方法的一些实施方案的流程图。方法500可包括接收输入的步骤102。所接收的输入可包括以下中的一个或多个:过程约束、每个可测量结果的最佳范围(例如,期望的结果)、每个控制信号的潜在最佳值(例如,预期实现最佳范围并满足过程约束的控制信号的值)以及任选地外部变量114的值诸如天气条件。步骤102还可包括处理所接收的输入。例如,输入可包括针对每个控制信号的一组预先确定的潜在最佳值,并且步骤102可包括针对每个控制信号从控制信号的一组预先确定的潜在最佳值中选择多个潜在最佳值,并且以预先确定的序列布置潜在最佳值。在一些实施方案中,输入信息中的至少一些输入信息可由如由线条103示意性地指示的多个可测量参数中的一个或多个可测量参数提供或更新(例如,操作者可基于所测量的结果调整过程约束以缩小或扩展搜索空间)。来自一个过程迭代序列的(例如,在步骤107和/或108中确定的)测量结果可用作后续过程迭代序列的输入信息。在一些实施方案中,可至少部分地基于如由线105示意性地指示的置信区间来更新输入信息中的至少一些输入信息。例如,一个或多个过程约束和/或控制信号的一组或多组潜在最佳值可随着关于由方法500确定的因果关系的信息的累积而更新(例如,当发现基于置信区间的最佳值处于当前集合或范围的边界时,可以更新一组潜在最佳值)。
方法500包括迭代地执行步骤104、106和108。在步骤104中,确定控制信号的值。在一些实施方案中,步骤102包括接收每个控制信号的多个潜在最佳值,并且步骤104包括从针对控制信号所接收的多个潜在最佳值中选择(例如,随机地、经由汤普森采样或经由概率匹配)所述控制信号的值。在一些实施方案中,多个潜在最佳值选自一组预先确定的潜在最佳值。在一些实施方案中,生成控制信号的操作范围(例如,至少部分地基于步骤102中接收的一组操作约束),并且在该操作范围内生成控制信号的值。在步骤106中,执行使用控制信号的过程(例如,可使用控制例如线速度、流速或加工温度中的一者或多者的多个控制信号的制造过程)。在步骤108中,确定可测量结果中的至少一些(例如,可在连续过程中测量的缺陷密度或性能属性)。在一些实施方案中,在完成迭代地执行该过程之后,测量其他可测量结果(例如,在连续过程中可能不容易确定的性能属性)。这在图1中示意性地示出为步骤107,其中测量附加结果。在一些实施方案中,在步骤108中测量在方法500中测量的所有可测量结果,并且省略步骤107。在其它实施方案(例如,间歇方法)中,在步骤107中测量在方法中测量的所有可测量结果,并且省略步骤108。
方法500包括生成置信区间的步骤112,该置信区间可由测量的结果和控制信号的值的历史来确定。例如,置信区间可以在每个步骤处生成,或者可以仅在已经执行指定数量的步骤之后生成,或者可以在已经执行指定数量的步骤之后初始生成,然后在每个后续步骤之后或者在每个指定数量的步骤之后更新,或者可以在完成迭代地执行过程之后生成。置信区间可用于确定控制信号与可测量结果之间的因果关系,并且当可用时,可在步骤104中用于确定控制信号的下一个值。如果在完成迭代地执行过程106之后在步骤107中测量附加的可测量结果,则这些结果可在步骤112中用于生成或更新随后执行过程时可利用的置信区间。即使当在步骤107中测量附加的可测量结果时,在迭代地执行过程时测量的那些可测量结果的置信区间也可以在完成迭代地执行过程之前确定,并且可用于做出过程决定(例如,在步骤104中)。在一些实施方案中,该方法500包括:至少使用由所述因果关系确定的所述控制信号来执行所述过程,以因果性地影响可测量结果中的至少一个可测量结果。在该步骤中使用的控制信号的值可以是通过该方法确定的优化值。该步骤可在步骤106中迭代地执行过程完成之后进行,或者可为在迭代地执行过程时执行的步骤106中的一个步骤。例如,可进行足够数量的迭代以确定置信区间和控制信号的最佳值的估计值,然后可在下一次迭代期间执行该执行过程的步骤,其至少使用由因果关系确定的控制信号(例如,控制信号的估计最佳值)来执行过程,以因果性地影响可测量结果中的至少一个可测量结果。迭代过程可在该步骤之后继续,以例如响应于变化的外部变量来进一步细化控制信号的最佳值的估计和/或调整最佳值。在其他实施方案中,在完成迭代地执行该过程之后以及在可选步骤107之后和在步骤112已经完成之后,方法500包括至少使用由因果关系确定的控制信号来执行该过程,以因果性地影响可测量结果中的至少一个可测量结果。
过程步骤106可以在足以允许确定控制信号和所测量的结果之间的因果效应的持续时间内操作。在一些实施方案中,步骤106的持续时间随着过程迭代地执行而变化。在一些实施方案中,至少部分地基于先前确定的因果关系来确定步骤106的持续时间。在一些实施方案中,持续时间可随控制信号值而变化(例如,就线速度而言)。在一些实施方案中,控制信号中的一个或多个控制信号可确定用于测量结果的一组协议,该组协议可包括不同的持续时间或位置(例如,当效应在空间和时间方面传播所需的时间长度不确定时)。
在一些实施方案中,方法500包括接收外部变量114的值或测量值。例如,外部变量114可包括天气数据。在一些实施方案中,该方法包括确定d评分是否与外部变量114相关。如果d评分分布被确定为与外部变量114相关联,则可针对外部变量的不同范围确定置信区间(例如,不同的温度范围和/或不同的湿度范围)。这可减少或消除将由这些不受控制的外部变量引起的因果估计的偏差,并且可有助于提高因果模型的精度和准确度(置信区间),并且允许更细致的上下文过程控制。
图2是执行过程40的方法100的示意图。该过程使用多个控制信号(表示为1、2和3)并产生多个可测量结果(P1-P3)。方法100包括优化多个控制信号(例如,生成控制信号的最佳值的估计值),其中优化控制信号包括:接收多个过程约束20;对于每个可测量结果,接收最佳范围(PV1-PV3);对于每个控制信号(1-3),接收多个潜在最佳值(1′-1″′,2′-2″′,3′-3″′);以及迭代地(a-c)执行该过程。在一些实施方案中,预期多个潜在最佳值(例如,基于在接收或更新潜在最佳值时可用的信息)与过程约束一致,并且每个可测量结果在可测量结果的最佳范围内。在一些实施方案中,不仅可以为各个控制信号定义约束,而且还可以为控制信号的组合定义约束。在一些实施方案中,控制信号之间可存在交互,使得控制信号值的最优性取决于其他控制信号的值。如果期望当控制信号对于其它控制信号的至少一些值具有潜在最佳值时满足过程约束,则期望控制信号的潜在最佳值与过程约束一致。类似地,如果期望当控制信号对于其它控制信号的至少一些值具有潜在最佳值时每个可测量结果在对应的最佳范围内,则期望控制信号的潜在最佳值与每个可测量结果在可测量结果的最佳范围内一致。
在一些实施方案中,对于每次过程迭代,从针对每个控制信号所接收的所述多个潜在最佳值中选择所述控制信号的值。在一些实施方案中,对于每次过程迭代,从针对控制信号所接收的多个潜在最佳值中随机选择(例如,基于均匀分布、泊松分布、高斯分布、二项分布或任何其他分布随机选择)所述控制信号的值。如图3A至图3B中示意性地示出的,在一些实施方案中,每个控制信号(例如,控制信号1)的潜在最佳值(例如,1′、1″、1″′)选自(例如,随机地,以最大化所选的潜在最佳值之间的距离)控制信号的预先确定的组51、52的潜在最佳值(例如,1a至1l)。如图3B中示意性地示出的,在一些实施方案中,对于至少一个控制信号(例如,控制信号2),潜在最佳值的集合52是连续集合(2A至2B的范围)。在连续集合的情况下,可以从集合中均匀地或随机地选择离散的潜在最佳值。另选地,连续范围可被分成子范围,并且值可例如从每个子范围被随机采样。
用于控制信号的潜在最佳值(例如,1a-1l)的预先确定的集合(例如,51)可以使得期望最佳范围(例如,PV1-PV3)由从预先确定的集合中选择的控制信号产生和/或使得当从预先确定的集合中选择控制信号时期望满足过程约束。在一些实施方案中,对于至少一次过程迭代,从多个潜在最佳值的子集(例如,子集1′、1″)中(例如,随机地)选择至少一个控制信号的值,该潜在最佳值被接收以用于控制信号和/或存储的置信区间的值。在一些实施方案中,至少部分地基于可测量结果的存储值和/或置信区间的存储值来选择子集。在一些实施方案中,在执行过程时,对于至少一个控制信号,改变多个潜在最佳值(参见例如图10)。该变化可至少部分地基于可测量结果的存储值和/或置信区间的存储值。在一些实施方案中,对于至少一些过程迭代,从针对每个控制信号所接收的所述多个潜在最佳值中选择所述控制信号的值,至少部分地基于可测量结果的存储值和/或置信区间的存储值(例如,控制信号的值可基于至少部分地从置信区间确定的分布从潜在最佳值中选择)。
在一些实施方案中,在迭代地执行过程时,修改多个过程约束中的至少一个约束(如图2中修改的过程约束20′所示意性地指示)。例如,该方法可确定控制信号的最佳值在初始的多个过程约束之外(例如,通过确定可测量结果随着接近过程约束的边界而改善),并且可以放松一个或多个约束(同时在一些情况下可能收紧一个或多个其他约束),同时仍然满足所接收的可测量结果的最佳范围。对至少一个约束的修改可手动地(例如,人力监管人)或自动地(例如,人工智能代理)进行。例如,如果该方法确定控制信号的最佳值正在接近由约束限定的搜索空间的边界,则该方法可包括寻求授权(例如,来自实施该方法的系统的监管人、系统管理员或其他用户)以改变约束,以便扩展控制信号的可能值的空间。
方法100还包括对于每次过程迭代,测量多个可测量结果中的每个结果。在一些实施方案中,在迭代地执行过程时测量至少一个可测量结果(例如,P3);并且在迭代地执行该过程完成之后测量至少一个其他可测量结果(例如,P1)。例如,可在迭代地执行该过程的同时(例如,实时地)测量间距,而可在完成迭代地执行该过程之后(例如,在针对每次迭代收集样本并且然后测量设备中的样本的亮度增益之后)测量轴向亮度增益。
该方法100还可包括为控制信号生成置信区间以确定控制信号与可测量结果之间的因果关系。图4A至图4C分别示意性地示出了控制信号1的置信区间C11′至C11″′、C21′至C21″′和C31′至C31″′。Cmn是当控制信号n具有给定值时可测量结果Pm的置信区间,例如,该值可以是指定值(例如,1′、1″或1″′)或来自最近的迭代的值。例如,C21″是当控制信号1取值1″时可测量结果P2的置信区间。可以针对指定的置信水平确定置信区间。例如,该方法可包括执行t检验或其他统计假设检验以构建P%置信区间,其中P为固定值,例如,90%、或95%、或97.5%、或99%。
生成用于控制信号的置信区间以确定控制信号和可测量结果之间的因果关系可包括针对控制信号的至少一些潜在最佳值生成至少一个可测量结果的置信区间。例如,控制信号1、2和3与可测量结果P1、P2和P3之间的因果关系可以是,将控制信号1从指定的潜在最佳值改变一个单位导致P1在第一置信区间内改变,并且将控制信号2从指定的潜在最佳值改变一个单位导致P1在第二置信区间内改变。在一些实施方案中,生成控制信号的置信区间包括针对每个控制信号(例如,控制信号1)的每个潜在最佳值(例如,1′、1″、1″′)生成置信区间,以确定控制信号的潜在最佳值与每个可测量结果(例如,P1、P2、P3)之间的因果关系。在一些实施方案中,方法100包括至少使用由因果关系确定的控制信号来执行该过程以因果性地影响至少一个可测量结果(例如,使用由该过程确定的控制信号的优化值)。
在一些实施方案中,每个置信区间(例如,C11′)包括上限17a和下限17b,并且如果对于多个控制信号中的一控制信号(例如,控制信号1),控制信号的潜在最佳值(例如,1′、1″、1″″)的置信区间(例如,C11′、C11″、C11″′)不重叠,则控制信号的最佳值被选为对应于具有最高下限17b的置信区间(例如,C11′)的控制信号的潜在最佳值(例如,1′)。例如,可能期望使由置信区间表征的可测量结果最大化。
在一些实施方案中,每个置信区间(例如,C11′)包括上限17a和下限17b,并且如果对于多个控制信号中的一控制信号(例如,控制信号1),控制信号的潜在最佳值(例如,1′、1″、1″″)的置信区间(例如,C11′、C11″、C11″′)不重叠,则控制信号的最佳值被选为对应于具有最低上限17a′的置信区间(例如,C11′)的控制信号的潜在最佳值(例如,1′)。例如,可能期望使由置信区间表征的可测量结果最小化。
在一些实施方案中,如果对于多个控制信号中的一控制信号(例如,控制信号1),控制信号的潜在最佳值(例如,1′、1″、1″′)的置信区间(例如,C31′、C31″、C31″′)重叠,则控制信号的最佳值被选择为控制信号的潜在最佳值(例如,1′、1″、1″′)中的任何一个。可以从潜在最佳值中随机选择控制信号,或者可以基于用于选择最佳值的任何合适的采样算法来选择。在一些实施方案中,如果对于多个控制信号中的一控制信号,控制信号的潜在最佳值的置信区间是重叠的,则通过从控制信号的潜在最佳值中进行汤普森采样或概率匹配来选择控制信号的最佳值。汤普森采样和概率匹配在本领域中是已知的,并且例如在美国专利公布号2017/0278114(Renders)、2017/0109642(Kawale等人)、2019/0244110(Qiu等人)和美国专利号10,133,983(Chelian等人)中有所描述。
过程迭代的持续时间可随着进行该方法而变化(参见例如图10)。在方法100的一些实施方案中,至少部分地基于在至少一个先前操作迭代中测量的可测量结果和/或基于置信区间的值来确定至少一个后续操作迭代的持续时间。在一些实施方案中,持续时间由控制信号指定。在一些实施方案中,可在同一迭代内测量多个持续时间。例如,当表征因果效应的动态性质时,可在不同的持续时间和位置测量每个可测量结果以理解该效应如何在空间和时间方面通过系统进行传播。
图5示意性地示出了品质因数(FOM)的置信区间,该品质因数是可测量结果的函数。CFn是当控制信号n具有给定值时FOM的置信区间。可针对每个控制信号确定置信区间CFn。在一些实施方案中,生成控制信号的置信区间包括将品质因数定义为可测量结果的函数,以及生成控制信号的置信区间(例如,CF1′)以确定控制信号与品质因数之间的因果关系。在一些实施方案中,FOM还可以包括软约束。例如,如果可测量结果应该大于1.2,则可以包括连续型罚函数,其中当可测量结果进一步降低至1.2以下时,惩罚呈指数增长。在一些实施方案中,生成控制信号的置信区间包括针对每个控制信号n的每个潜在最佳值生成置信区间CFn。在一些实施方案中,品质因数是或者包括可测量结果的加权函数,其中加权函数将预先确定的权重分配给每个可测量结果。例如,FOM可以被定义为P1+bP2+c P3,如图6所示,其中值a、b和c中的每一个值都是预先确定的权重。在一些实施方案中,FOM是可测量结果的非线性函数。例如,FOM可以是P1+b P22+c P3。在一些实施方案中,在迭代地执行过程时,改变分配给可测量结果中的至少一个可测量结果的预先确定的权重。这在图6中示意性地示出,其中在FOM′中使用的权重b在FOM″中改变为b′。例如,如果确定第一可测量结果可偏移到对应的最佳范围之外的值,而FOM中没有足够的对应的偏移,则可以增加分配给第一可测量结果的权重。在一些实施方案中,权重被改变,因为总体优化目标已经改变(例如,更高的性能和更低的缺陷密度与更高的收率和更低的性能)。
FOM可被定义为使得FOM的最大值是期望的,或者可以被定义为使得FOM的最小值是期望的。在一些实施方案中,期望最大化品质因数。在一些此类实施方案中,当每个可测量结果在对应的最佳范围内时品质因数较高,并且当至少一个可测量结果在对应的最佳范围之外时品质因数较低。在一些实施方案中,期望最小化品质因数。在一些此类实施方案中,当每个可测量结果在对应的最佳范围内时品质因数较低,并且当至少一个可测量结果在对应的最佳范围之外时品质因数较高。
在一些实施方案中,该方法可包括基于对现有控制信号的因果影响的因果知识动态地且基本上无缝地添加/丢弃控制信号以及/或者添加/丢弃现有控制信号的控制值(更新搜索空间)并且改变操作约束。在一些实施方案中,例如,为了在正常生产过程期间运行该方法,可能需要保持小的操作范围(例如,使得控制信号的变化更像是扰动而不是实验变化的设计)。在一些此类实施方案中,最佳控制信号值通常在初始范围之外。在一些实施方案中,该方法可迭代地向最佳操作范围调节操作范围。
图7是方法200的示意图。在一些实施方案中,方法200是执行一过程(例如,过程40)的方法,其中该过程使用多个控制信号(例如,1、2、3)并产生一个或多个可测量结果(例如,P1至P3)。在一些实施方案中,该方法包括通过至少以下方式确定多个控制信号的最佳值(例如,1o、2o、3o):接收一组操作约束20;基于所接收的一组操作约束,生成在预期最佳操作范围12z内的预期最佳值(例如,1z、2z、3z);以及迭代地(a至e)生成对应的操作范围(12a-e)内的控制信号值(例如,1a-e、2a-e、3a-e),使得对于至少一次迭代(例如,d),控制信号值中的至少一个控制信号值(例如,1d、2d、3d中的至少一个)不同于先前迭代(例如,a)中的对应的控制信号值(例如,1a、2a、3a),并且控制信号值中的至少一个控制信号值(例如,1d、2d中的至少一个)但并非全部控制信号值在先前迭代(例如,b)中的操作范围(例如,12b)之外。多个控制信号的最佳值可在最佳操作范围12o内或在优化操作范围12x内。生成预期最佳值可包括生成预期最佳值使得预期操作约束(例如,基于在生成预期最佳值时可用的知识)得到满足。
在一些实施方案中,方法200还包括接收一个或多个可测量结果(例如,P1至P3)的最佳范围(例如,PV1-PV3),其中最佳范围预期由在预期最佳操作范围12z内操作的控制信号(例如,1、2、3)产生。
在一些实施方案中,方法200(例如,确定多个控制信号的最佳值的步骤)包括对于每次迭代,测量一个或多个可测量结果的值。在一些实施方案中,方法200(例如,确定多个控制信号的最佳值的步骤)还包括生成控制信号的置信区间以确定控制信号与可测量结果之间的因果关系。例如,方法200可以生成图8A至8C中示意性地示出的置信区间C11-C13、C21-C23、C31-C33,这些置信区间是d评分的置信区间,d评分被定义为随机选择控制信号值时的可测量结果与通过概率匹配选择控制信号值时的可测量结果之间的差,这是衡量控制信号变量为该可测量结果提供多少操作益处的度量。如图9中示意性地示出的,置信区间(例如,C21)可随操作迭代而变化。这可由于可用于确定置信区间的可用数据的增加和/或由于控制信号的值的变化而发生。在一些实施方案中,控制信号的值在适当收敛到最佳值之后不再进一步修改。在一些实施方案中,在迭代地生成控制信号值的同时,当多个控制信号中的对应于一个或多个可测量结果(例如,P2)中的至少一个可测量结果的控制信号的置信区间(例如,C21)小于预先确定的置信区间阈值(例如,T21)时,不再修改所述控制信号(例如,控制信号1)。例如,一旦表示基线(所有可能的值/水平的随机采样)与漏洞利用(始终选择最佳值/水平)中的可测量结果之间的差的置信区间很小,则可能期望停止对基线进行采样并且利用100%的时间。
在一些实施方案中,该方法200包括:至少使用由所述因果关系确定的所述控制信号来执行所述过程,以因果性地影响一个或多个可测量结果中的至少一个可测量结果。在该步骤中使用的控制信号的值可以是由方法200确定的最佳值。
在一些实施方案中,在多次迭代(例如,a至d)之后,当执行进一步的迭代(例如,e)时,消除(例如,其值不再变化和/或其不再被认为处于计算的置信区间中)多个控制信号中的一控制信号(例如,控制信号3)。在一些此类实施方案中,或在其他实施方案中,在多次迭代(例如,a-d)之后,当执行进一步迭代(例如,e)时包括新控制信号(例如,控制信号4)(例如,其值先前保持固定并且随后改变,和/或其先前在计算置信区间中不被考虑并且随后在计算置信区间中被利用)。新控制信号可以是多个控制信号中的一控制信号,该控制信号保持在固定值,直到数次迭代之后。类似地,消除的控制信号可以是多个控制信号中的一控制信号,该控制信号一直变化到数次迭代,然后保持在固定值。迭代次数为正数,通常足以使该方法生成至少一些关于控制信号对可测量结果的因果效应的知识。在一些实施方案中,在迭代地生成控制信号值时测量至少一个可测量结果(例如,P1);并且在迭代地生成控制信号值完成之后测量至少一个其他可测量结果(例如,P2),如在其他部分进一步描述的。
预期最佳操作范围12z可以基于对过程的先验知识(例如,基于在本文所述方法的先前实施期间建立的现有因果模型)以及/或者基于所接收的一组操作约束20来生成。例如,预期最佳操作范围12z可以是与先前产生最佳或至少期望的结果的所接收的操作约束一致的操作范围。在一些实施方案中,当迭代地生成控制信号值时,操作约束集中的至少一个被修改。可基于由方法200生成的信息来更新预期最佳操作范围12z。在一些实施方案中,方法200还包括在每次迭代中量化预期最佳操作范围12z和操作范围(例如,12a-e)之间的间隙(例如,50a-e)。例如,间隙可根据控制信号值的变化频率来量化(例如,它们改变值的频率,或者它们离达到最佳值还有多远)。这可以类似于牛顿的用于确定根的当前估计与下一次迭代的估计之间的差距。例如,可定义作为可测量结果的函数的品质因数,使得品质因数的最佳值为零。然后可以将间隙量化为品质因数的当前值除以品质因数相对于其在先前迭代中的值的变化。在一些实施方案中,至少一次迭代(例如,迭代c)的间隙(例如,50c)小于至少一次先前迭代(例如,迭代a)的间隙(例如,50a)。
在一些实施方案中,最佳操作范围12o不同于预期最佳操作范围12z。在一些实施方案中,在通过确定控制信号的最佳值来优化控制信号之后,优化的控制信号(例如,1、4、5)在与最佳操作范围12o和预期最佳操作范围12z不同的优化操作范围12x内操作。例如,最佳操作范围12o可以是理想的操作范围,而由执行方法200产生的优化的操作范围12x可以考虑限制诸如非理想外部变量(例如,湿度太高),并且因此可以与最佳操作范围12o不同。在一些实施方案中,预期最佳操作范围12z和优化的操作范围12x不同(例如,由于不完全收敛)。在一些实施方案中,方法200包括至少使用由因果关系确定的控制信号来执行该过程,以因果性地影响一个或多个可测量结果中的至少一个可测量结果,其中控制信号的值是在优化的操作范围12x内操作的控制信号的最佳值。
在一些实施方案中,方法200是执行一过程的方法,该过程使用多个控制信号(例如,1、2、3)并且产生一个或多个可测量结果(例如,P1至P3)。方法200可包括通过至少以下方式确定多个控制信号的最佳操作范围(例如,最佳操作范围12o;或优化的操作范围12x),该控制信号用于在最佳操作范围内操作并且具有在最佳操作范围(12o或12x)内的对应值(例如,1o、2o、3o;或1x、4x、5x):接收一组操作约束20;基于所接收的一组操作约束生成控制信号的预期最佳操作范围12z,其中控制信号预期在预期最佳操作范围内操作并且具有在预期最佳操作范围内的对应值(例如,1z、2z、3z);生成第一操作范围(例如,12a),控制信号在第一操作范围内操作并且具有在第一操作范围内的对应值(例如,1a、2a、3a);对第一操作范围(例如,12a)和预期最佳操作范围12z之间的第一间隙(例如,50a)进行定量;以及修改在第一操作范围内操作的控制信号中的至少一个(例如,1a、2a、3a中的至少一个)以形成在第二操作范围(例如,12b)中操作并且具有对应值(例如,1b、2b、3b)的控制信号的第二操作范围(例如,12b),使得控制信号值中的至少一个控制信号值(例如,3b)但并非全部控制信号值在第一操作范围之外,并且第二操作范围和预期最佳操作范围之间的第二间隙(例如,50b)小于第一间隙。在一些此类实施方案中,最佳操作范围12o不同于预期最佳操作范围12z。在一些实施方案中,确定最佳的操作范围还包括:针对每次迭代,测量一个或多个可测量结果的值;以及生成所述控制信号的置信区间以确定所述控制信号与所述可测量结果之间的因果关系。
在一些实施方案中,方法200迭代地(例如,12a-e)执行,其中在第一迭代中确定的第二操作范围(例如,12b)被用作接下来的第二迭代的第一操作范围,其中第二迭代确定另一个第二操作范围(例如,12c)。在一些实施方案中,最佳控制信号值可以在初始操作范围之外,并且该方法可以向最佳操作范围迭代地调节操作范围。在一些实施方案中,方法200包括至少使用由因果关系确定的控制信号来执行该过程,以因果地性影响一个或多个可测量结果中的至少一个可测量结果,其中控制信号的值是由方法200确定的最佳控制信号值。
图10至图11是执行使用多个控制信号(1至3)并产生多个可测量结果(P1至P3)的过程40的方法300和方法400的示意图。方法300和/或400包括通过至少以下方式优化多个控制信号:对于每个控制信号(例如,1),从控制信号的一组(例如,51)预先确定的潜在最佳值(例如,1a至1l)中选择多个潜在最佳值(例如,1′、1″、1″′),并且以预先确定的序列布置潜在最佳值;以至少第一操作迭代序列(a、b、c、d、e)执行该过程,其中对于第一操作迭代序列中的每一对顺序的第一(例如,a)操作迭代和第二(例如,b)操作迭代,第一操作迭代中一个所选择的(例如,在第二操作迭代之前随机选择或以其他方式选择的)控制信号(例如,1)的潜在最佳值(例如,1′)在第二操作迭代中被替换为潜在最佳值的对应的预先确定的序列中所选择的控制信号的下一个潜在最佳值(例如,1″),同时在第二操作迭代中保持第一操作迭代中的其余控制信号(例如,2、3)的潜在最佳值(例如,2″′、3″)。在一些实施方案中,对于每个控制信号,从控制信号的预先确定的一组潜在最佳值中随机选择潜在最佳值。优化多个控制信号还可包括:对于至少第一操作迭代序列中的每个操作迭代,测量多个可测量结果中的每个结果;以及生成所述控制信号的置信区间以确定所述控制信号与所述可测量结果之间的因果关系。在一些实施方案中,该方法300或400包括:至少使用由所述因果关系确定的所述控制信号来执行所述过程,以因果性地影响可测量结果中的至少一个可测量结果。例如,图10至图11中的操作h可示意性地表示该步骤。控制信号的值可以是通过方法300或方法400确定的最佳值。
在一些实施方案中,可以选择潜在最佳值(例如,一组预先确定的潜在最佳值或选自该组的多个值)以优化学习(例如,探究过去未广泛探究的值,因此具有较宽的置信区间)或优化总体性能(例如,利用具有更高预期效用的值,如由置信区间之间的重叠所确定的)。
在一些实施方案中,第一序列中的操作迭代连续地进行(第一序列中的一次迭代紧接在第一序列中的另一次迭代之后),并且在其他实施方案中,第一序列中的操作迭代不是连续地进行的(例如,来自不同的第二序列的迭代可在第一序列中的迭代之间进行)。
在一些实施方案中,以至少第一操作迭代序列执行过程还包括以第二操作迭代序列(f、g、h)执行过程,其中对于第二操作迭代序列中的每一对顺序的第一(例如,f)操作迭代和第二(例如,g)操作迭代,第一操作迭代中一个所选择的(例如,随机选择或以其他方式选择的)控制信号(例如,3)的潜在最佳值(例如,3′)在第二操作迭代中被替换为潜在最佳值的对应的预先确定的序列中所选择的控制信号的下一个潜在最佳值(例如,3″),同时在第二操作迭代中保持第一操作迭代中的其余控制信号(例如,1、2)的潜在最佳值。在一些实施方案中,如图11所示,在第一操作迭代序列中的两个操作迭代(例如,a、b)之间执行第二操作迭代序列中的至少一个操作迭代(例如,f)。在一些实施方案中,如图10所示,在第一操作迭代序列(a、b、c、d、e)之后执行第二操作迭代序列(f、g、h)。在一些实施方案中,在至少第一操作迭代序列中执行过程还包括针对不在第一操作迭代序列中的至少一个操作迭代(例如,图11中描绘的操作迭代i或不在第一序列中的第二序列中的任何操作迭代)执行过程。不在第一操作迭代序列中的至少一个操作迭代可以使用与在第一操作迭代序列中使用的控制信号不同的控制信号。例如,图11所示的操作迭代i使用取值4′和5′的控制信号4和控制信号5。
在一些实施方案中,在执行过程时,对于至少一个控制信号,改变所选择的多个潜在最佳值。这在图10中示意性地示出,其中在过程迭代e开始之后并且在过程迭代f开始之前,控制信号1的多个潜在最佳值被改成1″、1″′和1″″。在一些实施方案中,改变的潜在最佳值选自控制信号的一组预先确定的潜在最佳值的子集,其中该子集至少部分地基于可测量结果的存储值和/或置信区间的存储值来选择。例如,预先确定的集合可以是图3A中描绘的集合51,并且子集51′可以是如图12中示意性地示出的值(1e、1f、1g、1h、1i)。在一些实施方案中,从子集中随机选择已改变的潜在最佳值。在一些实施方案中,基于对多个可测量结果中的每个可测量结果的测量,控制信号的潜在最佳值(例如,1′)被替换为控制信号的预先确定的一组潜在最佳值中的另一个潜在最佳值(例如,1″″)。在一些实施方案中,控制信号的潜在最佳值(例如,1')被替换为新的潜在最佳值,该新的潜在最佳值通过两个先前的潜在最佳值之间的插值来获得。例如,可通过对先前两个潜在最佳值的d评分求平均(或利用回归技术来获得新值的d评分)来确定新值的初始d评分,从而初始化新值的因果学习。
在一些实施方案中,进行第一操作迭代序列中的至少一个操作迭代的持续时间与至少一个其他操作迭代的持续时间不同。例如,过程迭代b可以执行持续时间d1,并且过程迭代c可以执行持续时间d2,其中d1>d2,如图10中示意性地示出。在一些实施方案中,至少部分地基于在至少一个先前操作迭代(例如,b)中测量的可测量结果和/或基于置信区间和/或潜在的范围与预期最佳操作范围之间的间隙来确定至少一个后续操作迭代(例如,c)的持续时间。
在一些实施方案中,第一操作迭代中所选择的控制信号(例如,1)的潜在最佳值(例如,1′)在第二操作迭代中被替换为潜在最佳值的对应的预先确定的序列中所选择的控制信号的下一个潜在最佳值(例如,1″),同时保持其余控制信号的值。在一些实施方案中,所选择的控制信号随机地选自多个控制信号。在一些实施方案中,基于多个控制信号中的一控制信号的分布来随机选择所选择的控制信号。图13A至图13C示意性地示出了三种可能的分布53、53′和53″。分布53为每个控制信号分配相等的权重,使得当基于分布53选择控制信号时,每个控制信号被选择的可能性相等。分布53′为控制信号2分配较高权重,并且为控制信号1和控制信号3分配较低权重,使得当基于分布53'选择控制信号时,控制信号2比其他控制信号更有可能被选择。例如,如果该方法在确定期望的可测量输出时确定控制信号2比其他控制信号更重要,或者如果其他控制信号的置信区间低于阈值,则这可能是期望的。在一些实施方案中,在执行过程时,修改分布(例如,从53到53′)。在一些实施方案中,对于至少一个操作迭代,所选择的控制信号选自多个控制信号的子集(例如,子集1、子集2)。例如,可以使用图13C中示意性地示出的分布53″,该分布中为控制信号3分配零概率,使得基于分布53″选择的控制信号选自子集(1、2)。在一些实施方案中,至少部分地基于在先前操作迭代中测量的可测量结果和/或基于置信区间来选择子集。在一些实施方案中,从子集中随机选择所选择的控制信号。
在一些实施方案中,该方法包括以预先确定的序列(例如,1′,1″,1″′)布置潜在最佳值(例如,1′,1″,1″′)。预先确定的序列可被排序以促进d评分计算(例如,以使每次迭代能够计算d评分的可能性最大化)。序列可在达到最后一个潜在最佳值之后反向继续(例如,序列可以为1′、1″、1″′、1″、1′、1″…),使得对于每个潜在最佳值,下一个潜在最佳值被限定并且可接近潜在最佳值(例如,相差一个单位)。
图14是根据一些实施方案的用于执行本说明书的方法的系统800的示意图。系统800包括处理器224和存储器226。输入222(例如,约束,控制信号的潜在最佳值,或可测量结果的最佳范围)可通过用户界面230提供,由处理器224接收并且存储在存储器226中。感兴趣的系统228(例如,制造线或进行由受控信号控制的过程的任何系统)接收控制信号(例如,用于控制线速度或烘箱温度)并将测量结果(例如,制造线上制造的制品的性能属性或缺陷密度)提供给处理器224。处理器224可迭代地更新控制信号并且接收更新的测量结果。处理器224可将控制信号和所测量的结果存储在存储器226中。处理器224可计算置信区间以确定控制信号与可测量结果之间和/或控制信号与品质因数之间的因果关系。在一些实施方案中,本说明书的方法包括提供存储器226和耦接到存储器226的处理器224,其中处理器224被配置为:对于每次过程迭代,将控制信号的值和所测量的结果存储在存储器226中;以及根据所存储的控制信号的值和所测量的结果计算置信区间。在一些实施方案中,通过用户界面230将所得置信区间提供给操作者或用户。
以下为本说明书的示例性实施方案的列表。
第一实施方案是一种执行一过程的方法,所述过程使用多个控制信号并产生多个可测量结果,所述方法包括:
通过至少以下方式优化所述多个控制信号:
接收多个过程约束;
对于每个可测量结果,接收最佳范围;
对于每个控制信号,接收多个潜在最佳值;
迭代地执行所述过程,其中对于每次过程迭代,从针对每个控制信号所接收的所述多个潜在最佳值中选择所述控制信号的值;
对于每次过程迭代,测量所述多个可测量结果中的每个结果;以及
生成所述控制信号的置信区间以确定所述控制信号与所述可测量结果之间的因果关系;以及
至少使用由所述因果关系确定的所述控制信号来执行所述过程,以因果性地影响所述可测量结果中的至少一个可测量结果。
第二实施方案是根据第一实施方案所述的方法,其中:在迭代地执行所述过程的同时,测量至少一个可测量结果;以及在完成迭代地执行所述过程之后,测量至少一个其他可测量结果。
第三实施方案是根据第一实施方案或第二实施方案所述的方法,其中生成所述控制信号的置信区间包括针对每个控制信号的每个潜在最佳值生成置信区间,以确定所述控制信号的潜在最佳值与每个可测量结果之间的因果关系。
第四实施方案是根据第三实施方案所述的方法,其中每个置信区间包括上限和下限,并且其中如果针对所述多个控制信号中的一控制信号,所述控制信号的所述潜在最佳值的置信区间是不重叠的,则将所述控制信号的最佳值选择为所述控制信号的对应于具有最高下限的置信区间的潜在最佳值。
第五实施方案是根据第三实施方案所述的方法,其中每个置信区间包括上限和下限,并且其中如果针对所述多个控制信号中的一控制信号,所述控制信号的所述潜在最佳值的置信区间是不重叠的,则将所述控制信号的最佳值选择为所述控制信号的对应于具有最低上限的置信区间的潜在最佳值。
第六实施方案是根据第三实施方案至第五实施方案中任一项所述的方法,其中如果针对所述多个控制信号中的一控制信号,所述控制信号的所述潜在最佳值的置信区间是重叠的,则通过从所述控制信号的潜在最佳值中进行汤普森采样或概率匹配来选择所述控制信号的最佳值。
第七实施方案是一种执行一过程的方法,所述过程使用多个控制信号并产生一个或多个可测量结果,所述方法包括:
通过至少以下方式确定所述多个控制信号的最佳值:
接收一组操作约束;
基于所接收的一组操作约束,生成在预期最佳操作范围内的预期最佳值;
迭代地生成在对应的操作范围内的控制信号值,使得对于至少一次迭代,控制信号值中的至少一个控制信号值不同于先前迭代中的对应的控制信号值,并且控制信号值中的至少一个控制信号值但并非全部控制信号值在先前迭代中的操作范围之外;
对于每次迭代,测量所述一个或多个可测量结果的值;以及
生成所述控制信号的置信区间以确定所述控制信号与所述一个或多个可测量结果之间的因果关系;以及
至少使用由所述因果关系确定的所述控制信号的最佳值来执行所述过程,以因果性地影响所述一个或多个可测量结果中的至少一个可测量结果。
第八实施方案是根据第七实施方案所述的方法,还包括接收所述一个或多个可测量结果的最佳范围,所述最佳范围预期由在所述预期最佳操作范围内操作的所述控制信号产生。
第九实施方案是根据第七实施方案或第八实施方案所述的方法,其中在迭代地生成控制信号值的同时,当所述多个控制信号中的对应于所述一个或多个可测量结果中的至少一个可测量结果的控制信号的置信区间小于预先确定的置信区间阈值时,不再修改所述控制信号。
第十实施方案是根据第七实施方案至第九实施方案中任一项所述的方法,其中在多次迭代之后,当执行进一步的迭代时消除所述多个控制信号中的一控制信号,或者当执行进一步的迭代时包括新的控制信号。
第十一实施方案是一种执行一过程的方法,所述过程使用多个控制信号并产生一个或多个可测量结果,所述方法包括:
通过至少以下方式确定所述多个控制信号的最佳操作范围,所述多个控制信号在所述最佳操作范围内操作并且具有在所述最佳操作范围内的对应值:
接收一组操作约束;
基于所接收的一组操作约束生成所述控制信号的预期最佳操作范围,所述控制信号预期在所述预期最佳操作范围内操作并且具有在所述预期最佳操作范围内的对应值;
生成第一操作范围,控制信号在第一操作范围中操作并且具有在第一操作范围中的对应值;
对所述第一操作范围和所述预期最佳操作范围之间的第一间隙进行定量;修改在所述第一操作范围内操作的所述控制信号中的至少一个控制信号以形成第二操作范围,所述控制信号在第二操作范围中操作并且具有在第二操作范围中的对应值,使得所述控制信号值中的至少一个控制信号值但并非全部控制信号值在所述第一操作范围之外,并且所述第二操作范围和所述预期最佳操作范围之间的第二间隙小于所述第一间隙;以及
生成所述控制信号的置信区间以确定所述控制信号与所述一个或多个可测量结果之间的因果关系;以及
至少使用由所述因果关系确定的所述控制信号来执行所述过程,以因果性地影响所述一个或多个可测量结果中的至少一个可测量结果。
第十二实施方案是一种执行一过程的方法,所述过程使用多个控制信号并产生多个可测量结果,所述方法包括:
通过至少以下方式优化所述多个控制信号:
对于每个控制信号,从所述控制信号的一组预先确定的潜在最佳值中选择多个潜在最佳值,并且以预先确定的序列布置所述潜在最佳值;
以至少第一操作迭代序列执行所述过程,其中对于所述第一操作迭代序列中的每一对连续的第一操作迭代和第二操作迭代,所述第一操作迭代中的一个所选择的控制信号的所述潜在最佳值在所述第二操作迭代中被替换为所选择的控制信号在所述潜在最佳值的对应的预先确定的序列中的下一个潜在最佳值,同时在所述第二操作迭代中保持所述第一操作迭代中其余控制信号的所述潜在最佳值;
对于至少所述第一操作迭代序列中的每个操作迭代,测量所述多个可测量结果中的每个结果;以及
生成所述控制信号的置信区间以确定所述控制信号与所述可测量结果之间的因果关系;以及
至少使用由所述因果关系确定的所述控制信号来执行所述过程,以因果性地影响所述可测量结果中的至少一个可测量结果。
第十三实施方案是根据第十二实施方案所述的方法,其中以至少所述第一操作迭代序列执行所述过程还包括以第二操作迭代序列执行所述过程,其中对于所述第二操作迭代序列中的每一对连续的第一操作迭代和第二操作迭代,所述第一操作迭代中的一个所选择的控制信号的所述潜在最佳值在所述第二操作迭代中被替换为所选择的控制信号在所述潜在最佳值的对应的预先确定的序列中的下一个潜在最佳值,同时在所述第二操作迭代中保持所述第一操作迭代中其余控制信号的所述潜在最佳值。
第十四实施方案是根据第十三实施方案所述的方法,其中在所述第一操作迭代序列中的两个操作迭代之间执行所述第二操作迭代序列中的至少一个操作迭代。
第十五实施方案是根据第十三实施方案或第十四实施方案所述的方法,其中进行第一操作迭代序列中的至少一个操作迭代的持续时间与第一操作迭代序列中的至少一个其他操作迭代的持续时间不同。
实施例
实施例1
通过导轨位置的差异来控制拉幅机框架中双轴拉伸聚对苯二甲酸乙二醇酯(PET)膜的过程。控制信号A1控制第二导轨相对于第一位置处的第一导轨的位置,并且选自潜在最佳值-1和0。控制信号A2控制第二导轨相对于第一导轨的位置并且在第二位置处选自潜在最佳值-4、-3、-2、0、2和4。使用可表征为缺陷密度的量来限定品质因数(FOM)。期望使FOM最小化。预期潜在最佳值将导致满足过程约束(例如,导轨位置使得膜不撕裂),并且预期FOM在0至0.05的最佳范围内。还测量了膜温度。然而,在该特定示例中,用于控制烘箱温度的控制信号没有变化。
进行优化控制信号A1和A2的方法,其中控制信号选自过程的每次操作迭代中的对应潜在最佳值,并且其中针对每次操作迭代测量FOM和膜温度。为了计算d评分,首先选择对照变量(例如A1),然后选择对于该对照变量相差1个单位/水平但对于另一个对照变量(例如A2=0)相同的两个实验子集(例如子集A1=-1和子集A1=0)。基于进行实验的时间和测量的膜温度的倾向评分匹配随后用于鉴定最相似的实验对,并且计算每一对的品质因数差异(d评分)。针对对照变量的所有可能值重复该过程,并且将D评分聚合为一个分布,该分布表示改变对照变量(例如,将A1从值-1改变为值0(A1:-1→0))对品质因数的影响的重复测量。为了生成预期平均效应的估计值并确定该效应是否具有统计意义上的显著性,通过对该d评分分布进行单个样本t检验来计算95%置信区间。FOM和置信区间边界的所得预期变化(95%置信区间)报告于下表中。
A1、A2的变化 | FOM的预期变化 | 置信区间下边界 | 置信区间上边界 |
A1:-1→0 | -0.005 | -0.007 | -0.003 |
A2:-4→-3 | -0.015 | -0.017 | -0.013 |
A2:-3→-2 | -0.046 | -0.049 | -0.043 |
A2:-2→0 | 0.0015 | 0.002 | 0.005 |
A2:0→2 | 0.025 | 0.023 | 0.025 |
A2:2→4 | 0.0475 | 0.049 | 0.046 |
根据控制信号变化的d评分达一个单位/水平,相对于所有其他水平的平均值计算每个水平的d评分和置信区间。结果提供于下表中。
A1 | 相对于平均值对FOM的影响 | 置信区间下边界 | 置信区间上边界 |
-1 | 0.005 | 0.003 | 0.007 |
0 | -0.005 | -0.007 | -0.003 |
A2 | 相对于平均值对FOM的影响 | 置信区间下边界 | 置信区间上边界 |
-4 | 0.031 | 0.028 | 0.034 |
-3 | 0.013 | 0.011 | 0.015 |
-2 | -0.0415 | -0.044 | -0.039 |
0 | -0.040 | -0.0425 | -0.0375 |
2 | -0.01 | -0.012 | -0.008 |
4 | 0.047 | 0.045 | 0.049 |
由此得出结论,最佳控制信号值为A1=0和A2=-2。
实施例2
以浇铸和固化工艺制备回射膜的工艺如下控制。过程约束是浇注树脂充分固化,并且线速度不小于最小速度Smin且不大于最大速度Smax。控制信号1控制预固化紫外(UV)灯的功率电平,并且具有对应于P1、P2和P3的功率电平的潜在最佳值,其中P1<P2<P3。控制信号2控制后固化UV灯的功率电平,并且具有对应于P4、P5和P6的功率电平的潜在最佳值,其中P4<P5<P6。控制信号3控制线速度并具有对应于Smin和Smax的潜在最佳值。期望控制信号的潜在最佳值导致过程约束得到满足。可测量结果为在8个车道位置中的每一个中确定的回射率(通过平均亮度归一化并且表示为百分比的反射亮度)。每个回射率(Ri)的最佳范围是回射率不小于指定的最小值Rmin(即,Ri≥Rmin)。在8个车道位置处测量的回射率的平均值用作品质因数(FOM)。品质因数中可能包括的额外量是在8个车道位置处测量的回射率的标准偏差(例如,另一个合适的品质因数可以是回射率度量的平均值减去标准偏差)。进行一系列60次过程迭代,其中从潜在最佳值中选择控制信号的值,并且针对每次迭代测量回射率的值。以与实施例1所述类似的方式,由所得数据产生D评分和置信区间。FOM的控制信号的置信区间(95%置信水平)在下表中提供。
从这些结果得出结论,线速度和预固化UV灯是具有Smin的线速度和P1的预固化UV灯功率设置的最强驱动器,从而导致相对于其他设置更高的FOM。据发现,通过优化固化曲线/功率,可以提高回射率并以高于Rmin的任何过量回射率进行权衡以提高高于Smin的线速度,从而导致更大的容量和生产率。
实施例3
通过增材制造控制用于制造烧结部件的工艺的计算机模拟如下进行。过程约束是为了使最终部件满足许多产品规格,包括孔隙率、形状精度和性能测试。控制信号1控制输入材料配方,该输入材料配方被建模为包含X%的部分A和(1-X)%的部分B的两部分混合物,并且具有对应于40%、50%和60%的体积分数的潜在最佳值。对照信号2为补偿烧结过程中尺寸减小的3D比例因子,并且具有对应于1.2、1.25和1.3的比例因子的潜在最佳值。控制信号3控制用于在烧结过程中加热和冷却印刷的“生坯”部件的加热炉温度分布,并且具有对应于三种不同温度分布的潜在最佳值。期望控制信号的潜在最佳值导致过程约束得到满足。可测量结果为最终部件孔隙率(通过计算每个部件的体积和质量来推断)和最大尺寸误差(定义为每个部件相对于目标规格在宽度、长度和高度上的最大差值)。每个可测量结果的最佳范围是孔隙度大于最小值Pmin并且最大尺寸误差低于Emax。Pmin和Emax的典型值可分别为25%和200微米。然而,计算模型利用归一化,使得不需要Pmin和Emax的特定值来确定下文定义的品质因数。模拟一系列20次过程迭代,每次过程迭代由一批15个部件组成,其中控制信号的值选自潜在最佳值,并且针对每次迭代确定孔隙度和最大尺寸误差的值。为了有利于过程优化,将对可测量结果的硬约束转化为软约束函数并如下聚合成单个品质因子函数:FOM=exp(E/Emax)+exp(max(0,Pmin-P)/Pmin),其中E为最大尺寸误差并且P为针对每个部件确定的孔隙率。优化的目的是使品质因数最小化。产生D评分和95%置信区间并用于驱动过程优化。图15示出在模拟中产生20批15个部件份(共300个部件)后品质因数的演变,其中每批经受一组控制信号值。图中示出了其中控制信号被改变以确定最佳值的探测阶段和其中控制信号值从所得的最佳值中被一致地选择的探测阶段。
上述所有引用的参考文献、专利和专利申请以一致的方式全文据此以引用方式并入本文。在并入的参考文献部分与本申请之间存在不一致或矛盾的情况下,应以前述说明中的信息为准。
除非另外指明,否则针对附图中元件的描述应被理解为同样应用于其他附图中的对应的元件。虽然本文已经例示并描述了具体实施方案,但本领域的普通技术人员将会知道,在不脱离本公开范围的情况下,可用多种另选的和/或等同形式的具体实施来代替所示出和所描述的具体实施方案。本申请旨在涵盖本文所讨论的具体实施方案的任何改型或变型。因此,本公开旨在仅受权利要求及其等同形式的限制。
Claims (15)
1.一种执行一过程的方法,所述过程使用多个控制信号并产生多个可测量结果,所述方法包括:
通过至少以下方式优化所述多个控制信号:
接收多个过程约束;
对于每个可测量结果,接收最佳范围;
对于每个控制信号,接收多个潜在最佳值;
迭代地执行所述过程,其中对于每次过程迭代,从针对每个控制信号所接收的所述多个潜在最佳值中选择所述控制信号的值;
对于每次过程迭代,测量所述多个可测量结果中的每个结果;以及
生成所述控制信号的置信区间以确定所述控制信号与所述可测量结果之间的因果关系;以及
至少使用由所述因果关系确定的所述控制信号来执行所述过程,以因果性地影响所述可测量结果中的至少一个可测量结果。
2.根据权利要求1所述的方法,其中:
在迭代地执行所述过程的同时,测量至少一个可测量结果;以及
在完成迭代地执行所述过程之后,测量至少一个其他可测量结果。
3.根据权利要求1所述的方法,其中生成所述控制信号的所述置信区间包括针对每个控制信号的每个潜在最佳值生成置信区间,以确定所述控制信号的所述潜在最佳值与每个可测量结果之间的因果关系。
4.根据权利要求3所述的方法,其中每个置信区间包括上限和下限,并且其中如果针对所述多个控制信号中的一控制信号,所述控制信号的所述潜在最佳值的置信区间是不重叠的,则将所述控制信号的最佳值选择为所述控制信号的对应于具有最高下限的置信区间的潜在最佳值。
5.根据权利要求3所述的方法,其中每个置信区间包括上限和下限,并且其中如果针对所述多个控制信号中的一控制信号,所述控制信号的潜在最佳值的置信区间是不重叠的,则将所述控制信号的最佳值选择为所述控制信号的对应于具有最低上限的置信区间的潜在最佳值。
6.根据权利要求3所述的方法,其中如果针对所述多个控制信号中的一控制信号,所述控制信号的潜在最佳值的置信区间是重叠的,则通过从所述控制信号的潜在最佳值中进行汤普森采样或概率匹配来选择所述控制信号的最佳值。
7.一种执行一过程的方法,所述过程使用多个控制信号并产生一个或多个可测量结果,所述方法包括:
通过至少以下方式确定所述多个控制信号的最佳值:
接收一组操作约束;
基于所接收的一组操作约束,生成在预期最佳操作范围内的预期最佳值;
迭代地生成在对应的操作范围内的控制信号值,使得对于至少一次迭代,所述控制信号值中的至少一个控制信号值不同于先前迭代中的对应的控制信号值,并且所述控制信号值中的至少一个控制信号值但并非全部控制信号值在先前迭代中的操作范围之外;
对于每次迭代,测量所述一个或多个可测量结果的值;以及
生成所述控制信号的置信区间以确定所述控制信号与所述一个或多个可测量结果之间的因果关系;以及
至少使用由所述因果关系确定的所述控制信号的最佳值来执行所述过程,以因果性地影响所述一个或多个可测量结果中的至少一个可测量结果。
8.根据权利要求7所述的方法,还包括接收所述一个或多个可测量结果的最佳范围,所述最佳范围预期由在所述预期最佳操作范围内操作的所述控制信号产生。
9.根据权利要求7所述的方法,其中在迭代地生成控制信号值的同时,当所述多个控制信号中的对应于所述一个或多个可测量结果中的至少一个可测量结果的控制信号的置信区间小于预先确定的置信区间阈值时,不再修改所述控制信号。
10.根据权利要求7所述的方法,其中在多次迭代之后,当执行进一步的迭代时消除所述多个控制信号中的控制信号,或者当执行进一步的迭代时包括新的控制信号。
11.一种执行一过程的方法,所述过程使用多个控制信号并产生一个或多个可测量结果,所述方法包括:
通过至少以下方式确定所述多个控制信号的最佳操作范围,所述多个控制信号在所述最佳操作范围内操作并且具有在所述最佳操作范围内的对应值:
接收一组操作约束;
基于所接收的一组操作约束生成所述控制信号的预期最佳操作范围,所述控制信号预期在所述预期最佳操作范围内操作并且具有在所述预期最佳操作范围内的对应值;
生成第一操作范围,所述控制信号在第一操作范围内操作并且具有在第一操作范围中的对应值;
对所述第一操作范围和所述预期最佳操作范围之间的第一间隙进行定量;修改在所述第一操作范围内操作的所述控制信号中的至少一个控制信号以形成第二操作范围,所述控制信号在第二操作范围内操作并且具有在第二操作范围中的对应值,使得所述控制信号值中的至少一个控制信号值但并非全部控制信号值在所述第一操作范围之外,并且所述第二操作范围和所述预期最佳操作范围之间的第二间隙小于所述第一间隙;以及
生成所述控制信号的置信区间以确定所述控制信号与所述一个或多个可测量结果之间的因果关系;以及
至少使用由所述因果关系确定的所述控制信号来执行所述过程,以因果性地影响所述一个或多个可测量结果中的至少一个可测量结果。
12.一种执行一过程的方法,所述过程使用多个控制信号并产生多个可测量结果,所述方法包括:
通过至少以下方式优化所述多个控制信号:
对于每个控制信号,从所述控制信号的一组预先确定的潜在最佳值中选择多个潜在最佳值,并且以预先确定的序列布置所述潜在最佳值;
以至少第一操作迭代序列执行所述过程,其中对于所述第一操作迭代序列中的每一对连续的第一操作迭代和第二操作迭代,所述第一操作迭代中的一个所选择的控制信号的所述潜在最佳值在所述第二操作迭代中被替换为所选择的控制信号在所述潜在最佳值的对应的预先确定的序列中的下一个潜在最佳值,同时在所述第二操作迭代中保持所述第一操作迭代中其余控制信号的所述潜在最佳值;
对于至少所述第一操作迭代序列中的每个操作迭代,测量所述多个可测量结果中的每个结果;以及
生成所述控制信号的置信区间以确定所述控制信号与所述可测量结果之间的因果关系;以及
至少使用由所述因果关系确定的所述控制信号来执行所述过程,以因果性地影响所述可测量结果中的至少一个可测量结果。
13.根据权利要求12所述的方法,其中以至少所述第一操作迭代序列执行所述过程还包括以第二操作迭代序列执行所述过程,其中对于所述第二操作迭代序列中的每一对连续的第一操作迭代和第二操作迭代,所述第一操作迭代中的一个所选择的控制信号的所述潜在最佳值在所述第二操作迭代中被替换为所选择的控制信号在所述潜在最佳值的对应的预先确定的序列中的下一个潜在最佳值,同时在所述第二操作迭代中保持所述第一操作迭代中其余控制信号的所述潜在最佳值。
14.根据权利要求13所述的方法,其中在所述第一操作迭代序列中的两个操作迭代之间执行所述第二操作迭代序列中的至少一个操作迭代。
15.根据权利要求12所述的方法,其中进行所述第一操作迭代序列中的至少一个操作迭代的持续时间与所述第一操作迭代序列中的至少一个其他操作迭代的持续时间不同。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962818816P | 2019-03-15 | 2019-03-15 | |
US62/818,816 | 2019-03-15 | ||
PCT/IB2019/057648 WO2020188328A1 (en) | 2019-03-15 | 2019-09-11 | Method of performing a process and optimizing control signals used in the process |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113544599A true CN113544599A (zh) | 2021-10-22 |
Family
ID=68052013
Family Applications (11)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980094093.XA Active CN113574325B (zh) | 2019-03-15 | 2019-09-11 | 通过选择控制设置来控制环境的方法和系统 |
CN201980093765.5A Pending CN113544599A (zh) | 2019-03-15 | 2019-09-11 | 执行过程并优化在该过程中使用的控制信号的方法 |
CN201980093416.3A Pending CN113544707A (zh) | 2019-03-15 | 2019-09-11 | 用于连续检测、诊断和优化的深度因果学习 |
CN201980094141.5A Pending CN113574554A (zh) | 2019-03-15 | 2019-09-11 | 使用因果模型操作供应链 |
CN201980094142.XA Pending CN113574475A (zh) | 2019-03-15 | 2019-09-11 | 确定用于控制环境的因果模型 |
CN201980094196.6A Pending CN113574476A (zh) | 2019-03-15 | 2019-09-11 | 确定用于控制环境的因果模型 |
CN201980094032.3A Pending CN113574546A (zh) | 2019-03-15 | 2019-09-11 | 确定用于控制环境的因果模型 |
CN201980094220.6A Active CN113631867B (zh) | 2019-03-15 | 2019-09-11 | 使用因果模型控制制造过程 |
CN201980094103.XA Active CN113574327B (zh) | 2019-03-15 | 2019-09-11 | 通过选择控制设置来控制环境的方法及系统 |
CN202310933600.2A Pending CN117008465A (zh) | 2019-03-15 | 2019-09-11 | 使用因果模型控制制造过程 |
CN201980093844.6A Pending CN113544597A (zh) | 2019-03-15 | 2019-09-11 | 优化用于操作车辆的控制信号的方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980094093.XA Active CN113574325B (zh) | 2019-03-15 | 2019-09-11 | 通过选择控制设置来控制环境的方法和系统 |
Family Applications After (9)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980093416.3A Pending CN113544707A (zh) | 2019-03-15 | 2019-09-11 | 用于连续检测、诊断和优化的深度因果学习 |
CN201980094141.5A Pending CN113574554A (zh) | 2019-03-15 | 2019-09-11 | 使用因果模型操作供应链 |
CN201980094142.XA Pending CN113574475A (zh) | 2019-03-15 | 2019-09-11 | 确定用于控制环境的因果模型 |
CN201980094196.6A Pending CN113574476A (zh) | 2019-03-15 | 2019-09-11 | 确定用于控制环境的因果模型 |
CN201980094032.3A Pending CN113574546A (zh) | 2019-03-15 | 2019-09-11 | 确定用于控制环境的因果模型 |
CN201980094220.6A Active CN113631867B (zh) | 2019-03-15 | 2019-09-11 | 使用因果模型控制制造过程 |
CN201980094103.XA Active CN113574327B (zh) | 2019-03-15 | 2019-09-11 | 通过选择控制设置来控制环境的方法及系统 |
CN202310933600.2A Pending CN117008465A (zh) | 2019-03-15 | 2019-09-11 | 使用因果模型控制制造过程 |
CN201980093844.6A Pending CN113544597A (zh) | 2019-03-15 | 2019-09-11 | 优化用于操作车辆的控制信号的方法 |
Country Status (5)
Country | Link |
---|---|
US (14) | US11927926B2 (zh) |
EP (10) | EP3938716A4 (zh) |
CN (11) | CN113574325B (zh) |
CA (1) | CA3133587A1 (zh) |
WO (10) | WO2020188329A1 (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019162919A (ja) * | 2018-03-19 | 2019-09-26 | 本田技研工業株式会社 | 制御装置、制御方法及びプログラム |
EP3850385A4 (en) | 2018-09-11 | 2022-06-29 | 3M Innovative Properties Company | Active battery management method |
US20220004475A1 (en) * | 2018-11-28 | 2022-01-06 | 3M Innovative Properties Company | Data center infrastructure optimization method based on causal learning |
CN113574325B (zh) | 2019-03-15 | 2022-12-27 | 3M创新有限公司 | 通过选择控制设置来控制环境的方法和系统 |
EP3938853A4 (en) * | 2019-03-15 | 2022-12-28 | 3M Innovative Properties Company | POLISHING SEMICONDUCTOR WAFER USING CAUSALITY MODELS |
JP6890632B2 (ja) * | 2019-06-27 | 2021-06-18 | 東京エレクトロン株式会社 | データ処理装置、データ処理方法及びプログラム |
US20210158259A1 (en) * | 2019-11-25 | 2021-05-27 | David Michael Evans | Orchestrated intelligent supply chain optimizer |
CN115087992B (zh) | 2020-02-28 | 2024-03-29 | 3M创新有限公司 | 用于数据存储和处理能力管理的深度因果学习 |
US11779261B2 (en) * | 2020-09-08 | 2023-10-10 | Advanced Global Clinical Solutions Inc. | Systems and methods for seizure detection with a statistical analysis and an artificial intelligence analysis |
US20220092492A1 (en) * | 2020-09-21 | 2022-03-24 | International Business Machines Corporation | Temporal and spatial supply chain risk analysis |
US20220230481A1 (en) * | 2021-01-18 | 2022-07-21 | The Goodyear Tire & Rubber Company | System for auto-location of tires |
EP4416664A1 (en) | 2021-10-13 | 2024-08-21 | 3M Innovative Properties Company | Systems, media, and methods for adaptive experimentation modeling |
WO2023126912A1 (en) * | 2021-12-27 | 2023-07-06 | Kornit Digital Ltd. | Process parameters for setting up a printing-system for printing on a media |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040049299A1 (en) * | 2002-09-11 | 2004-03-11 | Wilhelm Wojsznis | Integrated model predictive control and optimization within a process control system |
US20170031354A1 (en) * | 2015-07-29 | 2017-02-02 | General Electric Company | Methods, systems, and apparatus for resource allocation in a manufacturing environment |
US20170323231A1 (en) * | 2016-05-06 | 2017-11-09 | General Electric Company | Computing system to control the use of physical state attainment of assets to meet temporal performance criteria |
US20180013320A1 (en) * | 2015-01-16 | 2018-01-11 | 3M Innovative Properties Company | Systems and methods for selecting grid actions to improve grid outcomes |
CN108779667A (zh) * | 2015-11-06 | 2018-11-09 | 解决方案探寻有限公司 | 流动网络的评估 |
WO2018222203A1 (en) * | 2017-06-02 | 2018-12-06 | Google Llc | Systems and methods for black-box optimization |
Family Cites Families (212)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5196997A (en) | 1991-01-22 | 1993-03-23 | International Business Machines Corporation | Method and apparatus for quality measure driven process control |
US5882774A (en) | 1993-12-21 | 1999-03-16 | Minnesota Mining And Manufacturing Company | Optical film |
EP0770967A3 (en) | 1995-10-26 | 1998-12-30 | Koninklijke Philips Electronics N.V. | Decision support system for the management of an agile supply chain |
US5976424A (en) | 1996-07-31 | 1999-11-02 | Minnesota Mining And Manufacturing Company | Method for making multilayer optical films having thin optical layers |
US10839321B2 (en) * | 1997-01-06 | 2020-11-17 | Jeffrey Eder | Automated data storage system |
AU2035600A (en) * | 1998-11-30 | 2000-06-19 | Siebel Systems, Inc. | Development tool, method, and system for client server appications |
US20070031853A1 (en) | 1999-02-22 | 2007-02-08 | Variagenics, Inc., A Delaware Corporation | Gene sequence variations with utility in determining the treatment of neurological or psychiatric disease |
US6440334B2 (en) | 1999-06-11 | 2002-08-27 | 3M Innovative Properties Company | Method of making a retroreflective article |
US6266853B1 (en) | 1999-09-24 | 2001-07-31 | Wen-Lung Ho | Non-rotatable enclosing buckle of fabric article |
US6268853B1 (en) * | 1999-09-30 | 2001-07-31 | Rockwell Technologies, L.L.C. | Data structure for use in enterprise controls |
IL159332A0 (en) * | 1999-10-31 | 2004-06-01 | Insyst Ltd | A knowledge-engineering protocol-suite |
US7461040B1 (en) | 1999-10-31 | 2008-12-02 | Insyst Ltd. | Strategic method for process control |
AT3773U3 (de) * | 2000-02-09 | 2001-06-25 | Avl List Gmbh | Verfahren zur automatischen optimierung einer ausgangsgrösse eines von mehreren eingangsgrössen abhängigen systems |
US7877312B2 (en) * | 2000-06-22 | 2011-01-25 | Wgal, Llp | Apparatus and method for displaying trading trends |
US7277822B2 (en) * | 2000-09-28 | 2007-10-02 | Blemel Kenneth G | Embedded system for diagnostics and prognostics of conduits |
KR100365357B1 (ko) * | 2000-10-11 | 2002-12-18 | 엘지전자 주식회사 | 무선통신 단말기의 데이터 통신 방법 |
US20030018705A1 (en) * | 2001-03-31 | 2003-01-23 | Mingte Chen | Media-independent communication server |
US20030206192A1 (en) * | 2001-03-31 | 2003-11-06 | Mingte Chen | Asynchronous message push to web browser |
US6945780B2 (en) * | 2001-04-02 | 2005-09-20 | United Defense, L.P. | Integrated performance simulation system for military weapon systems |
US6826477B2 (en) * | 2001-04-23 | 2004-11-30 | Ecole Polytechnique Federale De Lausanne (Epfl) | Pedestrian navigation method and apparatus operative in a dead reckoning mode |
US7761288B2 (en) * | 2001-04-30 | 2010-07-20 | Siebel Systems, Inc. | Polylingual simultaneous shipping of software |
JP2002358402A (ja) * | 2001-05-31 | 2002-12-13 | Dentsu Tec Inc | 3指標軸による顧客価値を基準とした売上予測方法 |
US6594024B1 (en) | 2001-06-21 | 2003-07-15 | Advanced Micro Devices, Inc. | Monitor CMP process using scatterometry |
US9729639B2 (en) | 2001-08-10 | 2017-08-08 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
US7797062B2 (en) * | 2001-08-10 | 2010-09-14 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
US8417360B2 (en) * | 2001-08-10 | 2013-04-09 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
US8914300B2 (en) | 2001-08-10 | 2014-12-16 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
US6847854B2 (en) * | 2001-08-10 | 2005-01-25 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
GB0127551D0 (en) * | 2001-11-16 | 2002-01-09 | Abb Ab | Analysing events |
US20080027841A1 (en) | 2002-01-16 | 2008-01-31 | Jeff Scott Eder | System for integrating enterprise performance management |
US9971877B1 (en) * | 2002-06-07 | 2018-05-15 | Jda Software Group, Inc. | Managing plan problems across planning cycles |
US7594181B2 (en) * | 2002-06-27 | 2009-09-22 | Siebel Systems, Inc. | Prototyping graphical user interfaces |
US8639542B2 (en) * | 2002-06-27 | 2014-01-28 | Siebel Systems, Inc. | Method and apparatus to facilitate development of a customer-specific business process model |
US7437720B2 (en) * | 2002-06-27 | 2008-10-14 | Siebel Systems, Inc. | Efficient high-interactivity user interface for client-server applications |
US7251787B2 (en) * | 2002-08-28 | 2007-07-31 | Siebel Systems, Inc. | Method and apparatus for an integrated process modeller |
DE10362369B3 (de) * | 2002-09-11 | 2022-09-29 | Fisher-Rosemount Systems, Inc. | Integrierte Modell-Vorhersagesteuerung und -optimierung innerhalb eines Prozesssteuerungssystems |
US7499766B2 (en) * | 2002-10-11 | 2009-03-03 | Invistics Corporation | Associated systems and methods for improving planning, scheduling, and supply chain management |
US6936209B2 (en) | 2002-11-27 | 2005-08-30 | 3M Innovative Properties Company | Methods and devices for processing polymer films |
US20120010867A1 (en) | 2002-12-10 | 2012-01-12 | Jeffrey Scott Eder | Personalized Medicine System |
US7401057B2 (en) * | 2002-12-10 | 2008-07-15 | Asset Trust, Inc. | Entity centric computer system |
US8374974B2 (en) * | 2003-01-06 | 2013-02-12 | Halliburton Energy Services, Inc. | Neural network training data selection using memory reduced cluster analysis for field model development |
US20060111931A1 (en) * | 2003-01-09 | 2006-05-25 | General Electric Company | Method for the use of and interaction with business system transfer functions |
US20040138936A1 (en) * | 2003-01-09 | 2004-07-15 | Johnson Christopher D. | Performing what-if forecasts using a business information and decisioning control system |
WO2004086197A2 (en) * | 2003-03-24 | 2004-10-07 | Siebel Systems, Inc. | Custom common object |
US8762415B2 (en) * | 2003-03-25 | 2014-06-24 | Siebel Systems, Inc. | Modeling of order data |
US7835893B2 (en) * | 2003-04-30 | 2010-11-16 | Landmark Graphics Corporation | Method and system for scenario and case decision management |
DE102004022485A1 (de) * | 2003-05-09 | 2005-03-17 | i2 Technologies, Inc., Dallas | System zur Bestandsoptimierung im Zusammenhang mit einem zentral verwalteten Masterspeicher für einem Unternehmen zugeordnete Kernreferenzdaten |
US6853952B2 (en) | 2003-05-13 | 2005-02-08 | Pa Knowledge Limited | Method and systems of enhancing the effectiveness and success of research and development |
US20040260659A1 (en) * | 2003-06-23 | 2004-12-23 | Len Chan | Function space reservation system |
US7694314B2 (en) * | 2003-08-28 | 2010-04-06 | Siebel Systems, Inc. | Universal application network architecture |
US20050108072A1 (en) * | 2003-11-17 | 2005-05-19 | Theodora Retsina | A method and system for stochastic analysis and mathematical optimization of order allocation for continuous or semi-continuous processes |
US7461089B2 (en) * | 2004-01-08 | 2008-12-02 | International Business Machines Corporation | Method and system for creating profiling indices |
US8131020B2 (en) * | 2004-05-20 | 2012-03-06 | Mcmaster University | Method for controlling the appearance of products and process performance by image analysis |
WO2005124580A1 (en) | 2004-06-15 | 2005-12-29 | The University Of Melbourne | A threat assessment system and process |
US7536370B2 (en) | 2004-06-24 | 2009-05-19 | Sun Microsystems, Inc. | Inferential diagnosing engines for grid-based computing systems |
US20120215492A1 (en) * | 2004-06-24 | 2012-08-23 | Vijay Masurkar | Methods & apparatus for remotely diagnosing grid-based computing systems |
US10311455B2 (en) * | 2004-07-08 | 2019-06-04 | One Network Enterprises, Inc. | Computer program product and method for sales forecasting and adjusting a sales forecast |
US8392228B2 (en) * | 2010-03-24 | 2013-03-05 | One Network Enterprises, Inc. | Computer program product and method for sales forecasting and adjusting a sales forecast |
US8352300B2 (en) * | 2004-07-08 | 2013-01-08 | One Network Enterprises, Inc. | System, computer program and method for implementing and managing a value chain network |
US7721959B2 (en) * | 2004-07-19 | 2010-05-25 | I2 Technologies Us, Inc. | Optimizing inventory in accordance with a constrained network |
US7680752B1 (en) | 2005-01-06 | 2010-03-16 | Parasoft Corporation | System and method for predictive process management |
JP2006215936A (ja) * | 2005-02-07 | 2006-08-17 | Hitachi Ltd | 検索システム及び検索方法 |
US20060218132A1 (en) * | 2005-03-25 | 2006-09-28 | Oracle International Corporation | Predictive data mining SQL functions (operators) |
JP4296160B2 (ja) | 2005-03-29 | 2009-07-15 | 株式会社東芝 | 回路基板の品質解析システム及び品質解析方法 |
DE602006009090D1 (de) | 2005-04-08 | 2009-10-22 | 3M Innovative Properties Co | Strukturierte orientierte filme zur verwendung in displays |
US7660642B1 (en) * | 2005-11-04 | 2010-02-09 | Tuszynski Steve W | Dynamic control system for manufacturing processes |
US20070136429A1 (en) * | 2005-12-09 | 2007-06-14 | Fine Leslie R | Methods and systems for building participant profiles |
US20070156382A1 (en) | 2005-12-29 | 2007-07-05 | Graham James L Ii | Systems and methods for designing experiments |
US7953521B2 (en) | 2005-12-30 | 2011-05-31 | Microsoft Corporation | Learning controller for vehicle control |
US20070203810A1 (en) * | 2006-02-13 | 2007-08-30 | Caterpillar Inc. | Supply chain modeling method and system |
US8134681B2 (en) | 2006-02-17 | 2012-03-13 | Nikon Corporation | Adjustment method, substrate processing method, substrate processing apparatus, exposure apparatus, inspection apparatus, measurement and/or inspection system, processing apparatus, computer system, program and information recording medium |
US7840287B2 (en) * | 2006-04-13 | 2010-11-23 | Fisher-Rosemount Systems, Inc. | Robust process model identification in model based control techniques |
CN101127100A (zh) * | 2006-08-18 | 2008-02-20 | 张湛 | 一种处理不确定因果关系类信息的智能系统的构造方法 |
US7693809B2 (en) | 2006-09-12 | 2010-04-06 | Home Comfort Zones, Inc. | Control interface for environment control systems |
US8571803B2 (en) | 2006-11-15 | 2013-10-29 | Gene Network Sciences, Inc. | Systems and methods for modeling and analyzing networks |
US8954500B2 (en) * | 2008-01-04 | 2015-02-10 | Yahoo! Inc. | Identifying and employing social network relationships |
WO2008109105A2 (en) | 2007-03-06 | 2008-09-12 | Flagship Ventures | Methods and compositions for improved therapeutic effects with sirna |
US20090006125A1 (en) | 2007-06-29 | 2009-01-01 | Robert Lee Angell | Method and apparatus for implementing digital video modeling to generate an optimal healthcare delivery model |
CA2692405A1 (en) | 2007-07-03 | 2009-01-08 | 3M Innovative Properties Company | System and method for generating time-slot samples to which content may be assigned for measuring effects of the assigned content |
US7987161B2 (en) * | 2007-08-23 | 2011-07-26 | Thomson Reuters (Markets) Llc | System and method for data compression using compression hardware |
EP2028504B1 (en) * | 2007-08-23 | 2016-04-13 | STMicroelectronics Srl | Method and device for calibrating a magnetic sensor |
US10229026B1 (en) | 2007-11-17 | 2019-03-12 | EMC IP Holding Company LLC | Method and apparatus for providing environmental management in distributed system data centers |
US8392157B2 (en) * | 2007-11-27 | 2013-03-05 | Hewlett-Packard Development Company, L.P. | System synthesis to meet exergy loss target value |
JP2009140350A (ja) * | 2007-12-07 | 2009-06-25 | Hitachi Ltd | サプライチェーン評価システム、方法、及びプログラム。 |
KR100906605B1 (ko) * | 2007-12-14 | 2009-07-09 | 현대자동차주식회사 | 스위치의 동적특성 정량화 방법 |
JP5504175B2 (ja) * | 2008-01-31 | 2014-05-28 | フィッシャー−ローズマウント システムズ,インコーポレイテッド | モデル不一致を補償するためのチューニングを有する頑健な適応モデル予測コントローラ |
US7840297B1 (en) * | 2008-03-14 | 2010-11-23 | Tuszynski Steve W | Dynamic control system for manufacturing processes including indirect process variable profiles |
US8209045B2 (en) * | 2008-04-07 | 2012-06-26 | Honeywell International Inc. | System and method for discrete supply chain control and optimization using model predictive control |
EP2288987A4 (en) | 2008-06-12 | 2015-04-01 | Guardian Analytics Inc | USER MODELING FOR DETECTING FRAUD AND ANALYSIS |
US8577822B2 (en) * | 2008-09-25 | 2013-11-05 | University Of Iowa Research Foundation | Data-driven approach to modeling sensors wherein optimal time delays are determined for a first set of predictors and stored as a second set of predictors |
US8594828B2 (en) * | 2008-09-30 | 2013-11-26 | Rockwell Automation Technologies, Inc. | System and method for optimizing a paper manufacturing process |
KR101534893B1 (ko) | 2008-10-22 | 2015-07-07 | 쓰리엠 이노베이티브 프로퍼티즈 캄파니 | 재귀반사성 시트류 |
US8955365B2 (en) * | 2008-12-23 | 2015-02-17 | Embraer S.A. | Performance monitoring and prognostics for aircraft pneumatic control valves |
CA2750840A1 (en) * | 2009-01-07 | 2010-07-15 | 3M Innovative Properties Company | System and method for concurrently conducting cause-and-effect experiments on content effectiveness and adjusting content distribution to optimize business objectives |
US9069345B2 (en) * | 2009-01-23 | 2015-06-30 | Mks Instruments, Inc. | Controlling a manufacturing process with a multivariate model |
EP2393655A4 (en) | 2009-02-06 | 2017-07-26 | 3M Innovative Properties Company | Light control film and multi-layer optical film stack |
FR2944006B1 (fr) * | 2009-04-03 | 2011-04-01 | Inst Francais Du Petrole | Bacteries capables de degrader des composes petroliers multiples en solution dans des effluents aqueux et procede de traitement desdits effluents |
US8645337B2 (en) * | 2009-04-30 | 2014-02-04 | Oracle International Corporation | Storing compression units in relational tables |
US8086327B2 (en) * | 2009-05-14 | 2011-12-27 | Mks Instruments, Inc. | Methods and apparatus for automated predictive design space estimation |
US8577480B2 (en) * | 2009-05-14 | 2013-11-05 | Mks Instruments, Inc. | Methods and apparatus for automated predictive design space estimation |
US20100299367A1 (en) * | 2009-05-20 | 2010-11-25 | Microsoft Corporation | Keyword Searching On Database Views |
US9196009B2 (en) | 2009-06-22 | 2015-11-24 | Johnson Controls Technology Company | Systems and methods for detecting changes in energy usage in a building |
US20110016610A1 (en) | 2009-07-27 | 2011-01-27 | Steven Wieder | Sweatband with absorbent bamboo inner layer and related method of use |
CN102035649B (zh) * | 2009-09-29 | 2013-08-21 | 国际商业机器公司 | 认证方法和装置 |
JP5633734B2 (ja) * | 2009-11-11 | 2014-12-03 | ソニー株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
US8874600B2 (en) * | 2010-01-30 | 2014-10-28 | International Business Machines Corporation | System and method for building a cloud aware massive data analytics solution background |
WO2011133904A1 (en) | 2010-04-22 | 2011-10-27 | Accenture Global Services Limited | Performance analytics based on high performance indices |
US9383482B2 (en) | 2010-05-07 | 2016-07-05 | 3M Innovative Properties Company | Antireflective films comprising microstructured surface |
US8069370B1 (en) * | 2010-07-02 | 2011-11-29 | Oracle International Corporation | Fault identification of multi-host complex systems with timesliding window analysis in a time series |
CN103168278B (zh) * | 2010-08-06 | 2017-01-18 | 加利福尼亚大学董事会 | 用于分析建筑物操作传感器数据的系统和方法 |
US20150142399A1 (en) * | 2010-11-17 | 2015-05-21 | Toyota Motor Engineering & Manufacturing North America, Inc. | Exact parameter space reduction |
US9955552B2 (en) * | 2011-04-14 | 2018-04-24 | Suntracker Technologies Ltd. | Predictive daylight harvesting system |
WO2012151499A2 (en) | 2011-05-05 | 2012-11-08 | Aegis Analytical Corporation | A system for designating, displaying and selecting types of process parameters and product outcome parameters |
US8775006B2 (en) * | 2011-07-14 | 2014-07-08 | GM Global Technology Operations LLC | System and method for enhanced vehicle control |
US8799042B2 (en) * | 2011-08-08 | 2014-08-05 | International Business Machines Corporation | Distribution network maintenance planning |
US20140207385A1 (en) | 2011-08-26 | 2014-07-24 | Philip Morris Products Sa | Systems and methods for characterizing topological network perturbations |
US9110452B2 (en) * | 2011-09-19 | 2015-08-18 | Fisher-Rosemount Systems, Inc. | Inferential process modeling, quality prediction and fault detection using multi-stage data segregation |
US20140344000A1 (en) * | 2011-12-09 | 2014-11-20 | Exxonmobil Upstream Research Company | Systems and methods for valuation and validation of options and opportunities in planning and operations for a liquefied natural gas project or portfolio of projects |
KR101305584B1 (ko) * | 2011-12-30 | 2013-09-09 | 주식회사 포스코아이씨티 | 에너지 발전량 예측 시스템 및 방법 |
US20130197698A1 (en) | 2012-01-26 | 2013-08-01 | Carrier Corporation | HVAC System Fault Root Cause Self-Determination |
RU2580394C1 (ru) | 2012-02-02 | 2016-04-10 | ФОСС Аналитикал А/С | Способ управления производственным процессом |
EP2820488B1 (en) * | 2012-03-02 | 2019-09-04 | Vigilent Corporation | Multi-dimensional optimization for controlling environmental maintenance modules |
US20140018950A1 (en) * | 2012-07-05 | 2014-01-16 | Flextronics Ap, Llc | Method and system for identifying events adversely impacting supply chain performance |
CN103419777B (zh) * | 2012-07-11 | 2016-07-20 | 上海理工大学 | 一种改善车道跟踪与操控稳定性能的设计方法 |
CN102937784A (zh) * | 2012-10-30 | 2013-02-20 | 中冶南方工程技术有限公司 | 基于人工神经网络的铸坯质量在线预报的控制方法 |
US20140149554A1 (en) * | 2012-11-29 | 2014-05-29 | Ricoh Co., Ltd. | Unified Server for Managing a Heterogeneous Mix of Devices |
US8924941B2 (en) * | 2013-02-12 | 2014-12-30 | Concurix Corporation | Optimization analysis using similar frequencies |
US10649424B2 (en) | 2013-03-04 | 2020-05-12 | Fisher-Rosemount Systems, Inc. | Distributed industrial performance monitoring and analytics |
KR102036166B1 (ko) * | 2013-03-06 | 2019-10-24 | 한국전자통신연구원 | 미검침 구간의 검침 데이터 예측 및 보정 방법과 그 장치 |
US9390428B2 (en) * | 2013-03-13 | 2016-07-12 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for rendering scored opportunities using a predictive query interface |
US20160217406A1 (en) * | 2013-03-13 | 2016-07-28 | Jda Software Group, Inc. | Self-Learning Supply Chain System |
US20140289174A1 (en) | 2013-03-15 | 2014-09-25 | Alexander Statnikov | Data Analysis Computer System and Method For Causal Discovery with Experimentation Optimization |
WO2014182934A1 (en) * | 2013-05-08 | 2014-11-13 | Vigilent Corporation | Influence learning in an environmentally managed system |
US20150039375A1 (en) * | 2013-08-02 | 2015-02-05 | Caterpillar Inc. | Supply chain optimization method and system |
US20150046363A1 (en) * | 2013-08-07 | 2015-02-12 | Flextronics Ap, Llc | Method and Apparatus for Managing, Displaying, Analyzing, Coordinating, and Optimizing Innovation, Engineering, Manufacturing, and Logistics Infrastructures |
US10108916B2 (en) * | 2013-08-16 | 2018-10-23 | Tata Consultancy Services | Systems and methods for supply chain design and analysis |
US10762167B2 (en) * | 2013-09-27 | 2020-09-01 | Varian Medical Systems International Ag | Decision support tool for choosing treatment plans |
US10133983B1 (en) | 2013-10-02 | 2018-11-20 | Hrl Laboratories, Llc | Method and apparatus for modeling probability matching and loss sensitivity among human subjects in a resource allocation task |
US9679258B2 (en) | 2013-10-08 | 2017-06-13 | Google Inc. | Methods and apparatus for reinforcement learning |
US9678505B2 (en) * | 2013-10-14 | 2017-06-13 | Invensys Systems, Inc. | Line management in manufacturing execution system |
KR20160068972A (ko) | 2013-11-15 | 2016-06-15 | 노파르티스 아게 | 잔여 세포 배양 불순물의 제거 |
US9189742B2 (en) | 2013-11-20 | 2015-11-17 | Justin London | Adaptive virtual intelligent agent |
CN103745273B (zh) * | 2014-01-06 | 2017-01-18 | 北京化工大学 | 一种半导体制造过程的多性能预测方法 |
US20160350796A1 (en) | 2014-01-29 | 2016-12-01 | 3M Innovative Properties Company | Conducting multivariate experiments |
WO2015116614A1 (en) * | 2014-01-29 | 2015-08-06 | 3M Innovative Properties Company | Systems and methods for spacial and temporal experimentation on content effectiveness |
IN2014MU00735A (zh) * | 2014-03-04 | 2015-09-25 | Tata Consultancy Services Ltd | |
US10439836B2 (en) * | 2014-03-26 | 2019-10-08 | Unanimous A. I., Inc. | Systems and methods for hybrid swarm intelligence |
DE102014006319A1 (de) | 2014-04-30 | 2015-11-05 | Avl List Gmbh | System zur Beurteilung und/oder Optimierung des Betriebsverhaltens eines Fahrzeugs |
CA2955008A1 (en) * | 2014-07-17 | 2016-01-21 | 3M Innovative Properties Company | Systems and methods for maximizing expected utility of signal injection test patterns in utility grids |
CN106537443B (zh) * | 2014-07-17 | 2020-10-16 | 3M创新有限公司 | 用于对表示网格异常状态严重性的原位传感器响应数据模式分类的系统及方法 |
US9983554B2 (en) | 2014-11-25 | 2018-05-29 | Mitsubishi Electric Research Laboratories, Inc. | Model predictive control with uncertainties |
CN104850893A (zh) | 2014-12-01 | 2015-08-19 | 厦门易联创质检技术服务有限公司 | 基于三维评价与时域追溯的质量感知信息管理方法和系统 |
US10401170B2 (en) * | 2014-12-12 | 2019-09-03 | Honeywell International Inc. | Systems and methods for providing automatic detection of inertial sensor deployment environments |
US10445152B1 (en) * | 2014-12-19 | 2019-10-15 | Experian Information Solutions, Inc. | Systems and methods for dynamic report generation based on automatic modeling of complex data structures |
CN105786830A (zh) | 2014-12-19 | 2016-07-20 | 阿里巴巴集团控股有限公司 | 计算机系统中模型自适应调整方法、装置及系统 |
CN107250928B (zh) * | 2015-01-02 | 2020-10-23 | 地球网络股份有限公司 | 对建筑物的能耗进行优化和控制 |
US20160243766A1 (en) * | 2015-02-24 | 2016-08-25 | Siemens Aktiengesellschaft | Energy Star for Manufacturing |
EP3064782B1 (de) | 2015-03-06 | 2018-06-20 | Otto Nussbaum GmbH & Co. KG | Zylinderkolbenaggregat |
DK3079106T3 (da) | 2015-04-06 | 2022-08-01 | Deepmind Tech Ltd | UDVÆLGELSE AF FORSTÆRKNINGSLÆRINGSHANDLINGER VED HJÆLP AF MÅL og OBSERVATIONER |
US9720738B2 (en) * | 2015-04-09 | 2017-08-01 | International Business Machines Corporation | Datacenter scheduling of applications using machine learning techniques |
CN104811445B (zh) * | 2015-04-20 | 2018-03-27 | 深圳市文鼎创数据科技有限公司 | 一种时间攻击安全性评估的方法及系统 |
US10280722B2 (en) * | 2015-06-02 | 2019-05-07 | Baker Hughes, A Ge Company, Llc | System and method for real-time monitoring and estimation of intelligent well system production performance |
US10332015B2 (en) | 2015-10-16 | 2019-06-25 | Adobe Inc. | Particle thompson sampling for online matrix factorization recommendation |
CN106650189A (zh) * | 2015-10-30 | 2017-05-10 | 日本电气株式会社 | 一种用于因果关系挖掘的方法和设备 |
US10250403B2 (en) * | 2015-11-23 | 2019-04-02 | International Business Machines Corporation | Dynamic control of smart home using wearable device |
US9703546B1 (en) * | 2015-12-21 | 2017-07-11 | Schneider Electric Software, Llc | Monitoring application states for deployment during runtime operations |
US20170278114A1 (en) | 2016-03-24 | 2017-09-28 | Xerox Corporation | Adaptive collaborative filtering with extended kalman filters and multi-armed bandits |
US10190791B2 (en) | 2016-04-27 | 2019-01-29 | Crestron Electronics, Inc. | Three-dimensional building management system visualization |
US10417614B2 (en) * | 2016-05-06 | 2019-09-17 | General Electric Company | Controlling aircraft operations and aircraft engine components assignment |
DE102016209984A1 (de) * | 2016-06-07 | 2017-12-07 | Lucas Automotive Gmbh | Verfahren zur Schätzung einer Wahrscheinlichkeitsverteilung des maximalen Reibwerts an einem aktuellen und/oder zukünftigen Wegpunkt eines Fahrzeugs |
CA2977272A1 (en) | 2016-08-29 | 2018-02-28 | Iot Cloud Technologies Inc. | Weather anticipating programmable thermostat and wireless network ptac control |
US10809674B2 (en) | 2016-09-16 | 2020-10-20 | Honeywell Limited | Model-plant mismatch detection using model parameter data clustering for paper machines or other systems |
US10378324B2 (en) * | 2016-09-26 | 2019-08-13 | International Business Machines Corporation | Controlling operation of a steam-assisted gravity drainage oil well system by adjusting controls based on forecast emulsion production |
EP3316140A1 (en) | 2016-10-28 | 2018-05-02 | Alcatel Lucent | Improvements in or relating to determining performance in a distributed application or system |
US20180121817A1 (en) | 2016-10-28 | 2018-05-03 | Carnegie Mellon University | System and method for assisting in the provision of algorithmic transparency |
US20200019128A1 (en) * | 2016-11-10 | 2020-01-16 | 3M Innovative Properties Company | Systems and methods for supervision of local analytics |
CN106648654A (zh) * | 2016-12-20 | 2017-05-10 | 深圳先进技术研究院 | 一种数据感知的Spark配置参数自动优化方法 |
US10747994B2 (en) | 2016-12-28 | 2020-08-18 | Captricity, Inc. | Identifying versions of a form |
US20180197087A1 (en) * | 2017-01-06 | 2018-07-12 | Accenture Global Solutions Limited | Systems and methods for retraining a classification model |
AU2018219291A1 (en) * | 2017-02-08 | 2019-08-15 | Whitehawk Cec Inc. | Decision support system and methods associated with same |
EP3379356A1 (en) * | 2017-03-23 | 2018-09-26 | ASML Netherlands B.V. | Method of modelling lithographic systems for performing predictive maintenance |
JP6557272B2 (ja) * | 2017-03-29 | 2019-08-07 | ファナック株式会社 | 状態判定装置 |
CN108733508B (zh) * | 2017-04-17 | 2022-03-11 | 伊姆西Ip控股有限责任公司 | 用于控制数据备份的方法和系统 |
US10146237B2 (en) | 2017-04-28 | 2018-12-04 | Johnson Controls Technology Company | Smart thermostat with model predictive control |
US10089467B1 (en) * | 2017-05-23 | 2018-10-02 | Malwarebytes Inc. | Static anomaly-based detection of malware files |
US10613489B2 (en) * | 2017-06-20 | 2020-04-07 | Baidu Usa Llc | Method and system for determining optimal coefficients of controllers for autonomous driving vehicles |
WO2018236242A1 (ru) * | 2017-06-21 | 2018-12-27 | Общество С Ограниченной Ответственностью "Оптимальное Управление" | Способ и устройство планирования операций с активами предприятия |
CN107358542B (zh) * | 2017-06-28 | 2021-05-11 | 同济大学 | 一种励磁系统性能评估模型的构建方法 |
US20190066238A1 (en) * | 2017-08-22 | 2019-02-28 | One Network Enterprises, Inc. | System and computer program for optimized execution in a value chain network |
JP6871842B2 (ja) * | 2017-11-30 | 2021-05-19 | 三菱重工工作機械株式会社 | 加工シミュレーションの条件の適正化方法、加工シミュレーション装置、加工シミュレーションシステム及びプログラム |
US11574201B2 (en) | 2018-02-06 | 2023-02-07 | Cognizant Technology Solutions U.S. Corporation | Enhancing evolutionary optimization in uncertain environments by allocating evaluations via multi-armed bandit algorithms |
CN108361927A (zh) * | 2018-02-08 | 2018-08-03 | 广东美的暖通设备有限公司 | 一种基于机器学习的空调器控制方法、装置以及空调器 |
CN108596229B (zh) * | 2018-04-13 | 2021-09-10 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
EP3776363A1 (en) | 2018-05-18 | 2021-02-17 | Deepmind Technologies Limited | Reinforcement learning using agent curricula |
CN108710289B (zh) | 2018-05-18 | 2021-11-09 | 厦门理工学院 | 一种基于改进型spsa的继电器底座质量优化的方法 |
RU2021127618A (ru) * | 2018-06-21 | 2021-11-16 | БВКсТ НЬЮКЛИАР ЭНЕРДЖИ, ИНК. | Универсальный инвертированный реактор и способ для проектирования и изготовления универсального инвертированного реактора |
WO2020010350A1 (en) * | 2018-07-06 | 2020-01-09 | The Research Foundation For The State University Of New York | System and method associated with generating an interactive visualization of structural causal models used in analytics of data associated with static or temporal phenomena |
CN108944947A (zh) * | 2018-07-15 | 2018-12-07 | 北京三快在线科技有限公司 | 驾驶设备决策的预测方法和装置 |
US10787981B2 (en) * | 2018-08-08 | 2020-09-29 | Caterpillar Inc. | Power system optimization |
US11126167B2 (en) * | 2018-09-28 | 2021-09-21 | Rockwell Automation Technologies, Inc. | Systems and methods for encrypting data between modules of a control system |
EP3644267A1 (en) * | 2018-10-26 | 2020-04-29 | Tata Consultancy Services Limited | Method and system for online monitoring and optimization of mining and mineral processing operations |
US20220004475A1 (en) | 2018-11-28 | 2022-01-06 | 3M Innovative Properties Company | Data center infrastructure optimization method based on causal learning |
US10905337B2 (en) * | 2019-02-26 | 2021-02-02 | Bao Tran | Hearing and monitoring system |
WO2020188340A1 (en) * | 2019-03-15 | 2020-09-24 | 3M Innovative Properties Company | Tuning pid parameters using causal models |
US20220180979A1 (en) | 2019-03-15 | 2022-06-09 | 3M Innovative Properties Company | Adaptive clinical trials |
US20220172830A1 (en) * | 2019-03-15 | 2022-06-02 | 3M Innovative Properties Company | Controlling hospital operations using causal models |
US20220163951A1 (en) * | 2019-03-15 | 2022-05-26 | 3M Innovative Properties Company | Manufacturing a product using causal models |
EP3938979A4 (en) | 2019-03-15 | 2022-12-28 | 3M Innovative Properties Company | INDIVIDUALIZED MEDICINE USING CAUSAL MODELS |
WO2020188335A1 (en) | 2019-03-15 | 2020-09-24 | 3M Innovative Properties Company | Manufacturing a biologic pharmaceutical using causal models |
EP3938853A4 (en) | 2019-03-15 | 2022-12-28 | 3M Innovative Properties Company | POLISHING SEMICONDUCTOR WAFER USING CAUSALITY MODELS |
CN113574325B (zh) | 2019-03-15 | 2022-12-27 | 3M创新有限公司 | 通过选择控制设置来控制环境的方法和系统 |
US20220366360A1 (en) * | 2021-04-30 | 2022-11-17 | Aspen Technology, Inc. | Optimization of Large-scale Industrial Value Chains |
-
2019
- 2019-09-11 CN CN201980094093.XA patent/CN113574325B/zh active Active
- 2019-09-11 WO PCT/IB2019/057662 patent/WO2020188329A1/en active Application Filing
- 2019-09-11 WO PCT/IB2019/057646 patent/WO2020188327A1/en active Application Filing
- 2019-09-11 CN CN201980093765.5A patent/CN113544599A/zh active Pending
- 2019-09-11 CN CN201980093416.3A patent/CN113544707A/zh active Pending
- 2019-09-11 EP EP19920149.2A patent/EP3938716A4/en active Pending
- 2019-09-11 WO PCT/US2019/050699 patent/WO2020190326A1/en active Application Filing
- 2019-09-11 WO PCT/US2019/050695 patent/WO2020190325A1/en active Application Filing
- 2019-09-11 WO PCT/US2019/050703 patent/WO2020190328A1/en active Application Filing
- 2019-09-11 EP EP19919697.3A patent/EP3938929A4/en active Pending
- 2019-09-11 CN CN201980094141.5A patent/CN113574554A/zh active Pending
- 2019-09-11 CN CN201980094142.XA patent/CN113574475A/zh active Pending
- 2019-09-11 CN CN201980094196.6A patent/CN113574476A/zh active Pending
- 2019-09-11 US US17/437,221 patent/US11927926B2/en active Active
- 2019-09-11 CN CN201980094032.3A patent/CN113574546A/zh active Pending
- 2019-09-11 US US17/438,096 patent/US11720070B2/en active Active
- 2019-09-11 EP EP19920376.1A patent/EP3938974A4/en active Pending
- 2019-09-11 US US17/437,882 patent/US20220172139A1/en active Pending
- 2019-09-11 US US17/438,725 patent/US11966204B2/en active Active
- 2019-09-11 US US17/433,069 patent/US20220155733A1/en active Pending
- 2019-09-11 CA CA3133587A patent/CA3133587A1/en active Pending
- 2019-09-11 EP EP19919662.7A patent/EP3938964A4/en active Pending
- 2019-09-11 WO PCT/US2019/050691 patent/WO2020190324A1/en active Application Filing
- 2019-09-11 WO PCT/IB2019/057673 patent/WO2020188331A1/en active Application Filing
- 2019-09-11 WO PCT/US2019/050701 patent/WO2020190327A1/en active Application Filing
- 2019-09-11 EP EP19790274.5A patent/EP3938850A1/en active Pending
- 2019-09-11 CN CN201980094220.6A patent/CN113631867B/zh active Active
- 2019-09-11 WO PCT/IB2019/057648 patent/WO2020188328A1/en active Application Filing
- 2019-09-11 CN CN201980094103.XA patent/CN113574327B/zh active Active
- 2019-09-11 US US17/436,751 patent/US20220176968A1/en active Pending
- 2019-09-11 US US17/439,105 patent/US12055903B2/en active Active
- 2019-09-11 US US17/431,533 patent/US20220121971A1/en active Pending
- 2019-09-11 EP EP19920583.2A patent/EP3938717A4/en active Pending
- 2019-09-11 EP EP19773706.7A patent/EP3938969A1/en active Pending
- 2019-09-11 EP EP19790786.8A patent/EP3938854A1/en active Pending
- 2019-09-11 US US17/437,563 patent/US20220128979A1/en active Pending
- 2019-09-11 CN CN202310933600.2A patent/CN117008465A/zh active Pending
- 2019-09-11 EP EP19919993.6A patent/EP3938930A4/en active Pending
- 2019-09-11 US US17/438,677 patent/US11853018B2/en active Active
- 2019-09-11 CN CN201980093844.6A patent/CN113544597A/zh active Pending
- 2019-09-11 WO PCT/IB2019/057664 patent/WO2020188330A1/en active Application Filing
- 2019-09-11 EP EP19920446.2A patent/EP3938718A4/en active Pending
-
2023
- 2023-06-16 US US18/210,700 patent/US20230341829A1/en active Pending
- 2023-11-17 US US18/512,437 patent/US20240085868A1/en active Pending
-
2024
- 2024-02-09 US US18/437,483 patent/US20240176316A1/en active Pending
- 2024-04-02 US US18/624,611 patent/US20240248439A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040049299A1 (en) * | 2002-09-11 | 2004-03-11 | Wilhelm Wojsznis | Integrated model predictive control and optimization within a process control system |
US20180013320A1 (en) * | 2015-01-16 | 2018-01-11 | 3M Innovative Properties Company | Systems and methods for selecting grid actions to improve grid outcomes |
US20170031354A1 (en) * | 2015-07-29 | 2017-02-02 | General Electric Company | Methods, systems, and apparatus for resource allocation in a manufacturing environment |
CN108779667A (zh) * | 2015-11-06 | 2018-11-09 | 解决方案探寻有限公司 | 流动网络的评估 |
US20170323231A1 (en) * | 2016-05-06 | 2017-11-09 | General Electric Company | Computing system to control the use of physical state attainment of assets to meet temporal performance criteria |
WO2018222203A1 (en) * | 2017-06-02 | 2018-12-06 | Google Llc | Systems and methods for black-box optimization |
Also Published As
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113544599A (zh) | 执行过程并优化在该过程中使用的控制信号的方法 | |
CN102568205B (zh) | 非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法 | |
CN111523728B (zh) | 一种四阶段混合短时风向预测方法 | |
CN111382906A (zh) | 一种电力负荷预测方法、系统、设备和计算机可读存储介质 | |
CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
CN112749840B (zh) | 一种火电机组能效特征指标基准值的获取方法 | |
CN111898867B (zh) | 一种基于深度神经网络的飞机总装生产线产能预测方法 | |
CN116048028A (zh) | 一种基于强化学习的工艺参数优化方法 | |
CN116880191A (zh) | 一种基于时序预测的过程工业生产系统的智能控制方法 | |
CN114648178B (zh) | 一种基于ddpg算法的电能计量装置运维策略优化方法 | |
CN113536685B (zh) | 一种基于神经网络外推的风速概率模型的建模方法 | |
CN114186771B (zh) | 一种混合正则化随机配置网络工业过程运行指标估计方法 | |
CN107609678B (zh) | 一种考虑矩信息不确定性的同型并行机生产调度方法 | |
CN112598259A (zh) | 产能测算方法、装置及计算机可读存储介质 | |
CN114970343B (zh) | 一种基于搜索空间变动的水泥粉磨过程多目标优化方法 | |
CN117519028B (zh) | 智能玻璃加工输送线系统及能耗优化方法 | |
CN115062871B (zh) | 基于多智能体强化学习的智能电表状态评估方法 | |
WO2024070233A1 (ja) | 学習装置、情報処理装置、基板処理装置、基板処理システム、学習方法および処理条件決定方法 | |
KR102265361B1 (ko) | 스무딩을 이용한 딥러닝 방법 및 장치 | |
CN115423211A (zh) | 一种街区随机功率预测方法、装置、设备及介质 | |
CN118396178A (zh) | 一种数据驱动的用于乙烷裂解过程的生产操作方法 | |
CN113761801A (zh) | 一种电子固废产生量智能预测方法及系统 | |
RU2022123701A (ru) | Способ и система управления технической системой или процессом с помощью искусственной нейронной сети, оптимизирующий целевую функцию | |
CN116488150A (zh) | 一种基于改进模型预测控制的新能源微电网优化运行方法 | |
CN118277093A (zh) | 一种面向算力网络的负载预测方法 |
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 |