CN114547785A - 制造设备制造参数调整控制系统及其方法 - Google Patents

制造设备制造参数调整控制系统及其方法 Download PDF

Info

Publication number
CN114547785A
CN114547785A CN202011335344.XA CN202011335344A CN114547785A CN 114547785 A CN114547785 A CN 114547785A CN 202011335344 A CN202011335344 A CN 202011335344A CN 114547785 A CN114547785 A CN 114547785A
Authority
CN
China
Prior art keywords
manufacturing
parameter
parameters
manufacturing equipment
equipment information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011335344.XA
Other languages
English (en)
Inventor
李建明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Inventec Pudong Technology Corp
Inventec Corp
Original Assignee
Inventec Pudong Technology Corp
Inventec Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Inventec Pudong Technology Corp, Inventec Corp filed Critical Inventec Pudong Technology Corp
Priority to CN202011335344.XA priority Critical patent/CN114547785A/zh
Publication of CN114547785A publication Critical patent/CN114547785A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/18—Manufacturability analysis or optimisation for manufacturability
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Factory Administration (AREA)

Abstract

一种制造设备制造参数调整控制系统及其方法，建置自组织映像网络将所有该组制造参数记录数据与制造设备信息的制造参数对应的制造参数输入至自组织映像网络以生成数据映像结果网格图，选取数据映像结果网格图中最高的网格映像数量所对应的该组制造参数记录数据为制造设备信息的制造参数，再以制造设备信息的制造参数中选定至少一目标参数为输出参数以及制造设备信息的制造参数中未被选定的制造参数与一组检测参数为输入参数建置DeepFM模型，经过训练与验证的DeepFM模型所输出的输出参数进行非线性回归并配合输入参数以生成至少一目标参数，依据至少一目标参数动态调整对应的制造设备信息的制造参数。

Description

制造设备制造参数调整控制系统及其方法
技术领域
本发明涉及一种调整控制系统及其方法，尤其是指一种先由自组织映像网络计算制造设备信息的制造参数以提供制造设备的制造使用，再由DeepFM模型动态计算出至少一目标参数以动态调整对应的制造设备信息的制造参数的制造设备制造参数调整控制系统及其方法。
背景技术
目前在制造生产过程中，制造设备所使用的制造参数通常由有经验的工程师在生产开机时进行人工设定，或者事先将设定好的制造参数存储于制造设备中，在制造设备要进行生产时，进行制造参数记录数据的读取与使用。
上述对于制造设备的制造参数设定方式需要对技术人员有一定的经验或是技术水准，除此之外，制造设备的制造参数由于被设定为固定值，制造设备无法综合利用变化的生产状态信息来实现更高效、优质以及节能的制造生产。
综上所述，可知现有技术中长期以来一直存在制造设备的制造参数不具备智能化调整的问题，因此有必要提出改进的技术手段，来解决此问题。
发明内容
有鉴于现有技术存在制造设备的制造参数不具备智能化调整的问题，本发明公开一种制造设备制造参数调整控制系统及其方法，其中：
本发明所公开的制造设备制造参数调整控制系统，其包含：参数数据库、接收模块、查询模块、类神经网络计算模块、参数选取模块以及传送模块。
参数数据库是用以储存储存时间、制造设备信息、生产产品信息以及对应的一组制造参数记录数据；接收模块是用以接收制造设备信息以及生产产品信息，以及从制造设备接收一组检测参数，其中该组检测参数通过设置于制造设备的感测器检测得到；查询模块是用以依据接收模块所接收到的制造设备信息以及生产产品信息对应查询出符合预设数量的该组制造参数记录数据；类神经网络计算模块是将制造设备信息的制造参数设定数量乘以制造设备信息的制造参数设定数量以建置自组织映像网络(Self-Organizing Map，SOM)，将被查询出的所有该组制造参数记录数据与制造设备信息的制造参数对应的制造参数输入至自组织映像网络以生成数据映像结果网格图；将制造设备信息的制造参数中选定至少一目标参数为输出参数以及制造设备信息的制造参数中未被选定的制造参数与该组检测参数为输入参数建置DeepFM模型，再将被查询出的该组制造参数记录数据依据预设比率分为训练参数集合以及测试参数集合，将训练参数集合对DeepFM模型进行训练，再将测试参数集合对被训练好的DeepFM模型进行验证，经过训练与验证的DeepFM模型所输出的输出参数进行非线性回归并配合输入参数以生成至少一目标参数；参数选取模块，用以选取数据映像结果网格图中最高的网格映像数量所对应的该组制造参数记录数据为制造设备信息的制造参数；及传送模块是用以传送制造设备信息的制造参数至制造设备以使用制造设备信息的制造参数进行产品的生产制造；传送至少一目标参数至制造设备以依据至少一目标参数动态调整对应的制造设备信息的制造参数。
本发明所公开的制造设备制造参数调整控制方法，其包含下列步骤：
首先，储存储存时间、制造设备信息、生产产品信息以及对应的一组制造参数记录数据；接着，接收制造设备信息以及生产产品信息；接着，依据制造设备信息以及生产产品信息对应查询出符合预设数量的该组制造参数记录数据；接着，将制造设备信息的制造参数设定数量乘以制造设备信息的制造参数设定数量以建置自组织映像网络，将被查询出的所有该组制造参数记录数据与制造设备信息的制造参数对应的制造参数输入至自组织映像网络以生成数据映像结果网格图；接着，选取数据映像结果网格图中最高的网格映像数量所对应的该组制造参数记录数据为制造设备信息的制造参数；接着，传送制造设备信息的制造参数至制造设备以使用制造设备信息的制造参数进行产品的生产制造；接着，自制造设备接收一组检测参数，其中该组检测参数通过设置于制造设备的感测器检测得到；接着，将制造设备信息的制造参数中选定至少一目标参数为输出参数以及制造设备信息的制造参数中未被选定的制造参数与该组检测参数为输入参数建置DeepFM模型，再将被查询出的该组制造参数记录数据依据预设比率分为训练参数集合以及测试参数集合，将训练参数集合对DeepFM模型进行训练，再将测试参数集合对被训练好的DeepFM模型进行验证，经过训练与验证的DeepFM模型所输出的输出参数进行非线性回归并配合输入参数以生成至少一目标参数；最后，传送至少一目标参数至制造设备以依据至少一目标参数动态调整对应的制造设备信息的制造参数。
本发明所公开的系统及方法如上，与现有技术之间的差异在于依据制造设备信息以及生产产品信息对应查询出符合预设数量的该组制造参数记录数据，依据制造设备信息的制造参数建置自组织映像网络以将所有该组制造参数记录数据与制造设备信息的制造参数对应的制造参数输入至自组织映像网络以生成数据映像结果网格图，选取数据映像结果网格图中最高的网格映像数量所对应的该组制造参数记录数据为制造设备信息的制造参数，再以制造设备信息的制造参数中选定至少一目标参数为输出参数以及制造设备信息的制造参数中未被选定的制造参数与一组检测参数为输入参数建置DeepFM模型，经过训练与验证的DeepFM模型所输出的输出参数进行非线性回归并配合输入参数以生成至少一目标参数，即可依据至少一目标参数动态调整对应的制造设备信息的制造参数。
通过上述的技术手段，本发明可以达成提供制造设备的制造参数具备智能化调整的技术功效。
附图说明
图1示出本发明制造设备制造参数调整控制系统的系统方框图。
图2示出本发明制造设备制造参数调整控制的制造参数记录数据示意图。
图3示出本发明制造设备制造参数调整控制的数据映像结果网格图。
图4示出本发明制造设备制造参数调整控制的制造参数示意图。
图5示出本发明制造设备制造参数调整控制的DeepFM模型示意图。
图6A以及图6B示出本发明制造设备制造参数调整控制方法的方法流程图。
附图标记说明：
10 制造设备
20 参数计算装置
21 参数数据库
22 接收模块
23 查询模块
24 类神经网络计算模块
25 参数选取模块
26 传送模块
31 制造参数记录数据
32 数据映像结果网格图
33 制造参数
40 DeepFM模型
具体实施方式
以下将配合图式及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
以下首先要说明本发明所公开的制造设备制造参数调整控制系统，并请参考图1所示，图1示出本发明制造设备制造参数调整控制系统的系统方框图。
本发明所公开的制造设备制造参数调整控制系统，其包含：参数数据库21、接收模块22、查询模块23、类神经网络计算模块24、参数选取模块25以及传送模块26，前述的参数数据库21、接收模块22、查询模块23、类神经网络计算模块24、参数选取模块25以及传送模块26执行于参数计算装置20中。
制造设备10是提供产品生产制造的设备，制造设备10与参数计算装置20通过有线传输方式或是无线传输方式建立连线，前述的有线传输方式例如是：电缆网络、光纤网络等，前述的无线传输方式例如是：Wi-Fi、移动通信网络(例如是：3G、4G、5G等)等，在此仅为举例说明，并不以此局限本发明的应用范围。
参数数据库21是用以储存储存时间、制造设备信息、生产产品信息以及对应的一组制造参数记录数据，具体而言，制造设备信息例如是对应制造设备的设备号，生产产品信息例如是生产产品的名称，制造参数记录数据31例如是：Front Pressure、Rear Pressure、Front Print Speed、Rear Print Speed、Front Print Limit、Rear Print Limit、ForwardX Offset、Reverse X Offset、Forward Y Offset、Reverse Y Offset、Forward ThetaOffset、Reverse Theta Offset、Separation Speed、Separation Distance、Print Gap、Clean Rate1、Clean Rate2、Paste While Clean、Paste Dispense Rate以及AlternativeDispense Rate，在此仅为举例说明，并不以此局限本发明的应用范围，制造参数记录数据31的示意请参考图2所示，图2示出本发明制造设备制造参数调整控制的制造参数记录数据示意图，除此之外，制造参数记录数据也可以是下列制造参数：Actual Separation Speed、Actural Front Pressure、Actual Front Print Speed、Actual Humidity、ActualTemperature、Actual Rear Pressure、Actual Cycle Time、State、Squeegee、ProductName以及DateTime，在此仅为举例说明，并不以此局限本发明的应用范围。
接收模块22是通过参数计算装置20所提供的使用者操作界面(例如：键盘鼠标、触控屏幕等，在此仅为举例说明，并不以此局限本发明的应用范围)由使用者输入制造设备信息以及生产产品信息加以接收。
在接收模块22接收制造设备信息以及生产产品信息时，查询模块23即可依据接收模块22所接收到的制造设备信息以及生产产品信息对应查询出符合预设数量的该组制造参数记录数据，预设数量例如是10000、15000、20000等，在此仅为举例说明，并不以此局限本发明的应用范围。
接着，类神经网络计算模块24即可将制造设备信息的制造参数设定数量乘以制造设备信息的制造参数设定数量以建置自组织映像网络，将被查询出的所有该组制造参数记录数据与制造设备信息的制造参数对应的制造参数输入至自组织映像网络以生成数据映像结果网格图。
具体而言，假设制造设备信息的制造参数设定数量为20，类神经网络计算模块24即可建置20X20的自组织映像网络，再将被查询出的所有该组制造参数记录数据输入至自组织映像网络以生成数据映像结果网格图32，数据映像结果网格图32的示意请参考图3所示，图3示出本发明制造设备制造参数调整控制的数据映像结果网格图，映射到一个网格的设备参数组可能为0、1或是多个，通过统计该组制造参数记录数据映射到网格内的数量表示该组制造参数记录数据的使用频率，再将使用频率线性以不同的灰度映射对应的网格，网格灰度的深浅表示对应该组制造参数记录数据被使用的频率，网格灰度越深的网格表示常使用或是重视度最高的制造参数记录数据。
在类神经网络计算模块24生成数据映像结果网格图时，参数选取模块25即可选取数据映像结果网格图中最高的网格映像数量所对应的该组制造参数记录数据为制造设备信息的制造参数33，除此之外，参数选取模块25也可选取数据映像结果网格图中前N高的网格映像数量所对应的该组制造参数记录数据以对各别的制造参数进行平均以生成制造设备信息的制造参数33，其中N为大于等于2的正整数，N的选择可以依据实际需求进行对应的设定，请参考图4所示，图4示出本发明制造设备制造参数调整控制的制造参数示意图，图4中即为参数选取模块25选取数据映像结果网格图中前3高的网格映像数量所对应的该组制造参数记录数据的示意，在此仅为举例说明，并不以此局限本发明的应用范围。
在参数选取模块25选取制造设备信息的制造参数时，传送模块26即可将制造设备信息的制造参数传送至制造设备10，制造设备10即可依据制造设备信息的制造参数进行产品的生产制造。
在制造设备10依据制造设备信息的制造参数进行产品的生产制造时，制造设备10更进一步通过设置于制造设备10上的感测器或是外部设置的感测器对制造设备10进行制造设备10生产过程的检测，制造设备10生产过程的检测包含有对制造设备10的检测以和/或是对制造设备10所处环境的检测，在此仅为举例说明，并不以此局限本发明的应用范围，制造设备10即可通过感测器接收一组检测参数。
在制造设备10通过感测器接收该组检测参数时，制造设备10即可将该组检测参数传送至接收模块22，接收模块22即可从制造设备10接收该组检测参数。
在此同时，类神经网络计算模块24会将制造设备信息的制造参数中选定至少一目标参数为输出参数以及制造设备信息的制造参数中未被选定的制造参数与该组检测参数为输入参数建置DeepFM模型40，再将被查询出的该组制造参数记录数据依据预设比率分为训练参数集合以及测试参数集合，将训练参数集合对DeepFM模型40进行训练，再将测试参数集合对被训练好的DeepFM模型40进行验证，经过训练与验证的DeepFM模型40所输出的输出参数进行非线性回归并配合输入参数以生成至少一目标参数。
值得注意的是，本发明所建置的DeepFM模型40是移除原DeepFM模型的最后一层并增加Concat层，DeepFM模型40中的FM部分实现二维特征组合，Deep部分实现n维特征组合(即高阶特征提取)，n为大于等于3的正整数，Concat部分实现FM部分和Deep部分输出结果融合，Concat层的最终输出维度等于目标参数的数量，再进行非线性回归以得到最终的输出参数，本发明所建置的DeepFM模型40请参考图5所示，图5示出本发明制造设备制造参数调整控制的DeepFM模型示意图。
DeepFM模型40中模型建构的数据包含DeepFM模型40中模型建构的数据包含设定学习率(learning rate)为0.01并使用指数下降、设定反覆运算次数(epoch)为600、设定批次大小(batch size)为16、设定正规化系数(regression rate)为0.001、设定Deep层网络大小为[300,100,50]、设定Concat层网络大小为[30,3]、设定embedding层网络大小为[200]、设定梯度优化方法采用AdaDelta梯度下降方法以及设定损失函数采用Huber loss函数。
具体而言，假设类神经网络计算模块24所选定的目标参数分别为“RearPressure”、“Front Pressure”以及“Paste dispense Rate”，将被查询出的该组制造参数记录数据(例如是：20000组制造参数记录数据)依据预设比率分为训练参数集合为“14000组制造参数记录数据”(即训练参数集合的预设比率为70％)以及测试参数集合为“6000组制造参数记录数据”(即测试参数集合的预设比率为30％)。
类神经网络计算模块24将训练参数集合对DeepFM模型40进行训练，再将测试参数集合对被训练好的DeepFM模型40进行验证，以确保训练好的DeepFM模型40没有发生过度拟合，经过训练与验证的DeepFM模型40所输出的输出参数进行非线性回归并配合输入参数以生成至少一目标参数。
在类神经网络计算模块24生成至少一目标参数时，传送模块26即可将类神经网络计算模块24所生成的至少一目标参数传送至制造设备10。
制造设备10在从传送模块26接收到至少一目标参数时，制造设备10即可依据至少一目标参数动态调整对应的制造设备信息的制造参数以进行产品的生产制造，值得注意的是，传送模块26是通过Tensorflow-Serving进行服务的部署以传送至少一目标参数至制造设备10。
接着，以下将说明本发明的运作方法，并请同时参考图6A以及图6B所示，图6A以及图6B示出本发明制造设备制造参数调整控制方法的方法流程图。
首先，储存储存时间、制造设备信息、生产产品信息以及对应的一组制造参数记录数据(步骤101)；接着，接收制造设备信息以及生产产品信息(步骤102)；接着，依据制造设备信息以及生产产品信息对应查询出符合预设数量的该组制造参数记录数据(步骤103)；接着，将制造设备信息的制造参数设定数量乘以制造设备信息的制造参数设定数量以建置自组织映像网络，将被查询出的所有该组制造参数记录数据与制造设备信息的制造参数对应的制造参数输入至自组织映像网络以生成数据映像结果网格图(步骤104)；接着，选取数据映像结果网格图中最高的网格映像数量所对应的该组制造参数记录数据为制造设备信息的制造参数(步骤105)；接着，传送制造设备信息的制造参数至制造设备以依据制造设备信息的制造参数进行产品的生产制造(步骤106)；接着，从制造设备接收一组检测参数，其中该组检测参数通过设置于制造设备的感测器检测得到(步骤107)；接着，将制造设备信息的制造参数中选定至少一目标参数为输出参数以及制造设备信息的制造参数中未被选定的制造参数与该组检测参数为输入参数建置DeepFM模型，再将被查询出的该组制造参数记录数据依据预设比率分为训练参数集合以及测试参数集合，将训练参数集合对DeepFM模型进行训练，再将测试参数集合对被训练好的DeepFM模型进行验证，经过训练与验证的DeepFM模型所输出的输出参数进行非线性回归并配合输入参数以生成至少一目标参数(步骤108)；最后，传送至少一目标参数至制造设备以依据至少一目标参数动态调整对应的制造设备信息的制造参数(步骤109)。
综上所述，可知本发明与现有技术之间的差异在于依据制造设备信息以及生产产品信息对应查询出符合预设数量的该组制造参数记录数据，依据制造设备信息的制造参数建置自组织映像网络以将所有该组制造参数记录数据与制造设备信息的制造参数对应的制造参数输入至自组织映像网络以生成数据映像结果网格图，选取数据映像结果网格图中最高的网格映像数量所对应的该组制造参数记录数据为制造设备信息的制造参数，再以制造设备信息的制造参数中选定至少一目标参数为输出参数以及制造设备信息的制造参数中未被选定的制造参数与一组检测参数为输入参数建置DeepFM模型，经过训练与验证的DeepFM模型所输出的输出参数进行非线性回归并配合输入参数以生成至少一目标参数，即可依据至少一目标参数动态调整对应的制造设备信息的制造参数。
借由此技术手段可以来解决现有技术所存在制造设备的制造参数不具备智能化调整的问题，进而达成提供制造设备的制造参数具备智能化调整的技术功效。
虽然本发明所公开的实施方式如上，但所述的内容并非用以直接限定本发明的专利保护范围。任何本领域技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作些许的更动。本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种制造设备制造参数调整控制系统，其包含：
参数数据库，用以储存储存时间、制造设备信息、生产产品信息以及对应的一组制造参数记录数据；
接收模块，用以接收所述制造设备信息以及所述生产产品信息，以及从制造设备接收一组检测参数，其中该组检测参数通过设置于所述制造设备的感测器检测得到；
查询模块，用以依据所述接收模块所接收到的所述制造设备信息以及所述生产产品信息对应查询出符合预设数量的该组制造参数记录数据；
类神经网络计算模块，将所述制造设备信息的制造参数设定数量乘以所述制造设备信息的制造参数设定数量以建置自组织映像网络，将被查询出的所有该组制造参数记录数据中与所述制造设备信息的制造参数对应的制造参数输入至所述自组织映像网络以生成数据映像结果网格图；及将所述制造设备信息的制造参数中选定至少一目标参数为输出参数以及所述制造设备信息的制造参数中未被选定的制造参数与该组检测参数为输入参数建置DeepFM模型，再将被查询出的该组制造参数记录数据依据预设比率分为训练参数集合以及测试参数集合，将所述训练参数集合对所述DeepFM模型进行训练，再将所述测试参数集合对被训练好的所述DeepFM模型进行验证，经过训练与验证的所述DeepFM模型所输出的输出参数进行非线性回归并配合输入参数以生成所述至少一目标参数；
参数选取模块，用以选取所述数据映像结果网格图中最高的网格映像数量所对应的该组制造参数记录数据为所述制造设备信息的制造参数；及
传送模块，用以传送所述制造设备信息的制造参数至所述制造设备以使用所述制造设备信息的制造参数进行产品的生产制造；传送所述至少一目标参数至所述制造设备以依据所述至少一目标参数动态调整对应的所述制造设备信息的制造参数。
2.根据权利要求1所述的制造设备制造参数调整控制系统，其中所述参数选取模块还包含选取所述数据映像结果网格图中前N高的网格映像数量所对应的该组制造参数记录数据以对各别的制造参数进行平均以生成所述制造设备信息的制造参数，其中N为大于等于2的正整数。
3.根据权利要求1所述的制造设备制造参数调整控制系统，其中所述查询模块还包含定时查询出符合预设数量的该组制造参数记录数据，所述类神经网络计算模块还包含定时对所述DeepFM模型重新进行训练。
4.根据权利要求1所述的制造设备制造参数调整控制系统，其中所述DeepFM模型中模型建构的数据包含设定学习率为0.01并使用指数下降、设定反覆运算次数为600、设定批次大小为16、设定正规化系数为0.001、设定Deep层网络大小为[300,100,50]、设定Concat层网络大小为[30,3]、设定embedding层网络大小为[200]、设定梯度优化方法采用AdaDelta梯度下降方法以及设定损失函数采用Huberloss函数。
5.根据权利要求1所述的制造设备制造参数调整控制系统，其中所述传送模块是通过Tensorflow-Serving进行服务的部署以传送所述至少一目标参数至所述制造设备以依据所述至少一目标参数动态调整对应的所述制造设备信息的制造参数。
6.一种制造设备制造参数调整控制方法，其包含下列步骤：
储存储存时间、制造设备信息、生产产品信息以及对应的一组制造参数记录数据；
接收制造设备信息以及生产产品信息；
依据所述制造设备信息以及所述生产产品信息对应查询出符合预设数量的该组制造参数记录数据；
将所述制造设备信息的制造参数设定数量乘以所述制造设备信息的制造参数设定数量以建置自组织映像网络，将被查询出的所有该组制造参数记录数据与所述制造设备信息的制造参数对应的制造参数输入至所述自组织映像网络以生成数据映像结果网格图；
选取所述数据映像结果网格图中最高的网格映像数量所对应的该组制造参数记录数据为所述制造设备信息的制造参数；
传送所述制造设备信息的制造参数至制造设备以依据所述制造设备信息的制造参数进行产品的生产制造；
从所述制造设备接收一组检测参数，其中该组检测参数通过设置于所述制造设备的感测器检测得到；
将所述制造设备信息的制造参数中选定至少一目标参数为输出参数以及所述制造设备信息的制造参数中未被选定的制造参数与该组检测参数为输入参数建置DeepFM模型，再将被查询出的该组制造参数记录数据依据预设比率分为训练参数集合以及测试参数集合，将所述训练参数集合对所述DeepFM模型进行训练，再将所述测试参数集合对被训练好的所述DeepFM模型进行验证，经过训练与验证的所述DeepFM模型所输出的输出参数进行非线性回归并配合输入参数以生成所述至少一目标参数；及
传送所述至少一目标参数至所述制造设备以依据所述至少一目标参数动态调整对应的所述制造设备信息的制造参数。
7.根据权利要求6所述的制造设备制造参数调整控制方法，其中所述制造设备制造参数调整控制方法还包含选取所述数据映像结果网格图中前N高的网格映像数量所对应的该组制造参数记录数据以对各别的制造参数进行平均以生成所述制造设备信息的制造参数，其中N为大于等于2的正整数的步骤。
8.根据权利要求6所述的制造设备制造参数调整控制方法，其中所述制造设备制造参数调整控制方法还包含定时查询出符合预设数量的该组制造参数记录数据以定时对所述DeepFM模型重新进行训练的步骤。
9.根据权利要求6所述的制造设备制造参数调整控制方法，其中所述DeepFM模型中模型建构的数据包含设定学习率为0.01并使用指数下降、设定反覆运算次数为600、设定批次大小为16、设定正规化系数为0.001、设定Deep层网络大小为[300,100,50]、设定Concat层网络大小为[30,3]、设定embedding层网络大小为[200]、设定梯度优化方法采用AdaDelta梯度下降方法以及设定损失函数采用Huberloss函数。
10.根据权利要求6所述的制造设备制造参数调整控制方法，其中传送所述至少一目标参数至所述制造设备以依据所述至少一目标参数动态调整对应的所述制造设备信息的制造参数的步骤是通过Tensorflow-Serving进行服务的部署以传送所述至少一目标参数至所述制造设备以依据所述至少一目标参数动态调整对应的所述制造设备信息的制造参数。
CN202011335344.XA 2020-11-25 2020-11-25 制造设备制造参数调整控制系统及其方法 Pending CN114547785A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011335344.XA CN114547785A (zh) 2020-11-25 2020-11-25 制造设备制造参数调整控制系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011335344.XA CN114547785A (zh) 2020-11-25 2020-11-25 制造设备制造参数调整控制系统及其方法

Publications (1)

Publication Number Publication Date
CN114547785A true CN114547785A (zh) 2022-05-27

Family

ID=81659387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011335344.XA Pending CN114547785A (zh) 2020-11-25 2020-11-25 制造设备制造参数调整控制系统及其方法

Country Status (1)

Country Link
CN (1) CN114547785A (zh)

Similar Documents

Publication Publication Date Title
CN109978403B (zh) 一种产品装配过程的质量管控方法、装置及设备
CN107276816B (zh) 一种基于云服务的远程监测与故障诊断系统及故障诊断方法
KR102707468B1 (ko) 신경망, 신경망 학습 방법 및 이미지 신호 처리 튜닝 시스템
EP3816750A1 (en) Autonomous driving vehicle simulator to which network platform is applied
CN1706130A (zh) 提供虚拟无线的方法和系统
CA2436352A1 (en) Process and system for developing a predictive model
CN108830380A (zh) 一种基于云服务的训练模型生成方法及系统
TWI749925B (zh) 製造設備製造參數調整控制系統及其方法
US20030237058A1 (en) Method and system for the automatic design of experiments
CN114547785A (zh) 制造设备制造参数调整控制系统及其方法
KR102211847B1 (ko) 경로 손실 지수 예측 시스템 및 방법
CN110175648B (zh) 应用人工智能云计算对设备进行非侵入性的信息连通方法
US20130128289A1 (en) System and method for tuning device link profiles for color printing
CN107979464A (zh) 一种连续变量量子密钥分发中信号光调制方差的动态调节方法
CN114817177A (zh) 工业互联网数据存储方法、系统、存储介质及电子设备
CN116028031A (zh) 代码自动生成模型训练方法、系统及存储介质
CN115327942A (zh) 一种环境智能监测系统
CN112822244B (zh) 一种基于边缘云的物联网时间序列预测系统及方法
CN113885979A (zh) 一种智能调整用户界面的方法和装置
CN111857025A (zh) 基于云计算的数控机床配件生产设备数据传输监控系统
CN113505637A (zh) 一种用于直播流的实时虚拟主播动作捕捉方法及系统
CN115935533B (zh) 基于参数的产品智能设计系统
CN110084511B (zh) 一种无人机配型方法、装置、设备及可读存储介质
CN117824063B (zh) 一种基于智能手表的空调远程调控方法、系统及介质
EP4379610A1 (en) Information processing apparatus, node, information processing method, carrier means, and information processing system

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