CN116661378A - 用于预测车辆制造过程的过程序列的方法和系统 - Google Patents

用于预测车辆制造过程的过程序列的方法和系统 Download PDF

Info

Publication number
CN116661378A
CN116661378A CN202310106467.3A CN202310106467A CN116661378A CN 116661378 A CN116661378 A CN 116661378A CN 202310106467 A CN202310106467 A CN 202310106467A CN 116661378 A CN116661378 A CN 116661378A
Authority
CN
China
Prior art keywords
segment
target
segments
data
historical
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
CN202310106467.3A
Other languages
English (en)
Inventor
王丽君
西玛·杰恩
邱珊珊
S·普查拉
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.)
Ford Global Technologies LLC
Original Assignee
Ford Global Technologies LLC
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 Ford Global Technologies LLC filed Critical Ford Global Technologies LLC
Publication of CN116661378A publication Critical patent/CN116661378A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—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
    • G05B19/4155—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 programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
    • 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]
    • G05B19/4188—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 CIM planning or realisation
    • 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]
    • G05B19/41865—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 job scheduling, process planning, material flow
    • 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
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31343—Design of factory, manufacturing system control
    • 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
    • G05B2219/32—Operator till task planning
    • G05B2219/32252—Scheduling production, machining, job shop
    • 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
    • G05B2219/35—Nc in input of data, input till input file format
    • G05B2219/35135—Predict surface machining precision

Landscapes

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

Abstract

本发明提供了“用于预测车辆制造过程的过程序列的方法和系统”。一种基于用于组装产品的制造过程的目标计划预测所述制造过程的序列的方法包括：基于目标计划从历史过程数据库中检索多个替代过程段；针对多个替代过程段中的每个替代过程段，基于数据分析模型确定段相似性值；以及基于多个替代过程段的段相似性值和序列推断模型来生成定义用于执行制造过程的过程序列的目标过程，序列推断模型将目标计划的过程段分类由多个替代过程段定义的序列。目标过程包括定义目标计划的过程段的多个选定过程步骤和一个或多个工作站的数据。

Description

用于预测车辆制造过程的过程序列的方法和系统
技术领域
本公开涉及设计用于车辆的制造过程。
背景技术
本部分中的陈述仅提供了与本公开相关的背景信息，并且可能不构成现有技术。
设计新的制造过程可能是耗时的过程，因为工程师试图确定如何在多个工作站之间分配零件、工具和组装产品的步骤。更具体地，制造过程被定义为一个或多个过程段，其中每个过程段包括要以特定顺序执行的多个过程步骤。
设计制造过程中的一个可能因素包括了解步骤的优先级。优先级被定义为为了组装产品而需要执行的步骤的顺序，因为如果一些零件无序安装，则可能没有足够的间隙来安装它们。例如，关于车辆，在安装仪表板之后将难以安装电气布线和连接件。另外，许多动态因素可能增加设计制造过程的复杂性。例如，新的制造过程可以包括新的过程(即，新的过程段)。在没有任何历史参考的情况下，新过程的资源分配由领域专家确定。另外，现有过程(即，已知的过程段或已知的组装步骤)的资源分配可能是不确定的，因为现有过程通常被划分并分布在多个工作站上。本公开解决与设计制造过程相关的这些和其他问题。
发明内容
本部分提供了对本公开的总体概述并且不是对其全部范围或其所有特征的全面公开。
在一种形式中，本公开涉及一种预测用于组装产品的制造过程的顺序的方法。所述方法包括获得用于制造过程的目标计划，其中目标计划定义要在制造过程期间执行的过程段。所述过程段由用于执行过程段的多个过程步骤定义。所述方法还包括基于目标计划从历史过程数据库中检索多个替代过程段，其中历史过程数据库存储用于已知制造过程的多个历史过程段。每个历史过程段由以序列顺序提供的用于执行历史过程段的多个已知过程步骤定义，其中所述多个替代过程段是从多个历史过程段中选择的。所述方法还包括：针对多个替代过程段中的每个替代过程段，基于数据分析模型确定段相似性值，所述数据分析模型被配置为提供表示替代过程段与目标计划的过程段之间的文本相似性和序列相似性的定量值；以及基于多个替代过程段的段相似性值和序列推断模型来生成定义用于执行制造过程的过程序列的目标过程，所述序列推断模型将目标计划的过程段分类为由多个替代过程段定义的序列。目标过程包括定义目标计划的过程段的多个选定过程步骤和一个或多个工作站的数据。
在一种形式中，为了确定段相似性值，数据分析模型还包括：使用自然语言过程模型将指示替代过程段的数据与指示过程段的数据进行比较以确定序列模式；以及基于序列模式为替代过程段确定过程相似性值。
在一种形式中，使用通用句子编码器来确定过程相似性值。
在一种形式中，目标计划标识要用于过程段的一个或多个部件，并且历史过程段中的每一者标识要用于历史过程段的一个或多个已知部件。
在一种形式中，所述方法还包括使用字符串匹配模型将一个或多个已知部件与目标计划的一个或多个部件进行比较以确定部件相似性值，其中段相似性值是过程相似性值与部件相似性值的总和。
在一种形式中，字符串匹配模型采用莱文斯坦距离(Levenshtein distance)。
在一种形式中，目标计划由多个所述过程段定义，并且所述方法还包括将所述过程段中的每一者分类为新颖过程段或记录的过程段。所述方法还包括从历史过程数据库中检索新颖过程段的一个或多个代理过程段，其中所述一个或多个代理过程段是基于新颖过程段的一个或多个部件从多个历史过程段中选择的。所述新颖过程段的一个或多个部件中的至少一个部件与在代理过程段中提供的至少一个部件匹配。多个替代过程段是为目标计划的记录的过程段而选择的。所述方法还包括针对一个或多个代理过程段基于数据分析模型来确定代理过程段的总体代理相似性值，其中目标过程是进一步基于代理过程段的总体代理相似性值和序列推断模型而生成的。
在一种形式中，所述序列推断模型是基于贝叶斯推断的模型。
在一种形式中，生成目标过程还包括基于池化模型从由替代过程段定义的序列中选择期望序列，其中所述期望序列与其他序列相比具有最高的相似性值。
在一种形式中，本公开涉及一种预测用于组装产品的制造过程的序列的方法。所述方法包括获得用于制造过程的目标计划，其中目标计划定义要在制造过程期间使用一个或多个部件来执行的过程段。所述过程段由以序列顺序提供的用于执行所述过程段的多个过程步骤定义。对于过程段，目标计划包括目标过程数据和标识要用于过程段的一个或多个部件的目标部件数据。所述方法还包括基于目标过程数据从历史过程数据库中检索多个替代过程段，其中历史过程数据库使用一个或多个已知部件存储用于已知制造过程的多个历史过程段。每个历史过程段由以序列顺序提供的用于执行历史过程段的多个已知过程步骤定义。多个替代过程段是从多个历史过程段中选择的，并且历史过程段包括已知过程数据、已知部件数据和分配的工作站数据。所述方法还包括针对多个替代过程段中的每个替代过程段基于数据分析模型来确定段相似性值，其中数据分析模型被配置为提供表示替代过程段与目标计划的过程段之间的文本相似性和序列相似性的定量值。所述方法还包括基于多个替代过程段的段相似性值和序列推断模型来生成定义用于执行制造过程的过程序列的目标过程，所述序列推断模型将目标计划的过程段分类为由多个替代过程段定义的序列。目标过程包括定义目标计划的过程段的多个选定过程步骤和一个或多个工作站的数据。
在一种形式中，用于确定段相似性值的数据分析模型还包括：使用自然语言过程模型将已知过程数据与目标过程数据进行比较以确定序列模式；基于序列模式确定已知过程数据相对于目标过程数据的过程相似性值；以及使用字符串匹配模型将已知部件数据与目标部件数据进行比较以确定部件相似性值，其中段相似性值是过程相似性值与部件相似性值的总和。
在一种形式中，字符串匹配模型采用莱文斯坦距离。
在一种形式中，使用通用句子编码器来确定过程相似性值。
在一种形式中，对于多个过程步骤中的每一者，目标过程数据包括描述相应过程步骤和过程时间的文本数据串。对于多个已知过程步骤中的每一者，已知过程数据包括描述相应的已知过程步骤和已知过程步骤的已知过程时间的文本数据串，并且自然语言过程模型采用通用句子编码器来定义数值向量以处理已知过程数据的和目标过程数据的文本数据串。
在一种形式中，所述序列推断模型是基于贝叶斯推断的模型。
在一种形式中，目标计划由多个所述过程段定义，所述方法还包括基于过程段的目标过程数据和多个历史过程段的已知过程数据来将所述过程段中的每一者分类为新颖过程段或记录的过程段。所述方法还包括基于新颖过程段的目标部件数据从历史过程数据库中检索新颖过程段的一个或多个代理过程段，其中所述一个或多个代理过程段是基于目标部件数据和已知部件数据从多个历史过程段中选择的。代理过程段的已知部件数据与在新颖过程段的目标部件数据中提供的至少一个部件匹配。多个替代过程段是为目标计划的记录的过程段而选择的。所述方法还包括针对一个或多个代理过程段基于数据分析模型来确定代理过程段的总体代理相似性值，其中目标过程是进一步基于代理过程段的总体代理相似性值和序列推断模型而生成的。
在一种形式中，目标过程数据包括过程段的过程标识，并且已知过程数据包括相应的历史过程段的已知过程标识。响应于过程标识与已知过程标识匹配而将多个过程段中的过程段分类为记录的过程段。所述方法还包括响应于过程标识与历史数据库中的已知过程段的已知过程标识不匹配而将多个过程段中的过程段分类为新颖过程段。
在一种形式中，目标部件数据包括指示工具标识、工具名称、制造零件标识、制造零件名称或其组合的数据。所述方法还包括：已知部件数据包括指示已知工具标识、已知工具名称、已知制造零件标识、已知制造零件名称或其组合的数据，并且代理过程段的已知部件数据与新颖过程段的目标部件数据的至少一个数据匹配。
在一种形式中，目标部件数据包括指示工具标识、工具名称、制造零件标识、制造零件名称或其组合的数据。已知部件数据包括指示已知工具标识、已知工具名称、已知制造零件标识、已知制造零件名称或其组合的数据。
在一种形式中，生成目标过程还包括基于池化模型从由替代过程段定义的序列中选择期望序列，其中所述期望序列与其他序列相比具有最高的相似性值。
根据本文中提供的描述，另外的适用领域将变得显而易见。应当理解，描述和具体示例仅意图用于说明目的，而不意在限制本公开的范围。
附图说明
为了可以很好地理解本公开，现在将参考附图通过举例的方式描述本公开的各种形式，在附图中：
图1是根据本公开的制造过程的示例性图示；
图2是根据本公开的过程预测系统的示例性框图；
图3是在历史过程数据库中提供的示例性数据记录；
图4是根据本公开的由过程预测系统执行的示例性段分类程序的流程图；以及
图5是根据本公开的由过程预测系统执行的示例性目标过程预测程序的流程图。
本文描述的附图仅用于说明目的，而不意在以任何方式限制本公开的范围。
具体实施方式
以下描述本质上仅仅是示例性的并且不意图限制本公开、应用或用途。应当理解，贯穿附图，对应的附图标记指示相似或对应的零件和特征。
参考图1，制造过程100由用于组装产品的一系列步骤定义。更具体地，在示例性应用中，制造过程100包括多个过程段104A、104B、104C(统称为“过程段”104)，并且每个过程段104由以预定义顺序或序列提供的用于执行过程段104的多个过程步骤定义。作为一个示例，制造过程100接收车辆106A，所述车辆经历用于将工件108A、108B、108C组装到车辆106A的过程段104的过程步骤。在图1中，参考字符“106A”用于标识过程段104A开始时的车辆，而参考字符“106B”用于标识过程段104C结束时的车辆(统称为“车辆106”)。对于过程段104B，要执行的过程步骤可以包括：(1)获得动力工具110；(2)获得两个紧固件(未示出)；(3)使用这两个紧固件、动力工具110和机器人系统111将工件108A固定到车辆106；以及(4)将动力工具110返回到暂存区域(未示出)。
在一种形式中，除了过程步骤之外，每个过程段104还标识用于执行过程段的部件。在非限制性示例中，部件可以包括一个或多个工具(例如，手动工具、机器人系统、固定装置等)、一个或多个工件(例如，要组装成产品的零件)或其组合。例如，过程段104B的部件包括工件108A、工具110和/或机器人系统111。制造过程100在多个工作站处执行，其中每个过程段104与要执行过程步骤的指定工作站相关联。
工作站和要在工作站处执行的过程步骤的分配可以基于若干因素而变化，所述因素诸如但不限于：要执行制造过程的设施、过程步骤所采用的部件(例如，工件/工具的大小)，以及对象/产品进入和离开制造过程(更具体地，工作站)时的取向。例如，第一车辆的选定制造过程可以包括与第二车辆(其是比第一车辆更大的车辆)的制造过程相同的一些步骤，但是过程段可能是不同的。例如，用于第二车辆的制造组装线可以包括用于执行制造过程的步骤的附加间隙，并且因此要执行的步骤的顺序和工作站的布置可以与第一车辆不同。
本公开提供了一种用于使用现有或已知制造过程的历史数据来生成用于执行制造过程的目标过程的过程预测系统。如本文所述，序列推断模型被配置为将目标计划的过程段分类为由从历史数据标识的多个替代过程段定义的序列。由过程预测模型生成的目标过程包括定义在目标计划中提供的过程段的多个选定过程步骤和用于执行目标计划的过程段的选定过程步骤的一个或多个工作站的数据。
虽然关于车辆总成描述了制造过程，但是应当理解，本公开的教导可以适用于其他制造应用并且不应限于汽车应用。
如本文中所使用的，“过程段”由以序列顺序提供的用于执行过程段的一个或多个过程步骤定义。
如本文所使用的，“部件”是在过程段期间采用的对象，并且可以包括但不应限于：要组装的工件、工具、机器人系统和/或用于支撑工件的固定装置。
如本文所使用的，“目标计划”提供与正在设计的新制造过程相关的信息，并且包括与要在新制造过程期间执行的一个或多个过程段(即，目标过程段)相关的数据。在下文中，术语“目标”用于将后续元素与目标计划相关联。因此，“目标过程段”是在目标计划中定义的过程段，“目标过程步骤”是目标过程段的过程步骤，“目标部件”是在目标计划中定义的部件等。
参考图2，提供了用于开发目标计划的目标过程的示例性系统200。在一种形式中，系统200包括制造设计(MD)门户202和过程预测系统204。MD门户202是用于向用户提供对过程预测系统204的访问的界面。在一种形式中，MD门户202可经由计算装置203访问，所述计算装置经由例如互联网和/或通信网络与过程预测系统204通信。计算装置203可以包括台式计算机、膝上型计算机、智能电话、平板计算机等。
使用MD门户202，用户提供目标计划206，所述目标计划标识一个或多个目标过程段，并且在一些情况下，标识用于目标过程段的目标部件。目标过程段由以序列顺序提供的用于执行目标过程段的多个目标过程步骤定义。因此，在一种形式中，目标计划206包括目标过程数据208和目标部件数据210。目标过程数据208包括用于标识目标过程段的标识(ID)数据(即，目标过程ID)、用于目标过程段的每个目标过程步骤的标识(即，步骤ID)、目标过程段的目标过程步骤的文本描述、每个目标过程步骤的目标过程时间或其组合。目标部件数据210包括标识要用于目标过程段的一个或多个目标部件的数据，并且可以包括例如指示工具标识、工具名称、制造零件标识、制造零件名称、制造零件坐标(即，在过程段期间工件和/或产品的坐标/位置数据)或其组合的数据。
在一种形式中，过程预测系统204包括历史过程数据库220、历史段选择(HSS)模块222、具有数据分析模型226的段评估模块224以及具有序列推断模型230的过程序列生成模块228。应当理解，过程预测系统204的模块和数据库可以定位在相同的位置或分布在不同的位置处(例如，在一个或多个边缘计算装置处)，并且相应地可通信地耦合。
历史过程数据库220被配置为存储与历史制造过程(HMP)232相关的数据，其中每个HMP 232由用于执行HMP 232的一个或多个历史过程段234定义。在一种形式中，HMP 232是先前设计和实施的制造过程，并且因此也可以被称为已知制造过程。每个历史过程段234由以序列顺序提供的用于执行历史过程段234的多个已知过程步骤定义。除了已知过程步骤之外，历史过程段233还标识要用于历史过程段232的一个或多个已知部件。在一种形式中，向每个HMP 232提供捕获与历史过程段234相关的数据记录，并且所述数据可以包括已知过程数据、已知部件数据和对HMP 232执行历史过程段234时的分配的工作站数据。已知过程数据包括用于标识历史过程段的标识数据(即，历史过程ID)、历史过程段的每个已知过程步骤的标识(即，已知步骤ID)、历史过程段的已知过程步骤的文本描述(即，文本数据串)或其组合。已知部件数据提供关于用于历史过程段的部件的信息，并且可以包括指示已知工具标识、已知工具名称、已知制造零件标识、已知制造零件名称、在过程段期间工件和/或产品的已知坐标/位置或其组合的数据。
作为一个示例，参考图3，提供了HMP 232的数据记录300。数据记录300包括HMP232的每个历史过程段234的过程段ID 302、给定历史过程段234的每个已知过程步骤的步骤ID 304、已知过程步骤的文本描述(即，文本数据字符串)306、要执行过程步骤的工作站ID、工具ID 310、零件(即，工件)ID 312以及所述工作站处的产品的坐标314。应当易于理解，HMP 232的数据记录不需要包括在图3中提供的所有数据。例如，可以省略坐标信息。另外，过程段可能不与作为部件的工具相关联，并且因此可以不提供工具ID。在另一个变型中，也可以使用其他数据，诸如工作站大小、用于各自执行每个过程步骤的已知过程时间。
参考图2，HSS模块222被配置为接收目标计划206并基于历史过程数据库220中的数据对在目标计划206中提供的目标过程段进行分类，以获得目标计划的一个或多个替代过程段。替代过程段是从存储在数据库220中的历史过程段中选择的。具体地，在一种形式中，HSS模块222将目标过程段中的每一者与数据库220中的历史过程段进行比较以确定是否存在匹配。例如，HSS模块22被配置为将在目标过程段的目标过程数据中提供的过程ID与在历史过程段的已知过程数据中提供的过程ID进行比较。如果目标过程ID与数据库220中的一个或多个历史过程段的ID匹配，则目标过程段是记录的过程段，并且HSS模块222获得与匹配的一个或多个历史过程段相关的数据。匹配的历史过程段被提供为替代过程段。
如果目标过程ID不匹配，则目标过程段是新颖过程段，并且HSS模块222被配置为确定与目标过程段的目标计划一起提供的其他数据是否与历史过程数据库220中的数据相关。例如，在一种形式中，HSS模块222将与目标过程段相关的部件数据与数据库220中的已知部件数据进行比较。如果存在一个或多个匹配，则HSS模块222获得与具有匹配的已知部件数据的历史过程段相关的数据，所述历史过程段被称为代理过程段。即，代理过程段包括与在目标部件数据中提供的至少一个目标部件匹配的部件数据。例如，目标过程段和代理过程段可以采用相同的工具。替代地或另外，目标过程段和代理过程段可以具有相同的工件。如果目标部件数据与数据库中的任何已知部件数据都不匹配，则可以标记目标过程段以进行附加检查。HSS模块222评估如本文所述的目标计划的每个目标过程段。
对于替代过程段和/或代理过程段中的每一者，段评估模块224被配置为基于数据分析模型226来确定段相似性值。具体地，数据分析模型226被配置为提供表示替代/代理过程段与目标计划的目标过程段之间的文本相似性和序列相似性的定量值。在一种形式中，数据分析模型226包括用于分析与已知过程步骤相关的数据以确定过程相似性值的过程元素(PE)分析240和用于分析部件数据以确定部件相似性值的部件分析242。数据分析模型226生成段相似性值作为过程相似性值与部件相似性值的总和。
过程元素分析240被配置为确定段相似性值。具体地，过程元素分析240使用自然语言过程模型将指示替代过程段的数据(即，已知过程数据)与指示目标过程段的数据(即，目标过程数据)进行比较以确定序列模式。即，以序列顺序提供相应过程段的过程步骤，并且过程步骤的文本描述是提供工作动作和对象的命令句。自然语言过程模型采用通用句子编码器来确定文本描述的语义含义。具体地，使用通用句子编码器将给定过程段的过程步骤的文本描述表示为数值向量。具体地，由于过程步骤具有序列依赖性，因此过程元素分析240被配置为使用自注意力机制来在给定过程段的过程步骤中找到序列模式，并且所述序列模式被变换为给定过程段的向量。因此，过程元素分析240定义每个已知过程段和目标过程段的数值向量。对于选定的已知过程段，将段相似性值提供为选定的已知过程段和目标过程段的数值向量之间的余弦距离。除了文本描述之外，已知过程数据和目标过程数据可以包括过程步骤中的每一者的过程时间。
在一种形式中，部件分析242被配置为采用字符串匹配模型来确定部件相似性值。具体地，使用字符串匹配模型，部件分析242将与一个或多个已知部件相关的数据(即，已知部件数据)与和一个或多个目标部件相关的数据(即，目标部件数据)进行比较以确定替代过程段的已知部件的部件相似性值。在非限制性示例中，如果目标部件数据是制造零件ID，则部件分析242将字符串与在已知部件数据中提供的制造零件ID进行比较，并使用字符串匹配模型来确定相似性值。在一个示例中，字符串匹配模型采用莱文斯坦距离来量化部件数据的相似性。
在一种形式中，段评估模块224以与替代过程段类似的方式分析每个代理过程段，以确定代理过程段的总体代理相似性值。在一个示例中，与代理过程段相关的数据可以仅经历部件分析242，使得代理过程段的总体代理相似性值仅基于部件相似性值。在另一个示例中，代理过程段可以以与替代过程段类似的方式经历过程元素分析240和部件分析242两者，并且总体代理相似性值是过程相似性值与部件相似性值的总和。
过程序列生成模块228被配置为生成目标过程244，所述目标过程定义用于执行目标制造过程的过程序列246并提供要执行过程序列246的一个或多个工作站(WS)248。过程序列生成模块228基于序列推断模型230、多个替代过程段的段相似性值以及代理过程段的总体代理相似性值(如果可用)来生成目标过程244。目标过程244包括定义每个目标过程段的多个选定过程步骤(即，过程序列246)和执行目标过程段的分配的工作站的数据。序列推断模型230被配置为将目标计划的目标过程段分类为由多个替代过程段定义的序列。在一种形式中，序列推断模型230是基于贝叶斯推断的模型。更具体地，使用贝叶斯推断，序列推断模型230被配置为将目标过程段分类为序列，并且进一步对各个过程步骤进行分类。
在示例性应用中，每个替代过程段的已知过程步骤被分组为一个工作站内的一个历史段。假设Ti是第i个目标过程段，Hj是第j个替代过程段，Hjk是Hj的第k个过程步骤，则基于贝叶斯定理，提供P(Hjk|Ti)作为Ti与历史段Hjk匹配的概率(以下等式1)，并且P(Hjk|Tim)是Ti与Hjk匹配的各个过程步骤(即，第m个元素)的概率(以下等式2)。换句话说，所述模型确定Ti可以被分类为Hjk的概率(等式1)以及目标段Ti的每个目标过程步骤可以被分类为Hjk的概率(等式2)。
等式
等式2...P(Hjk|Tim)～P(Hjk|Ti)～sim(Hjk，Tik)×freq(Hjk)
在等式1和2中，sim(Hjk，Tik)是由段评估模块224确定的Hjk与Tik的总体相似性值，其示例在等式3中提供，并且freq(Hjk)近似Hjk的先验概率，即，P(Hjk)。在等式3中：“相似性(H零件jk，T零件ik)”表示在替代过程段和目标过程段中采用的零件/工件之间的部件相似性值；“相似性(H工具jk，T工具ik)”表示在替代过程段和目标过程段中采用的工具之间的部件相似性值；“相似性(H步骤jk，T步骤ik)”表示替代过程段和目标过程段的过程步骤之间的段相似性；并且表示在替代过程段和目标过程段中提供的工件的坐标之间的部件相似性值。应当易于理解，总体相似性值不需要包括不同类型的相似性中的每一者。例如，可以不使用坐标相似性。在另一个示例中，如果未提供与部件(例如，工具或工件/零件)相关的数据，则部件相似性值将恰好为零。过程序列生成模块228被配置为选择具有最高概率的替代过程段作为目标计划的目标过程，这在等式4中表示。
等式4....seq(Tim)＝Seq(argmaxjk(P(Hjk|Tim)))
在一种形式中，过程序列生成模块228还被配置为使用池化模型来生成目标过程，以从由替代过程段/代理过程段定义的序列中选择期望序列。具体地，在一些情况下，许多类似的过程步骤可能存在于不同的段中，并且因此可以被分配给若干序列。池化模型被配置为选择具有最大相似性和最高频率的序列作为期望序列。对于新颖过程段，在过程段内具有最接近的过程步骤顺序的序列用于保持过程步骤统一性。
对于目标计划，本公开的过程预测系统提供工作站的初始分配和要在工作站处执行的过程步骤。通常，制造过程被分成跨多个工作站执行的多个过程段。过程预测系统通过将过程段分配给工作站与将过程步骤与过程段分开并独立地处理每个过程步骤来保持要针对给定过程段执行的过程步骤的一致性。
过程预测系统被配置为采用自然语言处理技术来将文本描述变换为向量以表示语义含义，并且进一步利用深度学习自注意力机制来发现过程步骤中的隐藏序列模式。因此，过程预测系统被配置为比较目标过程段与替代过程段之间的过程步骤，这提高了分配性能。
另外，采用贝叶斯推断建模的序列推断模型被配置为将目标过程段分类为序列(即，贝叶斯分类)，并且进一步对各个过程步骤进行分类。更具体地，序列推断模型确定目标过程段相对于由替代过程段提供的可能序列的概率分布，并将目标过程段分类为具有最大/最高概率的序列。因此，本公开的过程预测系统可以减少开发新制造过程所需的时间和资源。
参考图4，提供了由本公开的过程预测系统执行的示例性段分类程序400。在402处，基于所接收的目标计划，所述系统获得第一目标过程段的目标过程ID，并且在404处，将目标过程ID与历史过程段的历史过程ID进行比较。在406处，所述系统确定目标ID是否与一个或多个历史过程ID匹配。即，所述系统将目标过程段分类为记录的过程段或新颖过程段。如果是，则在408处，所述系统获得与作为替代过程段提供的一个或多个匹配的历史过程段相关联的数据。如果不存在匹配(即，目标过程段是新颖过程段)，则所述系统在410处将目标过程段的目标部件数据与在历史数据库中提供的已知部件数据进行比较。在412处，所述系统确定部件数据中是否存在匹配。即，所述系统基于部件数据来确定是否存在可以用作代理过程段的历史过程段。如果目标部件数据与已知部件数据匹配，则在414处，所述系统获得具有匹配部件数据的一个或多个历史过程段的数据作为目标部件的数据。在一种形式中，目标部件数据的至少一个部件数据信息应当与单个历史过程段的已知部件数据匹配。在另一种形式中，所有目标部件数据应当与单个历史过程段的已知部件数据匹配。如果目标部件数据不匹配，则在416处，所述系统标记目标过程段以供进一步检查。一旦被标记，用户就可以进一步评估标记的目标过程段，并且标记的目标过程段不用于开发目标过程。在418处，所述系统确定是否已经检查了所有目标过程段。如果否，则所述系统通过返回到402来转到下一个目标过程段。如果已经检查了所有目标过程段，则所述程序结束。
参考图5，提供了由本公开的过程预测系统执行的示例性目标过程预测程序500。在502处，对于每个替代过程段，过程预测系统使用数据分析模型来确定段相似性值，如上文详细描述的。在504处，对于每个替代过程段，过程预测系统基于段相似性值来确定目标过程段相对于选定过程段的概率分布。更具体地，使用序列推断模型并且如上文详述，过程预测系统确定目标过程段与选定的替代过程段匹配的概率和目标过程步骤与选定的替代过程段匹配的概率。在506处，所述系统生成目标计划的目标过程，其中目标过程基于所标识的替代过程段中具有最高概率的替代过程段来定义用于执行新制造过程的过程序列。目标过程进一步为各种过程序列分配工作站。
应当易于理解，程序400和500可以以各种合适的方式配置，并且本公开的过程预测系统不应限于程序400和500。例如，目标过程预测程序还可以包括对如上所述的代理过程段的评估。在另一个示例中，目标过程预测程序还可以包括执行如上所述的池化模型的步骤。
除非本文另有明确指示，否则指示机械/热性质、组成百分比、尺寸和/或公差或其他特性的所有数值在描述本公开的范围时应理解为由词语“约”或“大约”修饰。出于各种原因期望进行这种修饰，所述原因包括：工业实践；材料、制造和组装公差；以及测试能力。
如本文所使用，短语A、B和C中的至少一者应被解释为使用非排他性逻辑“或”表示逻辑(A或B或C)，并且不应被解释为表示“A中的至少一者、B中的至少一者以及C中的至少一者”。
在本申请中，术语“控制器”和/或“模块”可指以下项、是以下项的一部分或包括以下项：专用集成电路(ASIC)；数字、模拟或混合模拟/数字离散电路；数字、模拟或混合模拟/数字集成电路；可组合的逻辑电路；现场可编程门阵列(FPGA)；执行代码的处理器电路(共享、专用或群组)；存储由处理器电路执行的代码的存储器电路(共享、专用或群组)；提供所描述的功能性的其他合适的硬件部件(例如，作为热通量数据模块的一部分的运算放大器电路积分器)；或者以上项的一些或全部的组合，诸如在片上系统中。
术语存储器是术语计算机可读介质的子集。如本文所用的术语计算机可读介质不涵盖通过介质传播(诸如在载波上)的暂时性电信号或电磁信号；因此，术语计算机可读介质可被认为是有形的和非暂时性的。非暂时性有形计算机可读介质的非限制性示例为非易失性存储器电路(诸如快闪存储器电路、可擦除可编程只读存储器电路或掩模只读电路)、易失性存储器电路(诸如静态随机存取存储器电路或动态随机存取存储器电路)、磁性存储介质(诸如模拟磁带或数字磁带或硬盘驱动器)以及光学存储介质(诸如CD、DVD或蓝光光盘)。
本申请中所描述的设备和方法可以由专用计算机部分地或完全地实施，所述专用计算机通过将通用计算机配置为执行计算机程序中体现的一种或多种特定功能来创建。功能框、流程图组成部分和上文描述的其他要素用作软件规范，所述软件规范可以通过技术人员或程序员的例行工作来转译成计算机程序。
本公开的描述本质上仅仅是示例性的，并且因此，不背离本公开的实质的变型意图在本公开的范围内。不应将此类变型视为脱离本公开的精神和范围。
根据本发明，一种预测用于组装产品的制造过程的序列的方法包括：获得用于制造过程的目标计划，其中目标计划定义要在制造过程期间使用一个或多个部件执行的过程段，其中过程段由以序列顺序提供的用于执行过程段的多个过程步骤定义，其中对于过程段，目标计划包括目标过程数据和标识要用于过程段的一个或多个部件的目标部件数据；基于目标过程数据从历史过程数据库中检索多个替代过程段，其中历史过程数据库使用一个或多个已知部件存储用于已知制造过程的多个历史过程段，每个历史过程段由以序列顺序提供的用于执行历史过程段的多个已知过程步骤定义，其中多个替代过程段是从多个历史过程段中选择的，并且历史过程段包括已知过程数据、已知部件数据和分配的工作站数据；针对多个替代过程段中的每个替代过程段，基于数据分析模型来确定段相似性值，其中数据分析模型被配置为提供表示替代过程段与目标计划的过程段之间的文本相似性和序列相似性的定量值；以及基于多个替代过程段的段相似性值和序列推断模型来生成定义用于执行制造过程的过程序列的目标过程，序列推断模型将目标计划的过程段分类为由多个替代过程段定义的序列，其中目标过程包括定义目标计划的过程段的多个选定过程步骤和一个或多个工作站的数据。
在本发明的一个方面，用于确定段相似性值的数据分析模型还包括：使用自然语言过程模型将已知过程数据与目标过程数据进行比较以确定序列模式；基于序列模式确定已知过程数据相对于目标过程数据的过程相似性值；以及使用字符串匹配模型将已知部件数据与目标部件数据进行比较以确定部件相似性值，其中段相似性值是过程相似性值与部件相似性值的总和。
在本发明的一个方面，字符串匹配模型采用莱文斯坦距离。
在本发明的一个方面，使用通用句子编码器来确定过程相似性值。
在本发明的一个方面，对于多个过程步骤中的每一者，目标过程数据包括描述相应过程步骤和过程时间的文本数据串，对于多个已知过程步骤中的每一者，已知过程数据包括描述相应的已知过程步骤和已知过程步骤的已知过程时间的文本数据串，并且自然语言过程模型采用通用句子编码器来定义数值向量以处理已知过程数据的和目标过程数据的文本数据串。
在本发明的一个方面，序列推断模型是基于贝叶斯推断的模型。
在本发明的一个方面，生成目标过程还包括基于池化模型从由替代过程段定义的序列中选择期望序列，其中期望序列与其他序列相比具有最高的相似性值。

Claims (15)

1.一种预测用于组装产品的制造过程的序列的方法，所述方法包括：
获得用于所述制造过程的目标计划，其中所述目标计划定义要在所述制造过程期间执行的过程段，其中所述过程段由用于执行所述过程段的多个过程步骤定义；
基于所述目标计划从历史过程数据库中检索多个替代过程段，其中所述历史过程数据库存储用于已知制造过程的多个历史过程段，每个历史过程段由以序列顺序提供的用于执行所述历史过程段的多个已知过程步骤定义，其中所述多个替代过程段是从所述多个历史过程段中选择的；
针对所述多个替代过程段中的每个替代过程段，基于数据分析模型来确定段相似性值，所述数据分析模型被配置为提供表示所述替代过程段与所述目标计划的所述过程段之间的文本相似性和序列相似性的定量值；以及
基于所述多个替代过程段的所述段相似性值和序列推断模型来生成定义用于执行所述制造过程的过程序列的目标过程，所述序列推断模型将所述目标计划的所述过程段分类为由所述多个替代过程段定义的序列，其中所述目标过程包括定义所述目标计划的所述过程段的多个选定过程步骤和一个或多个工作站的数据。
2.如权利要求1所述的方法，其中用于确定所述段相似性值的所述数据分析模型还包括：
使用自然语言过程模型将指示所述替代过程段的数据与指示所述过程段的数据进行比较以确定序列模式；以及
基于所述序列模式为所述替代过程段确定过程相似性值。
3.如权利要求2所述的方法，其中使用通用句子编码器来确定所述过程相似性值。
4.如权利要求2所述的方法，其中：
所述目标计划标识要用于所述过程段的一个或多个部件，并且
所述历史过程段中的每一者标识要用于所述历史过程段的一个或多个已知部件。
5.如权利要求4所述的方法，其还包括使用字符串匹配模型将所述一个或多个已知部件与所述目标计划的所述一个或多个部件进行比较以确定部件相似性值，其中所述段相似性值是所述过程相似性值与所述部件相似性值的总和。
6.如权利要求5所述的方法，其中所述字符串匹配模型采用莱文斯坦距离。
7.如权利要求4所述的方法，其中所述目标计划由多个所述过程段定义，所述方法还包括：
将所述过程段中的每一者分类为新颖过程段或记录的过程段；以及
从所述历史过程数据库中检索所述新颖过程段的一个或多个代理过程段，其中所述一个或多个代理过程段是基于所述新颖过程段的所述一个或多个部件从所述多个历史过程段中选择的，其中所述新颖过程段的所述一个或多个部件中的至少一个部件与在所述代理过程段中提供的至少一个部件匹配，其中所述多个替代过程段是为所述目标计划的记录的过程段而选择的；以及
针对所述一个或多个代理过程段，基于所述数据分析模型来确定所述代理过程段的总体代理相似性值，其中所述目标过程是进一步基于所述代理过程段的所述总体代理相似性值和所述序列推断模型而生成的。
8.如权利要求1所述的方法，其中所述序列推断模型是基于贝叶斯推断的模型。
9.如权利要求1所述的方法，其中生成所述目标过程还包括基于池化模型从由所述替代过程段定义的所述序列中选择期望序列，其中所述期望序列与其他序列相比具有最高的相似性值。
10.如权利要求2所述的方法，其中对于所述过程段，所述目标计划包括目标过程数据和标识要用于所述过程段的一个或多个部件的目标部件数据，并且其中所述多个替代过程段是从所述多个历史过程段中选择的，并且所述历史过程段包括已知过程数据、已知部件数据和分配的工作站数据。
11.如权利要求10所述的方法，其中：
对于所述多个过程步骤中的每一者，所述目标过程数据包括描述相应过程步骤和过程时间的文本数据串，
对于所述多个已知过程步骤中的每一者，所述已知过程数据包括描述相应的已知过程步骤和所述已知过程步骤的已知过程时间的文本数据串，并且
所述自然语言过程模型采用通用句子编码器来定义数值向量以处理所述已知过程数据的和所述目标过程数据的所述文本数据串。
12.如权利要求10所述的方法，其中所述目标计划由多个所述过程段定义，所述方法还包括：
基于所述过程段的所述目标过程数据和所述多个历史过程段的所述已知过程数据来将所述过程段中的每一者分类为新颖过程段或记录的过程段；
基于所述新颖过程段的所述目标部件数据从所述历史过程数据库中检索所述新颖过程段的一个或多个代理过程段，其中所述一个或多个代理过程段是基于所述目标部件数据和所述已知部件数据从所述多个历史过程段中选择的，其中所述一个或多个代理过程段的所述已知部件数据与在所述新颖过程段的所述目标部件数据中提供的至少一个部件匹配，其中所述多个替代过程段是为所述目标计划的所述记录的过程段而选择的；以及
针对所述一个或多个代理过程段，基于所述数据分析模型来确定所述代理过程段的总体代理相似性值，其中所述目标过程是进一步基于所述代理过程段的所述总体代理相似性值和所述序列推断模型而生成的。
13.如权利要求12所述的方法，其中：
所述目标过程数据包括所述过程段的过程标识，
所述已知过程数据包括相应的历史过程段的已知过程标识，
响应于所述过程标识与所述已知过程标识匹配而将所述多个过程段中的所述过程段分类为所述记录的过程段，并且
响应于所述过程标识与所述历史过程数据库中的已知过程段的所述已知过程标识不匹配而将所述多个过程段中的所述过程段分类为所述新颖过程段。
14.如权利要求12所述的方法，其中：
所述目标部件数据包括指示工具标识、工具名称、制造零件标识、制造零件名称或其组合的数据，
所述已知部件数据包括指示已知工具标识、已知工具名称、已知制造零件标识、已知制造零件名称或其组合的数据，并且
所述代理过程段的所述已知部件数据与所述新颖过程段的所述目标部件数据的至少一个数据匹配。
15.如权利要求10所述的方法，其中：
所述目标部件数据包括指示工具标识、工具名称、制造零件标识、制造零件名称或其组合的数据，并且
所述已知部件数据包括指示已知工具标识、已知工具名称、已知制造零件标识、已知制造零件名称或其组合的数据。
CN202310106467.3A 2022-02-18 2023-02-13 用于预测车辆制造过程的过程序列的方法和系统 Pending CN116661378A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/675,253 2022-02-18
US17/675,253 US11644818B1 (en) 2022-02-18 2022-02-18 Method and system for predicting process sequence for a vehicle manufacturing process

Publications (1)

Publication Number Publication Date
CN116661378A true CN116661378A (zh) 2023-08-29

Family

ID=86242343

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310106467.3A Pending CN116661378A (zh) 2022-02-18 2023-02-13 用于预测车辆制造过程的过程序列的方法和系统

Country Status (3)

Country Link
US (2) US11644818B1 (zh)
CN (1) CN116661378A (zh)
DE (1) DE102023103743A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11644818B1 (en) * 2022-02-18 2023-05-09 Ford Global Technologies, Llc Method and system for predicting process sequence for a vehicle manufacturing process

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7684892B2 (en) 2007-10-30 2010-03-23 Gm Global Technology Operations, Inc. Process for generating control sequence of operations
CN105807741B (zh) 2016-03-09 2018-08-07 北京科技大学 一种工业生产流程预测方法
EP3719736A1 (de) 2019-04-01 2020-10-07 Siemens Aktiengesellschaft Verfahren und vorrichtung für ein automatisches selektieren eines optimalen herstellungsablaufes
US20220391750A1 (en) * 2021-06-03 2022-12-08 Truata Limited System for harnessing knowledge and expertise to improve machine learning
US11644818B1 (en) * 2022-02-18 2023-05-09 Ford Global Technologies, Llc Method and system for predicting process sequence for a vehicle manufacturing process

Also Published As

Publication number Publication date
US20230305529A1 (en) 2023-09-28
US11644818B1 (en) 2023-05-09
DE102023103743A1 (de) 2023-08-24
US12007750B2 (en) 2024-06-11

Similar Documents

Publication Publication Date Title
CN109657805B (zh) 超参数确定方法、装置、电子设备及计算机可读介质
US11790256B2 (en) Analyzing test result failures using artificial intelligence models
Reinhardt et al. A survey on automatic model generation for material flow simulation in discrete manufacturing
US20200151748A1 (en) Feature-based item similarity and forecasting system
US7558803B1 (en) Computer-implemented systems and methods for bottom-up induction of decision trees
Detzner et al. Feature selection methods for root‐cause analysis among top‐level product attributes
KR20190135329A (ko) 컴퓨팅 시스템 및 상기 장치에서 수행되는 데이터 라벨링 방법
CN111045916B (zh) 自动化软件缺陷验证
CN112055837B (zh) 一种工业设备匹配方法和装置
CN116661378A (zh) 用于预测车辆制造过程的过程序列的方法和系统
CN112182406B (zh) 机械设计方案推荐方法及装置
Felderer et al. Artificial intelligence techniques in system testing
JP4648386B2 (ja) 設計支援装置、設計支援方法、設計支援プログラム
Dehghan et al. A hybrid model for task completion effort estimation
EP4258107A1 (en) Method and system for automated discovery of artificial intelligence and machine learning assets in an enterprise
US20220366330A1 (en) Method and system for determining a predicted operation time for a manufacturing operation using a time prediction model
Kruse et al. Data mining applications in the automotive industry
US20230176556A1 (en) Systems and methods for detecting manufacturing anomalies
CN116450782A (zh) 一种知识驱动的航天产品装配工艺信息检索方法
Fazekas et al. Statistical data generation using sample data
Dobry et al. Two-Step Data Mining Method to Identify Failure Related Driving Patterns
US20160357879A1 (en) Method and apparatus for checking the buildability of a virtual prototype
Hägner et al. Robotic process automation: A systematic literature review
Feldhusen et al. A data mining method for selecting the suitable existing product variant as a development base for a new order
CN113051749B (zh) 一种飞机可靠性数据资产元数据分解方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication