CN114206599A - 用于接头改进的机器学习 - Google Patents

Abstract

本发明提供了用于接头改进的机器学习的系统和方法。系统可从一个或多个传感器接收对应于通过一件或多件轮胎制造装备制造轮胎的一个或多个值。该系统可基于所述一个或多个值确定一种或多种度量。该系统可基于所述一个或多个值和所述一种或多种度量生成矩阵。该系统可通过将该矩阵输入到机器学习模型中来预测接头公差度量的值。该系统可基于该接头公差度量的该值来确定至少一件装备的参数以进行调整。该系统可提供命令，以响应于该接头公差度量的该值来调整该件装备。

Description

用于接头改进的机器学习

相关专利申请的交叉引用

本申请要求2019年7月12日提交的美国临时专利申请62/873,303的优先权，其内容全文以引用方式并入本文。

背景技术

制造工厂可使用装备和过程来制造或构造产品或物品。由于构造的产品或物品的复杂性以及对完成的产品或物品的严格公差或质量要求，有效地制造没有缺陷或资源浪费的产品或物品可能具有挑战性。

发明内容

本技术方案涉及使用机器学习改进接头的系统和方法。例如，轮胎生产线可包括用于制造轮胎的制造装备。制造装备可使用各种接头来组装轮胎。由于制造装备的至少一个参数设置，接头可能超出公差。超公差接头可触发制造装备上的警报并且延迟操作时间，或者如果未被检测到，则会生产出有缺陷的轮胎或未按规格构造的轮胎。此外，检测每个制造装备之间的接头是否超出公差，或者在组装接头用于轮胎之前及时检测接头是否超出公差，可能具有挑战性。

本技术方案的系统和方法可使用机器学习来改进接头。本技术方案可减少在制造工厂制造的缺陷产品的数量，并且提高满足公差规格或其他质量规格的产品的生产率。本技术解决方案可通过自动调整制造装备的操作参数而不停用制造装备来进一步减少制造装备的非操作时间。

至少一个方面涉及接头预测和改进(诸如用于制造轮胎)的系统。该系统可包括数据处理系统。该数据处理系统可包括一个或多个处理器和存储器。该数据处理系统可包括接口、输入发生器、模型管理器、装备控制器、数据储存库或机器学习引擎。该数据处理系统可从轮胎制造工厂中的一件或多件轮胎制造装备的一个或多个传感器接收对应于通过该一件或多件轮胎制造装备制造轮胎的一个或多个值。该数据处理系统可基于该一个或多个值确定一种或多种度量。该数据处理系统可基于该一个或多个值和该一种或多种度量生成矩阵。该数据处理系统可通过将该矩阵输入到被构建成输出轮胎制造性能数据的机器学习模型中来预测用于该轮胎的接头公差度量的值。该数据处理系统可基于该接头公差度量的该值来确定该轮胎制造工厂中的至少一件装备的参数以进行调整。该数据处理系统可提供命令，以响应于该接头公差度量的该值来调整该轮胎制造工厂中的该至少一件装备。

至少一个方面涉及接头预测和改进(诸如用于制造轮胎)的方法。该方法可由具有一个或多个处理器和存储器的数据处理系统执行。该方法可包括数据处理系统从轮胎制造工厂中的一件或多件轮胎制造装备的一个或多个传感器接收对应于通过该一件或多件轮胎制造装备制造轮胎的一个或多个值。该方法可包括数据处理系统基于该一个或多个值确定一种或多种度量。该方法可包括数据处理系统基于该一个或多个值和该一种或多种度量生成矩阵。该方法可包括数据处理系统通过将该矩阵输入到被构建成输出轮胎制造性能数据的机器学习模型中来预测用于该轮胎的接头公差度量的值。该方法可包括数据处理系统基于该接头公差度量的该值来确定该轮胎制造工厂中的至少一件装备的参数以进行调整。该方法可包括数据处理系统，该数据处理系统提供命令，以响应于该接头公差度量的该值来调整该轮胎制造工厂中的该至少一件装备。

下文详细讨论本发明的这些和其他方面以及具体实施。前述信息和以下详细描述包括各个方面和具体实施的说明性示例，并且提供用于理解所要求保护的方面和具体实施的性质和特征的概述或框架。附图提供了对各个方面和具体实施的说明和进一步理解，并且并入本说明书中构成本说明书的一部分。

附图说明

附图并非旨在按比例绘制。各附图中类似的附图标记和名称指示类似的元件。为了清楚起见，并非每个组件都会在每个附图中标记。在附图中：

图1描绘了框图，该框图描绘了用于制造轮胎的自主接头预测和调整的示例性系统；

图2描绘了根据实施方案的用于预测分析过程的机器学习引擎的示例性操作图；

图3描绘了根据实施方案的用于管理机器学习引擎的模型的分析数据层级结构的示例性操作图；

图4描绘了根据实施方案的与中点/中心线的接头偏差的示例性图示；

图5描绘了根据实施方案的接头偏差的斜率导数的示例性图示；

图6描绘了根据具体实施的由机器学习引擎用于预测超公差接头并确定制造装备的参数的神经网络的实施例；

图7为描绘了根据具体实施的用于制造轮胎的示例性方法的流程图；以及

图8为说明了可用于实现本文描述和说明的系统和方法的元件的计算机系统的架构的框图，系统和方法包括例如图1至图3中描绘的系统、图4至图6中描绘的操作或实施例以及图7中描绘的方法。

具体实施方式

以下是与使用机器学习改进接头的方法、装置和系统相关的各种概念以及这些方法、装置和系统的具体实施的更详细描述。上文介绍并且在下文更详细地讨论的各种概念可以多种方式中的任一方式实现。

本技术方案涉及使用机器学习改进接头的系统和方法。例如，轮胎生产线可包括用于制造轮胎的制造装备。制造装备可使用各种接头来组装轮胎。由于制造装备的至少一个参数设置，接头可能超出公差。超公差接头可触发制造装备上的警报并且延迟操作时间，或者如果未被检测到，则会生产出有缺陷的轮胎或未按规格构造的轮胎。此外，检测每个制造装备之间的接头是否超出公差，或者在组装接头用于轮胎之前及时检测接头是否超出公差，可能具有挑战性。

本技术方案的系统和方法可使用机器学习来改进接头。本技术方案可减少在制造工厂制造的缺陷产品的数量，或者提高满足公差规格的产品的生产率。本技术解决方案可通过自动调整制造装备的操作参数而不停用制造装备来进一步减少制造装备的非操作时间。

例如，本技术方案可包括数据处理系统(或一个或多个处理器)，该数据处理系统可接收与产品诸如轮胎的制造对应的值。这些值可通过生产线或工厂中的制造装备或其他设备来感测、测量、检测或以其他方式识别。这些值可实时接收，例如在产品的制造期间接收。这些值可利用实时数据流或数据馈送(例如，以预定速率采样的值的数据流，诸如1Hz、2Hz、3Hz、5Hz、10Hz或有助于改进接头的其他速率)来接收。数据处理系统可预处理接收到的值，以基于那些值来确定度量诸如统计度量。数据处理系统可基于接收到的值和生成的统计度量来生成或构建矩阵。例如，数据处理系统可生成包括接收到的值的矩阵(例如，在任何初始预处理以清洁或过滤数据值之后)以及与接收到的值相关联的统计度量。数据处理系统可将矩阵输入到机器学习模型中以便预测、确定或以其他方式识别输出值。输出值可包括基于输入矩阵的一个或多个值的输出矩阵。机器学习模型的输出可包括例如对正在制造的产品的方面或特性在公差内还是超出公差的分类。输出可进一步表明正在制造的产品(例如，轮胎)的方面或特性(例如，接头厚度或位置)超出公差的程度。响应于使用机器学习模型(或被构建用于一件或多件装备或与该装备相关的方面的一个或多个机器学习模型)预测公差度量或其他输出值，数据处理系统可确定是否调整、修改或以其他方式操纵制造产品的一件装备的操作，以便改善该产品的被预测或识别为超出公差的方面或特性。数据处理系统可生成控制命令或指令，并将指令提供给该件装备。例如，数据处理系统可预测不满足或不会满足公差范围的接头，然后调整压力辊以增加或减小压力，从而改进接头。因此，通过提前预测接头是否会有缺陷，数据处理系统可预先调整装备以便改进接头，从而降低由制造装备生产缺陷轮胎的可能性并减少所生产的缺陷轮胎的数量。

因此，本技术解决方案可在轮胎组装之前预测超公差接头，并且自动解析该接头。预测可通过减少缺陷轮胎的数量或缩短非操作时间(“N.O.T.”)来提高轮胎生产力。N.O.T.可能是由于制造装备上接头超出公差的警报。制造系统至少可包括制造装备、传感器和可包括机器学习引擎的数据处理系统。可使用与制造装备相关联的历史数据值来训练机器学习引擎。历史数据值可包括与接头的组件相关联的值，诸如来自先前的超公差接头组件的值。

图1描绘了框图，该框图描绘了用于制造轮胎的自主接头预测和调整的示例性系统。系统100可包括至少一个数据处理系统110，该至少一个数据处理系统用于超公差接头预测和参数调整值。参数可被称为特性。数据处理系统110可包括至少一个接口112、至少一个输入发生器114、至少一个模型管理器116、至少一个装备控制器118、至少一个机器学习引擎120和至少一个数据储存库128。数据处理系统110可包括硬件或硬件和软件的组合，诸如通信总线、电路、处理器、通信接口等。数据处理系统110可驻留在计算机或云(例如，远程设备或系统)上或内。例如，图1示出了经由网络101与数据处理系统110通信的制造装备104，使得数据处理系统110可远离制造装备104。

数据储存库128可包括或存储传感器数据结构130、度量数据结构132、模型数据结构134、收集的数据结构136、装备ID数据结构138、命令数据结构140、策略数据结构142和历史数据结构144。传感器数据结构124可包括关于可用传感器的信息、传感器的识别信息、地址信息、互联网协议信息、唯一标识符、数据格式、用于与传感器通信的协议，或者信息类型到传感器类型或标识符的映射。传感器数据结构124还可包括或存储由传感器108收集的信息。传感器数据结构124可使用时间戳、日期戳或其他时间相关信息来存储传感器数据。传感器数据结构124可使用装备ID 138戳存储传感器数据，以将该传感器数据与至少一个制造装备104相关联。传感器数据结构124可基于从制造装备104获得的各种类型的值对传感器数据进行分类。值的类型至少可包括例如温度数据、接头偏差数据、压力数据、速度数据、厚度数据、位置数据、取向数据或负载数据。

度量数据结构132可包括、存储或维持用于确定接头的公差的各种度量。度量可指用于至少导出接头偏差、接头公差、斜率导数、斜率稳定性的一个或多个函数，或者与数据集分析有关的其他函数，诸如图4和图5所示。度量数据结构132可将度量与对应于制造装备104的传感器数据相关联。例如，传感器108可提供与制造装备104对应的位置或取向数据类型的值。这些值可存储在传感器数据结构130中。传感器108的值可与至少一个度量相关联，该至少一个度量用于编译数据以生成用于机器学习引擎120的至少一个矩阵。

度量数据结构132还可包括或存储至少基于来自传感器数据结构130的值或值的类型或来自度量数据结构132的度量的一个或多个矩阵。度量数据结构132可存储通过累加来自传感器108的值并且用至少一个度量编译这些值所生成的矩阵。该矩阵可包括混淆矩阵、准确度矩阵、精度矩阵、灵敏度矩阵、特异性矩阵和适合于机器学习引擎120输入的其他相关矩阵。度量数据结构132可重新排列或分类与度量相关联的值，以存储在矩阵中作为机器学习引擎120的输入。度量数据结构132可由数据处理系统110更新或操纵。

模型数据结构134还包括、维护或存储来自或用于机器学习引擎120的多个模型。模型可被称为机器学习模型。模型至少可包括，例如深度玻尔兹曼机模型、深度信念网络模型、卷积神经网络(“CNN”)模型或堆叠自编码器模型。模型数据结构134可提供或存储用于或来自机器学习引擎120的模型。模型数据结构134可由数据处理系统110更新或操纵。

收集的数据结构136可包括或存储从机器学习引擎120生成的一个或多个值。这些值可包括至少一个预测值，诸如与制造装备104相关联的参数值。预测值可指示公差内接头和超公差接头的顺序。例如，收集的数据结构136可存储来自机器学习引擎120的多个预测值。预测值可指示与制造装备104相关联的多个后续接头中的每个接头的参数。收集的数据结构136可由数据处理系统110更新或操纵。

装备ID数据结构138可包括或存储与制造装备104相关联的信息。该信息可包括名称、型号、品牌、制造日期、路线编号或其他标识符，以从多个制造装备中识别制造装备104。装备ID数据结构138可将与每个制造装备对应的信息分类或捆绑到例如制造装备104的子集。例如当更换制造装备104时，装备ID数据结构138可由数据处理系统110更新或操纵。

命令数据结构140可包括或存储用于输出到制造装备104的命令。该命令可指代其他描述性术语(诸如指令、程序、脚本或控件)或与其互换使用。数据处理系统110可向制造装备104提供命令。命令可例如启动、暂停、继续或停止制造装备104的操作。可进一步提供命令，以配置与制造装备104兼容的操纵速度、取向、定时、压力、对准和/或其他操作等。命令数据结构140可由数据处理系统110更新或操纵。

策略数据结构142可包括或存储与每个制造装备104相关联的一个或多个策略。该策略可被称为用于确定接头的公差的阈值。该策略还可包括，例如中点、最小点、最大点及用于确定公差范围的其他指示标识。最小点或最大点可识别接头超出公差所超过的点。每个制造装备104的公差范围可基于来自装备ID 138的至少一个信息而不同。策略数据结构142可由数据处理系统110更新或操纵。

历史数据结构144可包括或存储历史数据，诸如关于历史传感器值的信息、用于训练或调谐神经网络的训练集、用户偏好、轮胎信息/配方、先前预测信息或先前参数调整信息。调谐神经网络可指或包括机器学习的过程，其中包括历史数据的训练数据集被提供给神经网络以进行处理。调谐可指或包括神经网络的训练或处理，以允许神经网络提高准确度。调谐神经网络可包括，例如使用已被证明对于神经网络(例如，输入层122、隐藏层124、输出层126等)的问题类型或期望的目标是成功的架构来设计神经网络。在某些情况下，一个或多个神经网络可在相同或相似的基线模型处启动，但在调谐(或训练、或学习过程)期间，结果神经网络可以完全不同，使得每个神经网络可被调谐以处理特定类型的输入，并且与在基线模型处或针对不同的目标或目的被调谐或训练的不同神经网络相比生成具有更高的准确度和可靠性水平的特定类型的输出。调谐神经网络可包括设置每个网络的不同参数，针对每个神经网络不同地微调参数，或分配不同权重(例如，超参数或学习速率)、张量流。因此，通过基于调谐或训练过程和神经网络的目标来设置每个神经网络的不同参数，数据处理系统可提高总体路径生成过程的性能。

数据处理系统110的每个组件都可使用硬件或软件和硬件的组合来实现。数据处理系统110的每个组件可包括响应于从存储器单元(例如，主存储器815或存储设备825)获取的指令并处理该指令的逻辑电路(例如，中央处理单元或CPU)。数据处理系统110的每个组件可包括或使用微处理器或多核处理器。多核处理器可在单个计算组件上包括两个或更多个处理单元。数据处理系统110的每个组件都可基于这些处理器中的任一个处理器，或者能够如本文所述进行操作的任何其他处理器。每个处理器都可利用指令级并行性、线程级并行性、不同级别的高速缓存等。例如，数据处理系统110可包括至少一个逻辑设备，诸如具有至少一个处理器以经由网络101通信的计算设备或服务器。

网络101可包括计算机网络，诸如互联网、局域网、广域网、近场通信网络、城域网或其他区域网络，以及卫星网络或其他计算机网络诸如语音或数据移动电话通信网络，以及它们的组合。网络101可包括或构成装备间通信网络，例如，包括用于装备间数据传输的数据处理系统110及其组件的组件子集。例如，网络101可包括点对点网络、广播网络、电信网络、异步传输模式网络、同步光网络或同步数字层级结构网络。网络101可包括至少一个无线链路，诸如红外信道或卫星频带。网络101的拓扑可包括总线、星形或环形网络拓扑。网络101可包括使用如下的任一种或多种协议在装备或其他设备之间通信的移动电话或数据网络，包括高级移动协议、时分或码分多址协议、全球移动通信系统协议、通用分组无线业务协议或通用移动电信系统协议，并且可通过不同协议传输相同类型的数据。

数据处理系统110的组件和元件可以是单独的组件、单个组件或数据处理系统110的一部分。例如，接口112、输入发生器114、模型管理器116、装备控制器118、机器学习引擎120或数据储存库128(以及数据处理系统110的其他元件)可包括硬件和软件的组合，诸如被配置为例如启动停止命令、启动运动命令以及发射或接收定时数据的一个或多个处理器。

数据处理系统110可远离制造装备104。数据处理系统110的组件可托管在云内，使得数据处理系统110可经由网络101获取一些组件。例如，数据储存库128上示出的数据部分可驻留在远程服务器上，诸如在服务器的云中，该远程服务器维护命令140、策略142或历史数据144，并且当获得历史数据144以生成预测或训练神经网络时，该数据部分可由数据处理系统110(例如，通过网络101)访问。数据处理系统110的组件可彼此连接或通信地耦接。数据处理系统110的各个组件之间的连接可以是有线的或无线的，或它们的任何组合。对应的系统或组件可托管在其他制造装备104的组件上，以实现组件之间的通信和协调。

系统100可包括一件或多件制造装备104、与其介接或以其他方式与其通信。制造装备104可由各种材料构成，诸如钢、金属、橡胶、ABS塑料、铝、钛、碳纤维或用于建造机械的各种其他材料。制造装备104可包括被配置为制造一种或多种类型产品的一种或多种类型的机器，包括例如挤出机、压延机(例如，将橡胶化合物挤压成薄片的一组多个大直径辊)、轮胎成型机或机器人。制造装备104可使用一个或多个参数组装用于制造轮胎的多个接头。制造装备104可包括用于组装一个或多个接头的一个或多个组件，以制造轮胎。组件可被标记为，例如，第一装备、第二装备和第三装备。制造装备104的每个组件可包含一个或多个接头。接头可被标记为，例如，左接头、中间接头或右接头。制造装备104可以是，例如，压力辊。制造装备104可经由网络101向数据处理系统110传送或提供信息。数据处理系统110可向制造装备104提供一个或多个指令，该一个或多个指令可基于所提供的信息。

系统100可包括一个或多个传感器108、与其介接或以其他方式与其通信。传感器108可耦接到制造装备104或与其相关联。传感器108可向数据处理系统110提供信息。数据处理系统110可存储由传感器数据结构130中的传感器108提供的信息。数据处理系统110可经由接口112与传感器108介接。传感器108可作为制造装备104的一部分或远离制造装备104。数据处理系统110可从包括一种或多种不同类型的传感器108的第一一个或多个传感器收集数据。第一一个或多个传感器可包括，例如，温度传感器、接近度传感器、压力传感器、速度传感器、扭矩传感器或距离传感器。数据处理系统110可整体地从传感器108提取制造装备104信息，诸如取向数据、压力数据、负载/重量数据或接近度数据，例如用于测量每个接头之间的位移。

所公开的系统和方法可通过减少超公差接头来提供制造轮胎的提高的生产力。尽管本公开有时可以指经由图形绘图的预测调整参数，但这仅以示例说明，并不旨在以任何方式加以限制。例如，图4至图5可示出一段时间内接头的预测或Δ差值。可基于数据图400或数据图500中表示的值来调整接头的至少一个参数。

数据处理系统110可包括接口112。接口112可被设计、配置、构建或操作以接收和发射信息。接口112可使用一个或多个协议诸如网络协议来接收和发射信息。接口112可包括硬件接口、软件接口、有线接口或无线接口。接口112可便于将数据从一种格式转换或格式化为另一格式。例如，接口112可包括应用编程接口，该应用编程接口包括用于在各种组件(诸如软件组件)之间进行通信的定义。接口112可被设计、构建或操作以与一个或多个传感器108通信来收集或接收信息。接口112可被设计、构建或操作以与一个或多个装备控制器118通信，从而提供控制制造装备104的命令或指令。

接口112可接收由制造工厂中的一件或多件制造装备104的一个或多个传感器108感测、测量或检测到的一个或多个值。可基于对应的装备ID 138区分一件或多件制造装备104中的每一件。从一个或多个传感器108接收的所感测数据可包括由一个或多个传感器108检测、获得、感测、收集或以其他方式识别的数据。所感测数据可包括，例如来自一个或多个传感器108的数据，诸如速度、扭矩、压力、取向、温度、重量、密度、厚度、长度、颜色、硬度或材料的其他性质。例如，速度数据可提供与执行至少一个操作的制造装备104对应的移动信息。例如，在滚动制造装备104来收集材料时，扭矩数据可确定由制造装备104施加的旋转力。压力数据可包括施加到用于粘贴在制造装备104上的材料的压力，例如，材料可以100磅/平方英寸(psi)的压力施加到压力辊(诸如制造装备104)上。取向数据可包括制造装备104内的每个接头的取向，例如，以将接头对准并组装到单个物体(诸如轮胎)中。取向可包括，例如，0度、10度、90度、180度等。温度数据可指示材料或制造装备104的温度。

数据处理系统110可包括输入发生器114，该输入发生器被设计、构建或操作以生成用于机器学习引擎120的至少一个输入。输入发生器114可与数据处理系统110的其他组件互连。输入发生器114可基于由一个或多个传感器108感测到的一个或多个值经由接口112来确定或选择一个或多个度量。输入发生器114可访问来自数据储存库128的传感器数据结构130的值。输入发生器114可进一步访问度量数据结构132的多个度量。输入发生器114可从存储在度量数据结构132中的度量列表中确定至少一个度量。可分类度量，例如将传感器108感测到的值与来自度量数据结构132的至少一个度量相关联。该度量表明函数至少可计算接头偏差和斜率导数。接头偏差可以是，例如，偏离中心点的数据点的测量值。中心点可以是中点，该中点可以是确定理想或期望的接头的点。中点可基于策略142由数据处理系统110来确定或配置。如图4所示，y轴可指示在压力辊设置的模型规定下接头重叠或间隙的可接受的质量公差和实际测量值。可采用任何单位进行测量，包括厘米、毫米、英寸等。x轴可指示测量和记录接头的日期和时间。斜率导数可以是，例如，公差测量周期之间的移动平均斜率，以预测超公差接头。例如，输入发生器114可确定多个预定周期内移动平均值的斜率(例如，斜率导数)。该周期可指时间序列，以确定多个预定周期内的移动平均值。该周期可被设置为，例如，5、10、25或50周期，以将数据集在设定周期内分组从而生成斜率。多个预定周期可由至少两个不同的预定周期组成。所确定的斜率可用于生成用于机器学习引擎120的至少一个矩阵。

输入发生器114可生成用于机器学习引擎120的至少一个矩阵。矩阵可基于由传感器108感测到的一个或多个值。矩阵还可基于从与传感器108所感测到的值相关联的度量数据结构132确定的或选择的度量。矩阵可以是，例如，二维(“2D”)或三维(“3D”)阵列，包括或基于来自传感器108的值和对应的所选度量。矩阵可对数据进行分组、分类、标记或以其他方式组织数据以供机器学习引擎120处理。输入发生器114可基于存储在传感器数据结构130中的时间戳来组织矩阵中的数据。输入发生器114可从历史数据结构144检索附加信息，诸如历史传感器值、用于训练或调谐神经网络的训练集、用户偏好、轮胎信息/配方、先前预测信息或先前参数调整信息，以提供给机器学习引擎120进行计算。输入发生器114还可包括基于使用所选度量的传感器108的值计算的数据。例如，所计算的数据可加快机器学习引擎120的至少一个预处理步骤。输入发生器114可将所生成的矩阵存储在度量数据结构132中。在另外的示例中，数据处理系统110可将先前生成的矩阵转移到历史数据结构144。例如，输入发生器114可生成第一接头的第一矩阵并且将第一矩阵存储在度量数据结构132中。数据处理系统110可基于制造第二接头的指示来测定将第一矩阵从度量数据结构132转移到历史数据144，以生成第二矩阵，该第二矩阵可部分基于存储在历史数据144中的第一矩阵。

数据处理系统110可包括模型管理器116，该模型管理器被设计、构建或操作以预测用于调整制造装备104的至少一个参数的至少一个值。可将预测值提供给存储在度量数据结构132中的接头公差度量。接头公差度量可以是用于确定接头和理想接头之间的公差差值的度量。接头的公差可与存储在度量数据结构132中的所生成矩阵相关联。接头的公差可被识别为置信度分数。置信度分数可与来自机器学习引擎120的至少一个模型所预测的接头公差度量的值相关联。矩阵可对应于传感器108的值和来自度量数据结构132的所选度量。例如，可根据先前提及的接头的各种信息生成矩阵。所生成的矩阵可确定接头的公差值，以与理想的接头(例如，理想的公差值)进行比较。在一些情况下，接头的公差可与存储在历史数据结构144中的矩阵相关联。例如，模型管理器116可利用来自历史数据结构144的历史矩阵来提供对一个或多个即将确定的接头公差值的预测。历史矩阵可包括，例如，与至少一个组装的接头对应的历史收集的接头公差值。理想的接头可指具有标准值的接头，例如确定了预期值的轮胎的压力、尺寸、形状、重量或其他方面。接头公差度量可，例如，确定该接头和理想接头之间的至少一个参数的Δ差值，诸如压力、取向或负载。接头公差度量可进一步确定接头在公差内还是超出公差。在公差内还是超出公差可以是二元确定。接头公差度量可确定接头超过公差水平的量值。公差水平可指至少一个参数的边界值或阈值，以确定例如接头是在公差内还是超出公差。公差水平可基于来自策略数据结构142的至少一个策略。

模型管理器116可与数据处理系统110的各种其他组件互连。模型管理器116可与机器学习引擎120通信以管理由机器学习引擎120生成的一个或多个模型。所生成的模型可基于输入发生器114向数据储存库128提供或存储一个或多个信息。由输入发生器114提供的信息至少可包括传感器数据130或度量132，例如用于生成矩阵。机器学习引擎120至少可接收来自数据储存库128的信息或矩阵，诸如来自传感器数据结构130、度量数据结构132或历史数据结构144的信息或矩阵。与机器学习引擎120通信的模型管理器116可基于来自机器学习引擎120的至少一个结果生成至少一个模型。模型可对应于提供各种信息为模型生成矩阵的制造装备104。结果可基于由机器学习引擎120使用来自数据储存库128的各种信息执行的各种机器学习技术。所生成的模型可指示或提供用于调整制造装备104的参数的一个或多个值。例如，使用模型管理器116的数据处理系统110可响应于接头公差值(例如，置信度分数)满足基于至少一个策略的阈值，确定调整至少一个制造装备104组件的参数。

模型管理器116可从机器学习引擎120接收一个或多个数据。模型管理器116可包括，例如，模型生成组件或发生器，以构建一个或多个模型。模型管理器116可使用机器学习引擎120的数据以构建用于制造装备104的每个组件的多个模型。制造装备104的每个组件可与轮胎的多个接头中的一个接头配对。例如，组件可与左接头、中间接头或右接头配对。在一些情况下，模型管理器116可生成与存储在模型数据结构134中的多个模型中的一个模型对应的模型。模型管理器116可决定，例如，将所生成的模型与多个模型中的一个模型合并。模型管理器116可进一步决定用所生成的模型替换多个模型中的一个模型。模型管理器116可进一步决定存储所生成的模型而不合并或替换模型数据结构134中的预先存在的模型。

模型管理器116可将一个或多个所生成的模型存储在模型数据结构134中。来自所生成的模型的参数的一个或多个预测值可存储在收集的数据结构136中。预测值可对应于一定时间范围内的多个接头。例如，模型可提供即将确定的20个接头的预测值以调整制造装备104的参数。例如，可将预测值提供给装备控制器118以调整对应的制造装备104的参数。模型管理器116可至少基于制造装备104的组件或与模型相关联的接头类型来分类或组织所生成的模型。例如，制造装备104的组件可包括被标记为第一装备、第二装备和第三装备的3个部分。制造装备104的组件中的每个组件可包括，例如，3个被标记为左接头、中间接头和右接头的接头。制造装备104的3个组件和与每个组件相关联的3个接头是作为示例提供的，而不是对本技术的限制。因此，在另外的示例中，系统100可包括各种数量的制造装备104的组件和接头，诸如2个、5个、10个或15个组件或接头。

模型管理器116可刷新、更新或以其他方式训练存储在模型数据结构134中的至少一个模型。模型管理器116可响应于从与制造装备104对应的传感器108接收到的附加值或新值来训练模型。例如，模型管理器116可针对第一制造装备104的组件相关联的第一类型的第一接头生成第一模型。模型管理器116然后可针对与第一制造装备104的组件相关联的第一类型的第二接头接收矩阵。模型管理器116可确定刷新、更新或以其他方式训练与第一类型接头和第一制造装备104的组件对应的现有模型。更新的模型可基于更新的预测提供另外的预测值或调整预测值。

模型管理器116可针对一件或多件制造装备104的第一装备和轮胎的第一接头构建存储在模型数据结构134中的多个模型中的第一模型。一件或多件制造装备104中的该装备可被称为压力辊组件。模型管理器116可针对第一装备和轮胎的第二接头构建多个模型中的第二模型。模型管理器116可针对第一装备和轮胎的第三接头构建多个模型中的第三模型。第一接头、第二接头和第三接头分别可被称为左接头、中间接头和右接头。模型管理器116可针对第二装备和轮胎的第一接头构建多个模型中的第四模型。模型管理器116可针对第二装备和轮胎的第二接头构建多个模型中的第五模型。模型管理器116可针对第二装备和轮胎的第三接头构建多个模型中的第六模型。模型管理器116可针对第三装备和轮胎的第一接头构建多个模型中的第七模型。模型管理器116可针对第三装备和轮胎的第二接头构建多个模型中的第八模型。模型管理器116可针对第三装备和轮胎的第三接头构建多个模型中的第九模型。

数据处理系统110可包括装备控制器118，该装备控制器被设计、构建或操作以经由网络101配置、操纵或以其他方式指示制造装备104。装备控制器118可指示制造装备104执行一个或多个操作，例如启动、暂停、继续或停止操作。装备控制器118可配置制造装备104的一个或多个参数，诸如操纵速度、取向、定时、压力、对准和/或与制造装备104兼容的其他操作。

装备控制器118可与数据处理系统110的其他组件互连。装备控制器118可访问数据储存库128中的各种数据结构，诸如收集的数据136、装备ID 138或命令140。收集的数据136可包括基于与机器学习引擎120通信的模型管理器116所生成的模型的一个或多个预测值。装备ID 138可表示，例如，与制造装备104相关联的路由ID，以提供一个或多个指令。装备ID 138可进一步表示制造装备104的组件以提供指令。命令140可包括提供给制造装备104或制造装备104的组件的指令。

数据处理系统110可包括被设计、构建和操作以处理与一个或多个制造装备104相关联的状态信息的机器学习引擎120，以将一个或多个命令140生成、识别、确定或分配到制造装备104。命令可被进一步链接、提供或转移到制造装备104的组件。制造装备104的组件可被称为目标组件。数据处理系统110可将目标组件的信息输入到机器学习引擎120中。机器学习引擎120可包括或利用神经网络(例如，图6中描绘的神经网络600)，该神经网络具有输入层122、一个或多个隐藏层124和输出层126。

机器学习引擎120可基于，例如，在将接头制造到轮胎中之前接头偏离预定接头点的程度来训练存储在模型数据结构134中的一个或多个模型。偏差可指接头的公差与对应于该接头的理想公差值之间的Δ差值。公差程度可指在制造或组装期间轮胎的各种参数，诸如温度、压力、取向或位置。机器学习引擎120可基于先前接头的至少一个结果来进一步训练一个或多个模型。先前接头的结果至少可包括预定数量周期内接头点的移动平均值。结果还可包括接头点的预定数量移动平均值的斜率导数。结果可来自制造装备104的具有或不具有调整后参数的一个或多个组件，如图4和图5所示。

机器学习引擎120可包括神经网络、机器学习技术或基础模型。例如，机器学习引擎120可包括卷积神经网络。机器学习引擎120可包括任何类型的神经网络，包括例如卷积神经网络、深度卷积网络、前馈神经网络、深度前馈神经网络、径向基函数神经网络、Kohonen自组织神经网络、递归神经网络、模块化神经网络、长/短期记忆神经网络等。

机器学习引擎120可维护、管理、存储、更新、调谐或配置一个或多个神经网络。机器学习引擎120可针对神经网络或一个或多个隐藏层124使用不同参数、权重、训练集或配置，以允许神经网络有效且准确地处理一种类型的输入(或中间输入)并生成一种类型的输出(或中间输出)。通过配置和调谐神经网络或神经网络的每个隐藏中间层，相对于不使用神经网络或不使用已被训练或配置为处理制造装备104信息的神经网络，数据处理系统110可提高预测接头公差的效率、可靠性和准确度。

例如，机器学习引擎120可被配置为或包括卷积神经网络。卷积神经网络可包括一个或多个卷积单元(或池化层)和核，每一者都可用于不同的目的。输入层122可包括能够处理输入数据的卷积核，并且池化层可使用如非线性函数诸如max来简化数据，从而减少不必要的特征。制造装备104的信息可被传递到形成漏斗的卷积层，压缩检测到的特征。第一层可检测第一特性，第二层可检测第二特性，以此类推。

卷积神经网络可以是一种被配置为分析视觉图像的深度前馈人工神经网络。卷积神经网络可包括被设计成使用最少预处理的多层感知器。基于它们的共享权重架构和平移不变性特性，卷积神经网络可包括或被称为移位不变或空间不变的人工神经网络。由于与其他分类算法相比，卷积神经网络可使用相对较少的预处理，所以卷积神经网络可自动学习可能为其他分类算法手动设计的过滤器，从而提高与配置、建立或设置神经网络相关联的效率，从而提供了相对于其他分类技术的技术优势。

深度学习引擎可使用神经网络，诸如被设计和构建成具有输入层122和输出层126的卷积神经网络。神经网络可具有一个或多个隐藏层124，该一个或多个隐藏层可包括卷积层、池化层、全连接层或归一化层。例如，在卷积层中，数据处理系统110可对输入应用卷积运算，将结果传递到下一层。卷积可模拟个别神经元对视觉刺激的反应。每个卷积神经元仅对其感受野进行数据处理。与全连接的前馈神经网络相比，使用卷积运算可减少神经网络中使用的神经元的数量。因此，卷积运算为这个问题带来了技术解决方案，因为它减少了自由参数的数量，使得网络以更少的参数变得更深。至少以这种方式，具有卷积神经网络的机器学习引擎120可通过使用反向传播来解决在训练具有多个层的传统多层神经网络中梯度消失或爆炸的问题。

配置有卷积神经网络的机器学习引擎120可包括一个或多个池化层。该一个或多个池化层可包括局部池化层或全局池化层。池化层可将一层的神经元簇的输出合并到下一层的单个神经元中。例如，最大池化可使用前一层神经元簇中每个神经元的最大值。另一个示例是平均池化，它可使用前一层神经元簇中每个神经元的平均值。

配置有卷积神经网络的机器学习引擎120可包括连接层。连接层可将一层中的神经元连接到另一层中的神经元。配置有卷积神经网络的机器学习引擎120可被配置有卷积层中的共享权重，该共享权重可指是用于层中的每个感受野的相同过滤器，从而减少内存占用并提高神经网络的性能。

卷积神经网络中的隐藏层124可包括被调谐或配置为基于在输入层122处接收的制造装备104的信息来检测信息的过滤器。当数据处理系统110逐步通过卷积神经网络中的每个层时，数据处理系统110可转化来自第一层的输入并且将转化后的输入输出到第二层，以此类推。卷积神经网络可包括一个或多个隐藏层124，该一个或多个隐藏层基于被检测到的对象或信息的类型以及输入制造装备104信息的类型。

数据处理系统110至少可使用传感器数据130、度量132或历史数据144来训练机器学习引擎120的神经网络。神经网络可在数据处理系统110的一个或多个服务器上或远离数据处理系统110来训练。机器学习引擎120的神经网络可被训练用于处理、分析或使用来自目标组件的接头信息，诸如参数和公差信息，以预测用于参数调整的一个或多个值，以便提供一个或多个命令140控制目标组件来减少制造装备104的非操作时间。

数据处理系统110可基于来自机器学习引擎120的输出来向制造装备104分配预测值(例如，存储在数据储存库128中的收集的数据136)。例如，使用机器学习引擎120的数据处理系统110可调整装备控制器118的参数值来提供制造装备104。数据处理系统110可经由机器学习引擎120的输出层126输出预测值，以分配到目标组件或制造装备104的一个或多个其他组件。为此，数据处理系统110可将目标组件的各种接头信息(例如，压力、取向、尺寸、温度)输入到神经网络的输入层122中。数据处理系统110(例如，经由机器学习引擎120)可分析该信息以将预测值分配到目标组件。例如，如果接头的公差小于公差水平，则基于至少一个策略142，数据处理系统110可使用机器学习引擎120确定提供用于调整目标组件的参数以减少超公差接头的预测值。用于调整目标组件以校正接头公差的参数值至少可包括与一种类型的接头相关联的目标组件的压力、取向、对准或位置数据。接头的类型可包括左接头、中间接头和右接头。然而，如果接头基于至少一个策略142(例如，与理想接头的中点的低Δ差值)而处于公差范围内，则数据处理系统110可使用机器学习引擎120来确定不提供用于参数的调整值。相反，数据处理系统110可确定刷新、更新或训练模型134以进一步增加预测范围。例如，模型可预测20个即将确定的接头的公差水平，并且通过用至少一个接头信息更新模型，该更新的模型可预测25、30或40个即将确定的接头的公差水平。

第二神经网络可由机器学习引擎120维护。第二神经网络可包括如图6所示的神经网络600的一个或多个组件或功能。第二神经网络可以是与神经网络600相同类型的神经网络，诸如卷积神经网络。第二神经网络可生成预测值以调整制造装备104的参数。例如，制造装备104可使用传感器108提供每个组件的各种信息，并且数据处理系统110可将多个组件中的每个组件的信息输入到机器学习引擎120中以将值分配给多个组件中的每个组件，并且向多个组件中的至少一个组件指示一个或多个命令140，以改变参数从而减少超公差接头。

当数据处理系统110接收到制造装备104的一个或多个组件的更新状态信息时，数据处理系统110可基于历史数据144和更新的参数值、来自传感器108的感测值或任何后续参数值来生成制造装备104的更新模型。当从例如传感器108或与每个接头相关联的制造装备104的每个组件接收更新信息时，数据处理系统110可持续更新或再生制造装备104的模型。因此，数据处理系统110可基于历史数据144、当前接收到的传感器108的信息和参数值持续或周期性地更新制造装备104的模型。

图2描绘了根据实施方案的用于预测分析过程的机器学习引擎的示例性操作图。操作200可由图1和图8中描绘的一个或多个系统、组件或函数执行。例如，操作可由数据处理系统、制造装备、传感器、接口、输入发生器、模型管理器、装备控制器、机器学习引擎或数据储存库执行。在ACT 204处，数据处理系统可接收、识别或收集训练数据以训练来自机器学习引擎的至少一个模型。训练数据至少可来自远程服务器、历史数据、传感器数据或包含有关当前或过去接头的各种信息的其他数据库。训练数据可包括，例如，生产数据、压力参数数据、轮胎构造数据或历史接头数据。训练数据还可包括子组件生产数据和批次跟踪数据。子组件生产数据可指制造装备的每个组件。训练数据可对应于每个子组件。例如，训练数据可对应于制造装备的第一装备的左接头，并且不同的训练数据可对应于制造装备的第二装备的右接头。批次跟踪数据可包括用于生产接头的材料的信息。批次跟踪数据可包括，例如，用于生产接头的至少一种材料、结构、尺寸或纹理。

在ACT 208处，数据处理系统可将ACT 204处的训练数据传递到机器学习引擎以进行训练。如图1中更详细描述的，机器学习引擎可使用训练数据执行一种或多种机器学习技术。机器学习引擎可经由数据处理系统的接口接收一个或多个训练数据。机器学习引擎可基于训练数据生成或更新至少一个模型。模型可存储在模型数据结构中。

在ACT 212处，数据处理系统可将生成的模型传递到机器学习引擎以执行附加机器学习技术。在ACT 216处，数据处理系统可将输入数据传递到机器学习引擎。输入数据可表示各种传感器数据和基于该传感器数据选定的度量。输入数据还可表示与例如当前接头或过去制造的接头对应的信息。传感器数据和所选度量可用于生成输入到机器学习引擎的矩阵。

在ACT 220处，数据处理系统可将输入数据和模型两者传递到机器学习引擎。机器学习引擎可合并输入数据和模型以更新用于预测参数调整值的模型。在ACT 224处，数据处理系统可预测参数调整值。参数调整值可基于来自ACT 220的更新的模型。该预测可存储在数据储存库内的收集数据中。数据处理系统可基于预测值向制造装备提供至少一个命令。预测值可包括，例如，压力、取向或接头与当前超公差接头的对准。

在ACT 228处，数据处理系统可基于对与接头对应的组件参数的调整来执行接头的确定或评估。例如，数据处理系统可在组件参数改变之后确定接头在公差范围内。公差范围可指，例如，与中点的至少一个Δ差值。基于公差内接头，数据处理系统可决定是否进一步调整制造装备的参数。在另外的示例中，数据处理系统可基于参数调整来确定接头超出公差。数据处理系统可决定训练和更新模型以便重新评估。操作200可循环重复，例如，从ACT 208、ACT 212、ACT 220、ACT 224到ACT 228依次重复。ACT 204的训练数据和ACT 216的输入数据可被提供给操作200循环，以基于接收到与当前或历史接头对应的一个或多个信息来训练模型。

图3描绘了根据实施方案的用于管理机器学习引擎的模型的分析数据层级结构的示例性操作图。操作300由图1和图8中描绘的一个或多个系统、组件或函数执行。例如，操作可由数据处理系统、制造装备、传感器、接口、输入发生器、模型管理器、装备控制器、机器学习引擎或数据储存库执行。操作300可演示用于预测参数调整的各种模型的生成。操作300可包括用于制造轮胎的数据层级结构的各种组件，诸如机器类型304、轮胎类型308、制造装备312、组件316和接头320。制造装备312可指图1的制造装备104。数据处理系统可基于与轮胎制造机器相关联的品牌、型号或其他装备ID来确定机器类型304。

数据处理系统可确定机器类型304的轮胎类型308以接收至少一个批次跟踪数据。轮胎类型308可基于与一种或多种类型的车辆的兼容性。例如，轮胎类型308可用于轿车、小型货车、卡车、SUV或其他类型的车辆。轮胎类型308基于材料的尺寸和厚度。数据处理系统可确定制造装备312，用于调整一个或多个参数以产生或者生产轮胎类型308。数据处理系统可将轮胎类型308的指示传递到至少一个制造装备312，以使用一个或多个接头320产生或者生产轮胎类型308的对应轮胎。

数据处理系统可基于装备ID识别来自多个制造装备312中的每个制造装备312。多个制造装备312可以是轮胎制造机器中的一种，诸如VMI Maxx或其他相关轮胎成型机(“TBM”)。机器类型304可确定各种相关联的操作能力和参数。数据处理系统可进一步使用装备ID来识别多个组件316中的每个组件以调整一个或多个参数。制造装备312可包括与多个制造装备312中的每个制造装备对应的各种组件316。制造装备的组件316至少可包括，例如，第一装备317、第二装备318和第三装备319。每个组件可指制造装备312的用于制造轮胎的一部分。每个组件可包括用于制造轮胎的对应接头320。可使用装备ID来识别接头320，类似于识别制造装备312的组件316。接头可包括各种接头类型，诸如左接头322、中间接头324或右接头326。接头320可对应于组件316中的每个组件，例如，第一装备317可包括第一左接头322、第一中间接头324和第一右接头326；第二装备318可包括第二左接头322、第二中间接头324和第二右接头326；并且第三装备319可接着包括对应于第三装备319的接头320。数据处理系统可接收与组件316的至少一个接头320对应的一个或多个值。这些值可与至少一个度量一起使用以生成用于机器学习引擎的矩阵。机器学习引擎可生成或更新与制造装备的每个组件的每个接头对应的模型。可将模型提供给模型管理器116，例如，以基于用于参数调整的对应接头类型进行组织、分类、分组或以其他方式布置模型。

另外，操作300可执行如本文所述的步骤。数据处理系统可识别用于制造轮胎以收集一个或多个制造装备312信息的机器类型304。数据处理系统可进一步识别轮胎的轮胎类型308以进行制造。数据处理系统可从多个制造装备312中选择与制造轮胎类型308的轮胎对应的至少一个制造装备312。数据处理系统可进一步选择组件316中的一个组件，诸如第一装备317、第二装备318或第三装备319，用于信息收集。数据处理系统可从所选组件316收集信息，用于调整与接头320中的至少一个接头(诸如左接头322、中间接头324或右接头326)对应的至少一个参数。数据处理系统可将收集的信息提供给模型管理器116以更新、生成或管理模型。

图4描绘了根据实施方案的与中点/中心线的接头偏差的示例性图示。图4描绘了数据图400，该数据图可由图1、图2、图3或图7中描绘的一个或多个系统、组件或函数生成，包括例如，由数据处理系统、制造装备、传感器、接口、输入发生器、模型管理器、装备控制器、机器学习引擎或数据储存库生成。数据图400描绘了中点410、接头偏差415(例如数据集415)和超公差范围420。中点410可指理想点或中心线，诸如在理想条件或参数下的接头的预期值点。数据图400的超公差范围420部分可指接头被视为超出公差的范围，使得接头超过一个或多个策略。考虑到接头偏差415，数据图400上的多个点可被标记为超出公差。例如，在大约时间85、529和829处，在给定时间的接头偏离超过(例如，越过)公差范围。接头越过了公差范围，可被视为超出公差。数据图400不是在公差内还是超出公差的二元测量，而是展示了接头偏离理想中点的程度测量。偏差可基于存储在度量数据结构中的至少一个度量。数据图400可以是机器学习引擎分析多个值和度量以生成一个或多个模型的图形示例。

图5描绘了根据实施方案的接头偏差415的斜率导数的示例性图示。图5描绘了数据图500，该数据图可由图1、图2、图3或图7中描绘的一个或多个系统、组件或函数生成，包括例如，由数据处理系统、制造装备、传感器、接口、输入发生器、模型管理器、装备控制器、机器学习引擎或数据储存库生成。数据图500可包括类似于数据图400的描述。类似于数据图400，数据图500可执行至少一个斜率函数，诸如斜率导数，以至少基于周期移动平均值来计算斜率。例如，数据图500上的第一数据集425可表示使用20周期移动平均值用于预测超公差接头的斜率导数。数据图500上的第二数据集430可表示使用50周期移动平均值用于预测超公差接头的斜率导数。至少使用移动平均函数和对应斜率，数据处理系统可在数据图500动量中提供观察，以基于先前参数至少预测可能超出公差的时间、接头、批次或接头数量。

图6描绘了根据具体实施的由机器学习引擎用于预测超公差接头并确定制造装备的参数的神经网络的实施例。图6描绘了由机器学习引擎用于通过与网络互连的接口调整制造装备的一个或多个参数所用的神经网络的示例性操作。操作可由图1、图2、图3、图7和图8中描绘的一个或多个系统、组件或函数执行。例如，操作可由或通过数据处理系统、制造装备、传感器、接口、输入发生器、模型管理器、装备控制器、机器学习引擎或数据储存库执行。

在ACT 610处，数据处理系统可由神经网络600的输入层122处的制造装备的传感器输入各种信息。可在图1中进一步详细描述来自传感器108的各种信息。数据处理系统可进一步输入与由传感器108感测到的信息对应的至少一个所选度量。数据处理系统110可使用输入发生器114来生成与传感器信息对应的矩阵(例如，一个或多个值)和所选度量。所生成的矩阵可使用度量对传感器信息进行分类，诸如用于过滤数据以提供给机器学习引擎。数据处理系统可在输入层122处输入矩阵。

在ACT 610处输入之后，数据处理系统可将输入信息传递到神经网络600的共享卷积层。输入层122可被训练、配置或操作以至少将传感器数据、度量或历史数据作为输入接收，以及将数据输出到隐藏层124。神经网络可包括多个隐藏层，诸如第一隐藏层624和第二隐藏层628。神经网络还可包括第三隐藏中间层(未示出)和第四隐藏中间层(未示出)。神经网络可包括输出层126。

隐藏层124可以是卷积层、池化层、全连接层或加权层。层中的每个节点可对数据执行处理或操作。每个节点或层可转化输入数据以生成输出数据(例如，可被传递到后续层的中间输出，或被传递到系统中的另一组件的最终输出)。

例如，第一输入层122可接收制造装备信息数据，处理数据以将数据转化为第一中间输出，并将第一中间输出转发到第一隐藏层624。第一隐藏层624可接收第一中间输出，处理第一中间输出以将第一中间输出转化为第二中间输出，并且将第二中间输出转发到第二隐藏层628。第二隐藏层628可接收第二中间输出，处理第二中间输出以将第二中间输出转化为第三中间输出，并将第三中间输出转发到第三隐藏中间层(未示出)。第三隐藏中间层可接收第三中间输出，处理第三中间输出以将第三中间输出转化为第四中间输出，并将第四中间输出转发到第四隐藏中间层(未示出)。第四隐藏中间层可接收第四中间输出，处理第四中间输出以将第四中间输出转化为第五中间输出，并且将第五中间输出转发到输出层126。输出层126可接收第五中间输出，处理第五中间输出以将第五中间输出转化为最终输出，并且转发最终输出。最终输出预测可包括公差内预测634和超公差预测638。输出预测(例如，公差内预测634、超公差预测638等)可对应于，例如，接头的与输入对应的压力水平、厚度水平、位置或取向。例如，最终输出可提供超公差预测638，其中至少一个值用于参数调整。最终输出还可提供公差内预测634，以至少维持制造装备的参数或由输出层126生成的模型。输出预测可用于生成或更新与制造装备的组件对应的至少一个模型。因此，神经网络600可被配置、训练、调谐或操作，以使用具有一个或多个隐藏层的卷积神经网络来接收制造装备信息并输出预测。

图7描绘了流程图，该流程图描绘了根据具体实施的用于制造轮胎的示例性方法。方法700可由图1至图6或图8中描绘的一个或多个系统、组件或函数执行，包括例如，由数据处理系统、制造装备、传感器、接口、输入发生器、模型管理器、装备控制器、机器学习引擎或数据储存库执行。在ACT 704处，数据处理系统可接收传感器数据。数据处理系统可接收由每个制造装备组件的一个或多个传感器感测到的数据。数据处理系统可周期性地、连续地、响应于请求、响应于事件或触发来接收传感器数据。数据处理系统可从一个或多个传感器接收传感器数据。数据处理系统可检测与传感器相关联的特性或测量值的变化，然后请求来自检测到该变化的特定传感器的更新信息。数据处理系统可请求来自所有传感器的数据。数据处理系统可基于由数据处理系统执行的操作类型来请求来自传感器子集的数据，从而减少传感器计算资源利用、处理器利用、存储器利用或I/O利用。例如，数据处理系统可访问温度传感器、接近度传感器、压力传感器、速度传感器、扭矩传感器或距离传感器。数据处理系统可决定使用单个传感器诸如压力传感器，以例如确定每个接头的接头公差水平。在该示例中，可提供压力信息以生成用于预测至少一个参数值的机器学习引擎的输入。

在ACT 708处，数据处理系统可确定来自一个或多个传感器的数据不足以输入到机器学习引擎中以供生成模型或预测。在一些实施方案中，数据处理系统确定接口112从传感器108接收到的数据是否有效。例如，收集的传感器数据可能不具有足够的分辨率、粒度或采样率(例如，采样率可小于基于至少一个策略的值)。收集的传感器数据可具有低信噪比(例如，小于基于策略的值)。收集的传感器数据可具有高量的伪影或噪声(例如，大于基于策略的值)。策略可基于超过某个值的噪声确定不接受或不存储传感器数据，从而例如，防止生成用于预测参数调整值的无效或不准确的模型。收集的传感器数据可能具有错误的读数(例如，大于用于预测参数值的值集合的范围测量值)。传感器可指示在收集传感器数据期间的故障或错误。数据处理系统可基于至少确定数据的有效性或数据的充分性，通过例如回到ACT 704来接收第二传感器数据。充分性可以指由传感器108获得的用于准确地描绘接头的数据的量。在第二实施方案中，数据处理系统可确定接收到的数据是有效的。来自传感器108的有效数据可存储在传感器数据结构中。

在ACT 712处，数据处理系统可确定接收与制造装备组件对应的至少一个新的或额外的传感器的信息。数据处理系统可确定由传感器108接收的数据的类型，例如温度数据、接近度数据、压力数据或距离数据。数据处理系统可使用输入发生器，基于传感器数据的值或类型，来选择存储在度量数据结构中的至少一种度量。该度量可包括对用于确定与制造装备组件对应的每个接头的公差的数据进行分类或组织的多个函数。

在ACT 716处，数据处理系统可利用输入发生器114来生成用于输入到机器学习引擎的矩阵。如在ACT 704和ACT 712中，该矩阵可基于所收集的传感器数据和所确定的度量。该矩阵可包括混淆矩阵、准确度矩阵、精度矩阵、灵敏度矩阵、特异性矩阵或用于输入到机器学习引擎的其他相关矩阵，如图1中所述。数据处理系统可将矩阵与一种或多种度量一起存储在度量数据结构中。在一些情况下，存储在度量数据结构中的矩阵可从数据储存库中移除，或者转移到至少历史数据结构或远程数据储存库中。可移除或转移矩阵，以例如重新分配数据储存库128内的一个或多个存储空间。基于接收到用于生成模型的矩阵的机器学习，可进一步移除或转移矩阵。

在ACT 720处，数据处理系统可预测接头公差度量的值。数据处理系统可预测用于调整的至少一个参数的值。预测值可存储在收集的数据结构中。数据处理系统可在输入层处将所生成的矩阵从输入发生器输入到机器学习引擎。机器学习引擎可执行各种机器学习技术以生成或更新与制造装备组件和接头类型对应的至少一个模型。模型管理器可组织、分类或以其他方式管理由机器学习引擎生成的多个模型以存储在模型数据结构中。模型管理器可将模型组织或分类为，例如，与第一装备、第二装备或第三装备中的每一者对应的左类型、中间类型或右类型。模型数据结构可由模型管理器维护、更新或访问。在一些情况下，数据处理系统可向机器学习引擎提供与制造装备组件和接头类型相关联的新的或额外的矩阵。模型管理器可确定具有相关联的制造装备组件和接头类型的模型的存在。模型管理器可为机器学习引擎提供模型以基于新的或额外的矩阵来更新该模型。

在一些情况下，机器学习引擎可生成用于模型管理器的新模型。模型管理器可基于与模型相关联的复制制造装备组件或接头类型来决定将新模型与预先存在的模型合并，替换预先存在的模型，或者将复制模型存储在模型数据结构中。接头公差度量可提供接头公差和每个接头的理想公差之间的Δ差值的指示，如图1中所述。在另一种情况下，机器学习引擎可进一步使用至少一个历史数据来生成模型。历史数据还可包括对应于制造装备组件或接头类型的数据集。

在ACT 724处，数据处理系统可确定接头是否超出公差。在一些实施方案中，数据处理系统确定接头偏差415是否在超公差范围420内。接头公差以及超公差范围420可由机器学习引擎生成的模型来确定。数据处理系统可至少基于接头公差和对应于制造装备部件或接头类型的接头的理想公差之间的Δ差值来确定接头是否超出公差(例如，位于超公差范围420内)。超公差范围420可进一步基于超过公差水平范围内某一值的Δ，如图4和图5中所描绘的。公差水平范围或接受的公差可基于存储在策略数据结构中的至少一个策略。数据处理系统可确定，对于超公差接头(例如，如果接头偏差415位于超公差范围420内)前进到ACT 728，或者对于公差内接头前进到ACT 704。

在ACT 728处，数据处理系统可确定轮胎制造工厂中的至少一件装备的参数以进行调整。这一件装备可以指制造装备组件，诸如第一装备、第二装备或第三装备。每个装备可包括各种类型的接头，例如左接头、中间接头或右接头。用于调整的参数可至少包括接头的压力水平、取向或位置。参数可基于来自接头公差度量的预测值。

在ACT 732处，数据处理系统可提供至少一个命令，以基于来自接头公差度量的预测值来调整轮胎制造工厂中的至少一件装备。数据处理系统可利用装备控制器118基于超公差接头的确定来向制造装备组件提供命令。装备控制器118可基于装备ID确定提供命令的制造装备组件。装备ID可包括例如与至少传感器108或制造装备104相关联的路由地址。命令可包括例如调整用于制造轮胎的接头的压力值、取向或位置。数据处理系统可进一步基于参数调整来确定接头的公差。可将与具有调整后参数的接头对应的结果或值提供给历史数据结构。

返回到ACT 704，数据处理系统可确定接收额外传感器数据。接收额外传感器数据的确定可至少基于ACT 724或ACT 732。例如，数据处理系统可确定接头公差度量的预测值在公差内。基于接头的公差内预测，数据处理系统可通过不向组件提供命令来维持制造装备组件的参数。相反，数据处理系统可等待响应于检测到来自组件的新接头的额外传感器数据。在另外的示例中，ACT 732的数据处理系统向至少一个制造装备组件提供一个或多个命令，以改变至少一个参数，诸如组件的压力、取向、对准或校准。数据处理系统可响应地接收与具有调整后参数的组件对应的传感器108的一个或多个值。可在ACT 708处检查值的有效性。

返回到ACT 708，数据处理系统可基于例如接头在公差范围内或者与超公差接头对应的一个或多个参数的调整来检查ACT 704的传感器数据的有效性。数据处理系统可至少基于确定传感器数据有效或在对参数进行调整之后接收的一个或多个值来确定更新或生成ACT 716处的矩阵。响应于接收到并验证ACT 704的传感器数据，生成或更新的矩阵可用于至少生成或更新预先存在的模型或提供添加模型，例如在ACT 716中所述。数据处理系统可使用更新的模型来例如预测轮胎的接头满足公差水平(例如，公差窗口)。数据处理系统可至少在ACT 704、708、712、716、720、724、728和732之间循环。数据处理系统可基于经由数据处理系统的接口启动的触发来终止循环，例如以暂停、退出或启动轮胎制造操作。数据处理系统可进一步响应于根据对制造装备组件的参数的调整预测公差内接头而终止循环。

通常重新参考图7，数据处理系统可在ACT 716处接收更新的矩阵。数据处理系统可将更新的矩阵提供给机器学习引擎的输入层。例如，机器学习引擎可为数据储存库内预先存在的模型提供更新的信息。如在ACT720中，数据处理系统可例如基于更新的模型预测对应于轮胎的接头的值。在ACT 724处，数据处理系统可确定接头的值(例如，公差)，在这种情况下并且作为示例，不满足公差水平或窗口。在ACT 728处，数据处理系统可确定制造装备的用于调整的参数。因此在ACT 732处，数据处理系统可调整制造装备组件的第二参数或第二或第三组件的参数中的至少一者。调整可基于更新的模型，并且响应于参数调整之后轮胎的接头不满足公差窗口的预测。

图8是示例性计算系统800的框图。计算机系统800(例如，计算设备、计算机系统等)可包括或用于实现数据处理系统110，或其组件诸如数据处理系统110。计算系统800包括用于传送信息的至少一个总线805或其他通信组件，以及耦接到总线805以用于处理信息的至少一个处理器810或处理电路。计算系统800还可包括耦接到总线以用于处理信息的一个或多个处理器810或处理电路。计算系统800还包括至少一个主存储器815诸如随机存取存储器(“RAM”)或其他动态存储设备，其耦接到总线805以用于存储信息以及将由处理器810执行的指令。主存储器815可以是或包括数据储存库128。主存储器815还可用于存储与制造装备有关的各种参数信息，或处理器810执行指令期间的其他信息。计算系统800还可包括耦接到总线805的至少一个只读存储器(“ROM”)820或其他静态存储设备，以用于存储用于处理器810的静态信息和指令。存储设备825，诸如固态设备、磁盘或光盘，可耦接到总线805以持续存储信息和指令。

计算系统800可经由总线805耦接到显示器835诸如液晶显示器或有源矩阵显示器，用于向用户诸如制造装备的操作员显示信息。输入设备830(诸如键盘或语音接口)可耦接到总线805以用于将信息和命令传送到处理器810。输入设备830可包括触摸屏显示器835。输入设备830还可包括光标控件，诸如鼠标、轨迹球或光标方向键，用于将方向信息和命令选择传送到处理器810并用于控制显示器835上的光标移动。显示器835可以是数据处理系统110、传感器108或图1的其他组件的一部分。

本文所述的过程、系统和方法可由计算系统800响应于处理器810执行包含在主存储器815中的指令的布置来实现。此类指令可从另一计算机可读介质诸如存储设备825读取到主存储器815中。执行包含在主存储器815中的指令的布置使计算系统800执行本文所述的说明性过程。还可采用多处理布置中的一个或多个处理器来执行主存储器815中包含的指令。硬连线电路可代替软件指令或者与软件指令结合并连同本文所述的系统和方法一起使用。本文所述的系统和方法不限于硬连线电路和软件的任何特定组合。

尽管在图8中已经描述了示例性计算系统，但是包括本说明书中描述的操作的主题可在其他类型的数字电子电路中实现，或在计算机软件、固件或硬件中实现，包括本说明书中公开的结构及其结构等同物，或者它们中的一者或多者的组合。

本文中的一些描述强调系统组件(例如，仲裁组件)的各方面的结构独立性，并且制造装备104和传感器108示出了这些系统组件的操作和职责的一个分组。执行类似的整体操作的其他分组应理解为在本申请的范围内。模块可在硬件中实现，或者作为非暂态计算机可读存储介质上的计算机指令来实现，并且模块可分布在各种硬件或基于计算机的组件中。

上述系统可提供那些组件中的任一种或每种组件中的多个组件，并且这些组件可在独立系统上或在分布式系统中的多个实例化上提供。此外，上述系统和方法可作为一个或多个计算机可读程序或体现在一个或多个制品上或一个或多个制品中的可执行指令来提供。该制品可以是云存储装置、硬盘、CD-ROM、闪存卡、PROM、RAM、ROM或磁带。通常，计算机可读程序可以任何编程语言诸如LISP、PERL、C、C++、C#、PROLOG来实现，或以任何字节代码语言诸如JAVA来实现。软件程序或可执行指令可作为目标代码存储在一个或多个制品上或一个或多个制品中。

示例性而非限制性的模块实现元件包括提供本文确定的任何值的传感器，提供作为本文确定的值的前导的任何值的传感器，包括通信芯片、振荡晶体、通信链路、电缆、双绞线、同轴布线、屏蔽布线、发射器、接收器或收发器的数据链路或网络硬件，逻辑电路，硬连线逻辑电路，根据模块规格配置的特定非瞬态状态下的可重新配置逻辑电路，至少包括电气、液压或气动致动器的任何致动器，螺线管，运算放大器，模拟控制元件(例如弹簧、滤波器、积分器、加法器、除法器、增益元件)或数字控制元件。

本说明书中描述的主题和操作可在数字电子电路中实现，或在计算机软件、固件或硬件中实现，包括本说明书中公开的结构及其结构等同物，或者它们中的一者或多者的组合。本说明书中描述的主题可被实现为在一个或多个计算机存储介质上编码的一个或多个计算机程序，例如计算机程序指令的一个或多个电路，以供数据处理装置执行或控制数据处理装置的操作。另选地或除此之外，程序指令可在人工生成的传播信号上编码，例如，机器生成的电信号、光信号或电磁信号，这些信号被生成以编码用于传输到合适的接收器装置以供数据处理装置执行的信息。计算机存储介质可以是或被包括在计算机可读存储设备、计算机可读存储基板、随机或串行存取存储器阵列或设备或它们中的一者或多者的组合中。虽然计算机存储介质不是传播信号，但是计算机存储介质可以是在人工生成的传播信号中编码的计算机程序指令的源或目的地。计算机存储介质也可以是或被包括在一个或多个单独的组件或介质中(例如，多个CD、磁盘或包括云存储的其他存储设备)。本说明书中描述的操作可被实现为由数据处理装置对存储在一个或多个计算机可读存储设备上或从其他来源接收的数据执行的操作。

术语“计算设备”、“组件”或“数据处理装置”等涵盖用于处理数据的各种装置、设备和机器，包括例如可编程处理器、计算机、一个或多个芯片上的系统或前述的组合。该装置可包括专用逻辑电路，例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)。除了硬件之外，该装置还可包括创建用于所讨论的计算机程序的执行环境的代码，例如构成处理器固件、协议栈、数据库管理系统、操作系统、跨平台运行时环境、虚拟机或它们中的一者或多者的组合的代码。装置和执行环境可实现各种不同的计算模型基础结构，诸如网络服务、分布式计算和网格计算基础结构。

计算机程序(也称为程序、软件、软件应用程序、应用程序、脚本或代码)可以任何形式的编程语言编写，包括编译或解释语言、声明性或过程性语言，并且可以任何形式部署，包括作为独立程序或作为模块、组件、子例程、对象或适用于计算环境的其他单元。计算机程序可对应于文件系统中的文件。计算机程序可存储在保持其他程序或数据的文件的一部分中(例如，存储在标记语言文档中的一个或多个脚本)，存储在专用于所讨论的程序的单个文件中，或者存储在多个协调文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。计算机程序可被部署成在一个计算机上或在位于一个站点处或分布在多个站点上并且通过通信网络互连的多个计算机上执行。

本说明书中描述的过程和逻辑流程可由执行一个或多个计算机程序的一个或多个可编程处理器执行以通过对输入数据进行操作并生成输出来执行动作。过程和逻辑流程也可由专用逻辑电路(例如，FPGA(现场可编程门阵列)或ASIC(专用集成电路))执行，并且装置也可被实现为该专用逻辑电路。适合于存储计算机程序指令和数据的设备可包括非易失性存储器、介质和存储器设备，包括例如半导体存储器设备，例如，EPROM、EEPROM和闪存存储器设备；磁盘，例如内部硬盘或可移动磁盘；磁光盘；以及CD ROM和DVD-ROM磁盘。处理器和存储器可由专用逻辑电路补充或结合到专用逻辑电路中。

本文所述的主题可在计算系统中实现，该计算系统包括后端组件(例如，作为数据服务器)，或包括中间件组件(例如，应用服务器)，或包括前端组件(例如，具有图形用户界面或网络浏览器的客户端计算机，用户可通过该图形用户界面或网络浏览器与本说明书中描述的主题的具体实施交互)，或一个或多个此类后端组件、中间件组件或前端组件的组合。系统的组件可通过数字数据通信的任何形式或介质(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)和广域网(“WAN”)、互联网(例如，因特网)和对等网络(例如，自动对等网络)。

虽然在附图中以特定顺序描绘了操作，但是此类操作不需要以所示的特定顺序或按先后顺序执行，并且不需要执行所有示出的操作。本文所述的动作可以不同的顺序执行。

现在描述了一些说明性具体实施，显而易见的是，前述内容是说明性的而非限制性的，已经以举例的方式呈现。具体地，尽管本文呈现的许多实施例涉及方法动作或系统元件的特定组合，但是那些动作和那些元件可以其他方式组合以实现相同的目标。结合一个具体实施论述的动作、元件和特征不旨在从其他具体实施中的类似作用或其他具体实施排除。

本文所用的措词和术语是出于描述的目的，并且不应被视为限制性的。本文使用“包括”、“包含”、“具有”、“含有”、“涉及”、“特征在于”、“其特征在于”及其变型，旨在涵盖此后列出的项目、其等同物和附加项目，以及仅由此后列出的项目组成的替代具体实施。在一个具体实施中，本文所述的系统和方法由描述的元件、动作或组件中的一者、多于一者或者全部的每种组合组成。

对本文以单数形式提及的系统和方法的具体实施或元件或动作的任何提及也可涵盖包括多个这些元件的具体实施，并且对本文的任何具体实施或元件或动作的复数形式的任何提及也可涵盖仅包括单个元件的具体实施。单数或复数形式的提及不旨在将本公开的系统或方法、它们的组件、动作或元件限制为单个或多个配置。基于任何信息、动作或元件而对任何动作或元件的提及可包括动作或元件至少部分地基于任何信息、动作或元件的具体实施。

本文公开的任何具体实施可与任何其他具体实施或实施方案组合，并且对“具体实施”、“一些具体实施”、“一个具体实施”等的提及不一定是相互排斥的，并且旨在指示结合该具体实施描述的特定特征、结构或特性可被包括在至少一个具体实施或实施方案中。如本文所用的这种术语不一定都是指相同的实施方案。任何具体实施可以与本文公开的方面和具体实施一致的任何方式与任何其他具体实施(不唯一或唯一地包括该任何其他具体实施)组合。

提及“或”可被解释为包括性的，使得使用“或”描述的任何术语可指示所描述术语中的单个、多于一个和全部中的任一种。例如，对“‘A’和‘B’中的至少一者”的提及可包括仅‘A’、仅‘B’以及‘A’和‘B’两者。与“包括”或其他开放术语结合使用的这种提及可包括附加项目。

在附图、具体实施方式或任何权利要求中的技术特征后面有附图标记的情况下，包括附图标记是为了增加附图、具体实施方式和权利要求的可理解性。因此，无论附图标记存在与否都不会对任何权利要求元素的范围有任何限制影响。

所描述的元件和动作的修改，诸如各种元件的大小、尺寸、结构、形状和比例、参数的值、安装布置、材料的使用、颜色、取向的变化，均可在实质上不脱离本文公开的主题的教导内容和优点的情况下发生。例如，被示出为一体形成的元件可由多个部件或元件构成，元件的位置可以颠倒或以其他方式变化，并且离散元件或位置的性质或数量可改变或变化。在不脱离本公开的范围的情况下，也可在所公开的元件和操作的设计、操作条件和布置中进行其他替换、修改、改变和省略。

本文所述的系统和方法可在不脱离其特性的情况下以其他特定形式体现。因此，本文所述的系统和方法的范围由所附权利要求书而不是前述描述指示，并且落入权利要求的等同的含义和范围内的变化涵盖在其中。

Claims (20)

1.一种用于制造轮胎的系统，所述系统包括：

一个或多个处理器和存储器，所述存储器被配置为存储能够由所述一个或多个处理器执行的指令，并使所述一个或多个处理器：

从轮胎制造工厂中的一件或多件轮胎制造装备的一个或多个传感器接收对应于通过所述一件或多件轮胎制造装备制造轮胎的一个或多个值；

基于所述一个或多个值确定一种或多种度量；

基于所述一个或多个值和所述一种或多种度量生成矩阵；

通过将所述矩阵输入到被构建成输出轮胎制造性能数据的机器学习模型中来预测用于所述轮胎的接头公差度量的值；

基于所述接头公差度量的所述值来确定所述轮胎制造工厂中的至少一件装备的参数以进行调整；以及

提供命令，以响应于所述接头公差度量的所述值来调整所述轮胎制造工厂中的所述至少一件装备。

2.根据权利要求1所述的系统，还包括：

模型生成组件，所述模型生成组件具有一个或多个处理器以构建用于与所述轮胎的多个接头中的每个接头配对的所述一件或多件轮胎制造装备中的每件轮胎制造装备的多个机器学习模型，其中所述机器学习模型对应于所述多个机器学习模型中的一个机器学习模型。

3.根据权利要求1所述的系统，其中所述机器学习模型是多个机器学习模型中的第一机器学习模型，所述一个或多个处理器还被促使：

针对所述一件或多件轮胎制造装备的第一压力辊组件和所述轮胎的第一接头构建所述多个机器学习模型的所述第一机器学习模型；

针对所述第一压力辊组件和所述轮胎的第二接头构建所述多个机器学习模型的第二机器学习模型；

针对所述第一压力辊组件和所述轮胎的第三接头构建所述多个机器学习模型的第三机器学习模型；

针对第二压力辊组件和所述轮胎的所述第一接头构建所述多个机器学习模型的第四机器学习模型；

针对所述第二压力辊组件和所述轮胎的所述第二接头构建所述多个机器学习模型的第五机器学习模型；

针对所述第二压力辊组件和所述轮胎的所述第三接头构建所述多个机器学习模型的第六机器学习模型；

针对第三压力辊组件和所述轮胎的所述第一接头构建所述多个机器学习模型的第七机器学习模型；

针对所述第三压力辊组件和所述轮胎的所述第二接头构建所述多个机器学习模型的第八机器学习模型；以及

针对所述第三压力辊组件和所述轮胎的所述第三接头构建所述多个机器学习模型的第九机器学习模型。

4.根据权利要求1所述的系统，其中所述一个或多个处理器还被促使基于在所述轮胎之前制造的轮胎接头偏离预定接头点的程度来训练所述机器学习模型。

5.根据权利要求1所述的系统，其中所述一个或多个处理器还被促使基于先前接头的结果、预定数量周期内接头点的移动平均值、所述接头点的预定数量移动平均值的斜率来训练所述机器学习模型。

6.根据权利要求1所述的系统，其中所述一个或多个处理器还被促使：

基于所述多个机器学习模型确定，所述接头公差度量的所述值预测所述轮胎的多个接头中的第一接头超过公差窗口；

基于策略选择与所述轮胎的所述多个接头中的所述第一接头对应的所述至少一件装备；以及

命令基于所述策略选择的所述至少一件装备调整所述第一接头的特性，以使所述第一接头在所述公差窗口内。

7.根据权利要求1所述的系统，其中所述一个或多个处理器还被促使：

从所述一件或多件轮胎制造装备接收所述一个或多个值的时间序列；

基于所述一个或多个值的所述时间序列，确定多个预定周期内的移动平均值，其中所述多个预定周期包括至少两个不同的预定周期；

确定所述多个预定周期内所述移动平均值的斜率；以及

基于所述多个预定周期内所述移动平均值的所述斜率来生成所述矩阵。

8.根据权利要求1所述的系统，其中所述一个或多个处理器还被促使：

识别与通过所述机器学习模型预测的所述接头公差度量的所述值相关联的置信度分数；

将所述置信度分数与阈值进行比较；以及

响应于所述置信度分数满足所述阈值，确定调整所述至少一件装备的所述参数。

9.根据权利要求1所述的系统，其中所述一个或多个处理器还被促使：

基于所述机器学习模型的输出，预测所述轮胎的接头超过公差窗口；

响应于所述预测，调整由所述至少一件装备施加的压力的量；

在调整压力的所述量之后，接收对应于通过所述一件或多件轮胎制造装备制造所述轮胎的一个或多个值；

基于在调整压力的所述量之后接收的所述一个或多个值，生成更新的矩阵；以及

通过将所述更新的矩阵输入到所述机器学习模型中，预测所述轮胎的所述接头满足所述公差窗口。

10.根据权利要求1所述的系统，其中所述一个或多个处理器还被促使：

基于所述机器学习模型的输出，预测所述轮胎的接头不满足公差窗口；

响应于所述预测，调整由所述至少一件装备使用的第一参数；

在调整所述第一参数之后，接收对应于通过所述一件或多件轮胎制造装备制造所述轮胎的一个或多个值；

基于在调整所述第一参数之后接收的所述一个或多个值，生成更新的矩阵；

通过将所述更新的矩阵输入到所述机器学习模型中，预测所述轮胎的所述接头不满足所述公差窗口；以及

响应于所述调整之后所述轮胎的所述接头不满足所述公差窗口的所述预测，调整所述轮胎制造工厂的所述至少一件装备的第二参数或第二件装备的参数中的至少一者。

11.一种制造轮胎的方法，所述方法包括：

由一个或多个处理器从轮胎制造工厂中的一件或多件轮胎制造装备的一个或多个传感器接收对应于通过所述一件或多件轮胎制造装备制造轮胎的一个或多个值；

由所述一个或多个处理器基于所述一个或多个值确定一种或多种度量；

由所述一个或多个处理器基于所述一个或多个值和所述一种或多种度量生成矩阵；

由所述一个或多个处理器通过将所述矩阵输入到被构建成输出轮胎制造性能数据的机器学习模型中来预测用于所述轮胎的接头公差度量的值；

由所述一个或多个处理器基于所述接头公差度量的所述值来确定所述轮胎制造工厂中的至少一件装备的参数以进行调整；以及

由所述一个或多个处理器提供命令，以响应于所述接头公差度量的所述值来调整所述轮胎制造工厂中的所述至少一件装备。

12.根据权利要求11所述的方法，还包括：

构建用于与所述轮胎的多个接头中的每个接头配对的所述一件或多件轮胎制造装备中的每件轮胎制造装备的多个机器学习模型，其中所述机器学习模型对应于所述多个机器学习模型中的一个机器学习模型。

13.根据权利要求11所述的方法，其中所述机器学习模型是多个机器学习模型中的第一机器学习模型，所述方法还包括：

针对所述一件或多件轮胎制造装备的第一压力辊组件和所述轮胎的第一接头构建所述多个机器学习模型的所述第一机器学习模型；

针对所述第一压力辊组件和所述轮胎的第二接头构建所述多个机器学习模型的第二机器学习模型；

针对所述第一压力辊组件和所述轮胎的第三接头构建所述多个机器学习模型的第三机器学习模型；

针对第二压力辊组件和所述轮胎的所述第一接头构建所述多个机器学习模型的第四机器学习模型；

针对所述第二压力辊组件和所述轮胎的所述第二接头构建所述多个机器学习模型的第五机器学习模型；

针对所述第二压力辊组件和所述轮胎的所述第三接头构建所述多个机器学习模型的第六机器学习模型；

针对第三压力辊组件和所述轮胎的所述第一接头构建所述多个机器学习模型的第七机器学习模型；

针对所述第三压力辊组件和所述轮胎的所述第二接头构建所述多个机器学习模型的第八机器学习模型；以及

针对所述第三压力辊组件和所述轮胎的所述第三接头构建所述多个机器学习模型的第九机器学习模型。

14.根据权利要求11所述的方法，还包括：

基于在所述轮胎之前制造的轮胎接头偏离预定接头点的程度来训练所述机器学习模型。

15.根据权利要求11所述的方法，还包括：

基于先前接头的结果、预定数量周期内接头点的移动平均值、所述接头点的预定数量移动平均值的斜率来构建所述机器学习模型。

16.根据权利要求11所述的方法，还包括：

基于所述多个机器学习模型确定，所述接头公差度量的所述值预测所述轮胎的多个接头中的第一接头超过公差窗口；

基于策略选择与所述轮胎的所述多个接头中的所述第一接头对应的所述至少一件装备；以及

命令基于所述策略选择的所述至少一件装备调整所述第一接头的特性，以使所述第一接头在所述公差窗口内。

17.根据权利要求11所述的方法，还包括：

从所述一件或多件轮胎制造装备接收所述一个或多个值的时间序列；

基于所述一个或多个值的所述时间序列，确定多个预定周期内的移动平均值，其中所述多个预定周期包括至少两个不同的预定周期；

确定所述多个预定周期内所述移动平均值的斜率；以及

基于所述多个预定周期内所述移动平均值的所述斜率来生成所述矩阵。

18.根据权利要求11所述的方法，还包括：

识别与通过所述机器学习模型预测的所述接头公差度量的所述值相关联的置信度分数；

将所述置信度分数与阈值进行比较；以及

响应于所述置信度分数满足所述阈值，确定调整所述至少一件装备的所述参数。

19.根据权利要求11所述的方法，还包括：

基于所述机器学习模型的输出，预测所述轮胎的接头超过公差窗口；

响应于所述预测，调整由所述至少一件装备施加的压力的量；

在调整压力的所述量之后，接收对应于通过所述一件或多件轮胎制造装备制造所述轮胎的一个或多个值；

基于在调整压力的所述量之后接收的所述一个或多个值，生成更新的矩阵；以及

通过将所述更新的矩阵输入到所述机器学习模型中，预测所述轮胎的所述接头满足所述公差窗口。

20.根据权利要求11所述的方法，还包括：

基于所述机器学习模型的输出，预测所述轮胎的接头不满足公差窗口；

响应于所述预测，调整由所述至少一件装备使用的第一参数；

在调整所述第一参数之后，接收对应于通过所述一件或多件轮胎制造装备制造所述轮胎的一个或多个值；

基于在调整所述第一参数之后接收的所述一个或多个值，生成更新的矩阵；

通过将所述更新的矩阵输入到所述机器学习模型中，预测所述轮胎的所述接头不满足所述公差窗口；以及

响应于所述调整之后所述轮胎的所述接头不满足所述公差窗口的所述预测，调整所述轮胎制造工厂的所述至少一件装备的第二参数或第二件装备的参数中的至少一者。

Images