CN116848479A - 关键性能指标变量的连续监测、预先警报和控制 - Google Patents
关键性能指标变量的连续监测、预先警报和控制 Download PDFInfo
- Publication number
- CN116848479A CN116848479A CN202280014617.1A CN202280014617A CN116848479A CN 116848479 A CN116848479 A CN 116848479A CN 202280014617 A CN202280014617 A CN 202280014617A CN 116848479 A CN116848479 A CN 116848479A
- Authority
- CN
- China
- Prior art keywords
- target measurement
- measurement
- computer
- time
- composite
- 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
- 238000012544 monitoring process Methods 0.000 title description 20
- 238000005259 measurement Methods 0.000 claims abstract description 281
- 238000000034 method Methods 0.000 claims abstract description 105
- 238000004519 manufacturing process Methods 0.000 claims abstract description 84
- 239000002131 composite material Substances 0.000 claims abstract description 52
- 238000004590 computer program Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 61
- 230000008569 process Effects 0.000 claims description 57
- 238000003860 storage Methods 0.000 claims description 33
- 230000004044 response Effects 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 10
- 230000001052 transient effect Effects 0.000 claims description 10
- 238000002156 mixing Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 19
- 230000002776 aggregation Effects 0.000 description 17
- 238000004220 aggregation Methods 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 13
- 239000000047 product Substances 0.000 description 11
- 230000006872 improvement Effects 0.000 description 8
- 230000001276 controlling effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 238000003491 array Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 3
- 230000000116 mitigating effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011545 laboratory measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000009172 bursting Effects 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000012993 chemical processing Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000008240 homogeneous mixture Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
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
- G05B19/418—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]
- G05B19/41875—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 quality surveillance of production
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F15/00—Details of, or accessories for, apparatus of groups G01F1/00 - G01F13/00 insofar as such details or appliances are not adapted to particular types of such apparatus
- G01F15/06—Indicating or recording devices
- G01F15/068—Indicating or recording devices with electrical means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F15/00—Details of, or accessories for, apparatus of groups G01F1/00 - G01F13/00 insofar as such details or appliances are not adapted to particular types of such apparatus
- G01F15/07—Integration to give total flow, e.g. using mechanically-operated integrating mechanism
- G01F15/075—Integration to give total flow, e.g. using mechanically-operated integrating mechanism using electrically-operated integrating means
- G01F15/0755—Integration to give total flow, e.g. using mechanically-operated integrating mechanism using electrically-operated integrating means involving digital counting
-
- 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]
- G05B19/4183—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 data acquisition, e.g. workpiece identification
-
- 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
- G05B2219/32—Operator till task planning
- G05B2219/32181—Monitor production, assembly apparatus with multiple sensors
-
- 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
- G05B2219/32207—Action upon failure value, send warning, caution message to terminal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Fluid Mechanics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
方法、系统和计算机程序产品涉及由计算机系统收集制造系统的传感器数据,该传感器数据以小于制造系统的目标测量的时间间隔的间隔被测量。传感器数据被确定为与目标测量具有关系。基于关系以小于时间间隔的间隔生成合成目标测量。基于在小于时间间隔的间隔内的合成目标测量,自动生成用于目标测量的预先警告。
Description
技术领域
本发明总体上涉及计算机系统,并且更具体地涉及被配置和安排用于提供具有不频繁的和时间聚集的测量的过程关键性能指标变量的连续监测、预先警报和控制的计算机实现的方法、计算机系统和计算机程序产品。
背景技术
制造是使用劳力和机器、工具、以及化学或生物加工或配制品生产供使用或销售的产品。制造可以包括从机械至高科技的一系列活动,但是被应用于工业设计,其中,来自初级部门(primary sector)的包括化学品的原材料被大规模地转变成成品。此外,制造过程包括将原材料转化成最终产品的步骤。制造过程从产品设计和制造产品的材料规格开始。这些材料随后通过制造过程被改性以成为所需部件。现代制造包括在产品的部件的生产和集成中所需的所有中间过程。虽然样品或产品可以以时间序列聚集方式被测试以检查质量,但是制造过程的样品或产品需要以更细粒度的方式测试,以使得能够在正常测量之前早期识别潜在问题。
发明内容
本发明的实施方式涉及用于提供具有不频繁的和时间聚集的测量的过程关键性能指标变量的连续监测、预先警报和控制的计算机实现的方法。一种非限制性示例计算机实现的方法,包括由计算机系统收集制造系统的传感器数据。传感器数据以小于制造系统的目标测量的时间间隔的间隔被测量。传感器数据被确定为与目标测量具有关系。所述计算机实现的方法包括由所述计算机系统基于所述关系以小于所述时间间隔的间隔生成合成目标测量。此外,所述计算机实现的方法包括由所述计算机系统基于在小于所述时间间隔的所述间隔内的所述合成目标测量自动生成用于所述目标测量的预先警告。
除了以上或以下描述的一个或多个特征之外,通过以小于正常目标测量的间隔生成合成目标测量,所述计算机实现的方法提供了优于已知方法的用于监测/具有不频繁的和时间聚集的测量的关键性能指标变量的改进。因此,上述计算机实现的方法在正常测量过程之前有效地提供关于目标样品的预警指示,从而能够早期识别和缓解潜在问题。此外,目标测量的频率通常不受系统设计者的控制,例如,因为更快速地进行目标测量太昂贵或不可能。
除了以上或以下描述的一个或多个特征之外,或者作为替代,本发明的进一步的实施方式可以包括:其中,响应于基于合成目标测量的用于目标测量的预先警告而自动修改与制造系统相关联的一个或多个设定点。
除了以上或以下描述的一个或多个特征之外,通过在正常测量过程之前基于合成目标测量调整设定点,所述计算机实现的方法提供了优于已知方法的用于监测/具有不频繁的和时间聚集的测量的关键性能指标变量的改进。
除了以上或以下描述的一个或多个特征之外,或者作为替代,本发明的进一步的实施方式可以包括:其中,响应于基于合成目标测量的用于目标测量的预先警告,自动修改与制造系统相关联的一个或多个控制部。
除了以上或以下描述的一个或多个特征之外,通过在正常测量过程之前基于合成目标测量调整控制部件,所述计算机实现的方法提供了优于已知方法的用于监测/具有不频繁的和时间聚集的测量的关键性能指标变量的改进。
除了以上或以下描述的一个或多个特征之外,或者作为替代,本发明的进一步的实施方式可以包括:其中,响应于合成目标测量在预定范围之外而生成预先警告。
除了以上或以下描述的一个或多个特征之外,通过在正常测量过程之前启用基于合成目标测量的预先警告,所述计算机实现的方法提供了优于已知方法的用于监测/具有不频繁的和时间聚集的测量的关键性能指标变量的改进。
除了以上或以下描述的一个或多个特征之外,或者作为替代,本发明的进一步的实施方式可以包括其中,对制造系统进行修改以使合成目标测量处于预定范围内。
除了以上或以下描述的一个或多个特征之外,通过在正常测量过程之前基于合成目标测量对制造系统做出改变,所述计算机实现的方法提供了优于已知方法的用于监测/具有不频繁的和时间聚集的测量的关键性能指标变量的改进。
除了以上或以下描述的一个或多个特征之外,或者作为替代,本发明的进一步的实施方式可以包括:其中,目标测量是对应于制造系统的物理材料工艺流出流的质量相关变量。由于在容器中混合相等采样体积,该目标测量包括非瞬时的、时间聚集的性质,其中所述相等采样体积在整个所述时间间隔的多个时刻被收集并且在所述时间间隔结束时被测量,从而获得所述目标测量。
除了以上或以下描述的一个或多个特征之外,通过生成在目标测量之前的在本质上是非瞬时的、时间聚集的合成目标测量作为瞬时测量,所述计算机实现的方法提供了优于已知方法的用于监测/具有不频繁的和时间聚集的测量的关键性能指标变量的改进。
除了以上或以下描述的一个或多个特征之外,或者作为替代,本发明的进一步的实施方式可以包括:其中,目标测量是样品的聚集总体积的复合测量。合成目标测量是基于所述传感器数据的时间点的生成值,并且不是所述样品的聚集总体积的测量,所述合成目标测量表示在所述时间间隔内的所述时间点处的单独采样体积的状态。
除了以上或以下描述的一个或多个特征之外,通过不依赖于样品的聚集总体积的复合测量,所述计算机实现的方法提供了优于已知方法的用于监测/具有不频繁的和时间聚集的测量的关键性能指标变量的改进。相反,合成目标测量使用传感器数据来表示在任何给定时间点的单独采样体积的状态。
本发明的其他实施方式在计算机系统和计算机程序产品中实现上述方法的特征。
通过本发明的技术实现了附加技术特征和优点。在本文中详细描述了本发明的实施方式和方面,并且这些实施方式和方面被认为是所要求保护的主题的一部分。为了更好的理解,参考详细说明和附图。
附图说明
在说明书结尾处的权利要求中特别指出并明确要求保护本文所述的独占权利的细节。从以下结合附图进行的详细描述中,本发明的实施方式的前述和其他特征和优点将变得显而易见,在附图中:
图1描绘了结合本发明的一个或多个实施方式使用的示例性计算机系统的框图;
图2描绘了根据本发明的一个或多个实施方式用于提供具有不频繁的和时间聚集的测量的过程关键性能指标变量的连续监测、预先警报、和控制的系统的框图;
图3描绘了根据本发明的一个或多个实施方式的图2中的计算机系统的进一步细节;
图4描绘了根据本发明的一个或多个实施方式的在制造系统中具有用于不频繁的和时间聚集的测量的过程关键性能指标变量的连续监测、预先警报和控制的计算机实现的过程的流程图;
图5描绘了根据本发明的一个或多个实施方式的对测量系统中的未知潜在测量的瞬时质量进行建模的图;
图6描绘了根据本发明的一个或多个实施方式的模型的模型架构的示例表示;
图7是根据本发明的一个或多个实施方式的用于提供具有不频繁的和时间聚集的测量的过程关键性能指标变量的连续监测、预先警报和控制的计算机实现的方法的流程图;
图8描绘了根据本发明的一个或多个实施方式的云计算环境;以及
图9描绘了根据本发明的一个或多个实施方式的抽象模型层。
具体实施方式
本发明的一个或多个实施方式提供了用于从可用的传感器数据确定和/或推断关于目标样品的合成/估计质量测量的计算机实现的方法、计算机系统和计算机程序产品。一个或多个实施方式在感兴趣的正常测量之前从可用的传感器数据生成关于目标样品的合成/估计质量测量。因此,本发明的一个或多个实施方式在正常测量过程之前提供关于目标样品的早期指示,从而能够早期识别和缓解潜在问题。
作为质量测量的所关注的测量在某些一致频率下被周期性地收集。关于如何收集和测量作为目标测量的对象的目标样品存在知识。感兴趣的系统(例如,制造系统)配备有多种传感器,这些传感器以比目标样品的时间聚集的质量测量更高的频率收集数据。本发明的一个或多个实施方式经由合成/估计质量测量来改进关于目标样品的输出质量的知识的及时性,而无需在制造系统中进行任何更多的测量。
现在转向图1,一般地示出了根据本发明的一个或多个实施方式的计算机系统100。如本文所描述的,计算机系统100可以是包括和/或采用利用不同通信技术的任何数量和组合的计算设备和网络的电子计算机框架。计算机系统100可以是容易扩展的、可扩展的和模块化的,具有改变成不同服务或独立于其他特征来重新配置某些特征的能力。计算机系统100可以是例如服务器、台式计算机、膝上型计算机、平板计算机或智能电话。在一些示例中,计算机系统100可以是云计算节点。计算机系统100可以在由计算机系统执行的诸如程序模块之类的计算机系统可执行指令的一般上下文中描述。一般而言,程序模块可包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、逻辑、数据结构等。计算机系统100可在其中任务由通过通信网络链接的远程处理设备执行的分布式云计算环境中实践。在分布式云计算环境中,程序模块可以位于包括存储器存储设备的本地和远程计算机系统存储介质两者中。
如图1所示,计算机系统100具有一个或多个中央处理单元(CPU)101a、101b、101c等(统称为或一般地称为(一个或多个)处理器101)。处理器101可以是单核处理器、多核处理器、计算集群或任意数量的其他配置。处理器101(也称为处理电路)经由系统总线102耦合到系统存储器103和各种其他组件。系统存储器103可包括只读存储器(ROM)104和随机存取存储器(RAM)105。ROM104耦合到系统总线102,并且可以包括基本输入/输出系统(BIOS)或其继承者,如统一可扩展固件接口(UEFI),其控制计算机系统100的某些基本功能。RAM是耦合至系统总线102以供处理器101使用的读写存储器。系统存储器103在操作期间为所述指令的操作提供临时存储器空间。系统存储器103可包括随机存取存储器(RAM)、只读存储器、闪存或任何其他合适的存储器系统。
计算机系统100包括耦合到系统总线102的输入/输出(I/O)适配器106和通信适配器107。I/O适配器106可以是与硬盘108和/或任何其他类似组件通信的小型计算机系统接口(SCSI)适配器。I/O适配器106和硬盘108在本文中统称为大容量存储装置110。
在计算机系统100上执行的软件111可存储在大容量存储装置110中。大容量存储装置110是可由处理器101读取的有形存储介质的示例,其中软件111被存储为用于由处理器101执行以使计算机系统100操作的指令,诸如下文相对于各个附图所描述的。本文中更详细地论述计算机程序产品和此指令的执行的示例。通信适配器107将系统总线102与网络112互连,网络112可以是外部网络,使得计算机系统100能够与其他这样的系统通信。在一个实施方式中,系统存储器103的一部分和大容量存储装置110共同存储操作系统,该操作系统可以是用于协调图1中所示的各种组件的功能的任何合适的操作系统。
附加的输入/输出设备被示为经由显示适配器115和接口适配器116连接到系统总线102。在一个实施方式中,适配器106、107、115和116可以连接到经由中间总线桥(未示出)连接到系统总线102的一个或多个I/O总线。显示器119(例如,屏幕或显示监视器)通过显示适配器115连接到系统总线102,该显示适配器115可以包括改善图形密集型应用的性能的图形控制器以及视频控制器。键盘121、鼠标122、扬声器123等可经由接口适配器116互连到系统总线102,接口适配器116可包括例如将多个设备适配器集成到单个集成电路中的超级I/O芯片。用于连接诸如硬盘控制器、网络适配器和图形适配器之类的外围设备的合适的I/O总线通常包括诸如外围组件互连(PCI)和高速外围组件互连(PCIe)之类的公共协议。因此,如图1中配置的,计算机系统100包括处理器101形式的处理能力、和包括系统存储器103和大容量存储装置110的存储能力、诸如键盘121和鼠标122的输入装置、以及包括扬声器123和显示器119的输出能力。
在一些实施方式中,通信适配器107可以使用任何合适的接口或协议(诸如互联网小型计算机系统接口等)来发送数据。网络112可以是蜂窝网络、无线电网络、广域网(WAN)、局域网(LAN)或互联网等。外部计算设备可通过网络112连接到计算机系统100。在一些示例中,外部计算设备可以是外部web服务器或云计算节点。
应当理解,图1的框图不旨在指示计算机系统100包括图1中示出的所有组件。相反,计算机系统100可包括图1中未示出的任何合适的更少或附加的组件(例如,附加的存储器组件、嵌入式控制器、模块、附加的网络接口等)。进一步,本文关于计算机系统100描述的实施方式可用任何合适的逻辑来实现,其中,在各种实施方式中,如本文提及的逻辑可包括任何合适的硬件(例如,处理器、嵌入式控制器、或专用集成电路等)、软件(例如,应用等)、固件、或硬件、软件、和固件的任何合适的组合。
图2是根据本发明的一个或多个实施方式用于提供具有不频繁的和时间聚集的测量的过程关键性能指标变量的连续监测、预先警报和控制的系统200的框图。系统200包括连接到制造系统230的一个或多个计算机系统202。制造系统230可以使用在工程过程和机器中使用控制动态系统的控制理论来操作。制造系统230可以在连续生产过程中利用自动过程控制。自动过程控制是使用工业控制系统实现一致性、经济和安全的生产水平的控制工程学科和化学工程学科的组合,并且广泛地在诸如炼油、纸浆和纸制造、化学处理、发电厂等工业中实施。制造系统230可以包括各种系统部件232,其中,系统部件232表示用于将输入转换成目标输出的各种设备,如本领域技术人员已知的。系统部件232可以包括电气设备、机械设备、化学设备等。系统部件232代表用作制造系统230和/或工厂所需的机器或机器系统。
制造系统230包括用于控制系统部件232的功能的控制部件234(或控制器)。控制部件234涉及能够在制造系统230中被控制以被改变和/或修改的任何部件。示例性控制部件234可包括致动器、控制值、继电器、开关等。在制造系统230中使用设定点236(也是设置点)。设定点是制造系统230的关键变量或过程值的期望或目标值。控制部件234可包括控制相应控制部件234的操作的一个或多个设定点236。可以修改设定点236以改变控制部件234的操作和设置。一个或多个控制系统240位于制造系统230中。控制系统240用于控制控制部件234的功能和操作,由此控制系统部件232的功能和操作。控制系统240可以用于修改制造系统230的设定点236。控制系统使用控制回路管理、命令、指导和/或调节其他装置或系统(诸如,例如,控制部件234)的行为。对于连续调制控制,使用反馈控制器来自动控制过程或操作。控制系统将被控制的过程变量的值或状态与期望值或设定点进行比较,并施加该差值作为控制信号,以使工厂(例如制造系统230)的过程变量输出达到与设定点相同的值。
在制造系统230中,进行目标产品的质量测量250,该质量测量可处于制造中的任何期望阶段。质量测量250是所关注的测量,并且以某一致的频率从系统部件232中的给定一个的输出周期性地收集质量测量250。例如,可以每隔“T”小时(例如,T=12小时、24小时、1周等)进行质量测量。在工艺行业中,要维持输出产品的质量,这可以包括确保满足任何法规约束,包括由管理实体设定的联邦标准。通常,这通过基于随时间收集的聚集样品周期性地执行昂贵且耗时的实验室测量来完成。取决于实验室测量的结果,目标产品可能具有不足的质量,和/或可能已发生对规章约束的违背。任一情况都是昂贵的错误。因此,进行质量测量250以满足给定要求。质量测量250是真正的聚集测量。例如,质量测量250基于随时间(例如,从系统部件232)收集并组合在同一样品容器252中的小体积的组合。因此,单个质量测量250由样品容器252中的样品/目标产品的时间聚集的测量组成,其中样品容器252中的样品是时间聚集的样品。样品容器252中的时间聚集量的后续测量也增加了额外的延迟。
制造系统230被装备有耦接到系统部件232的各种传感器238,并且传感器238以比质量测量250的测量更高的频率测量(即,收集)数据。控制系统240可耦接至传感器238并且从传感器238接收测量(即,传感器数据)。可以每隔T’的时间增量(例如,分钟)测量传感器测量,其中,T’小于T。例如,由传感器238进行的传感器测量可每五分钟、十分钟等被测量/获取。由传感器238进行的传感器测量可每小时、两小时等进行测量/获取。传感器238的传感器测量不测量样品容器252中收集的实际样品。相反,传感器238可以在制造过程的各个/不同阶段提供各种设备、材料、流量等的测量和读数,以在样品容器252中生产样品。传感器测量和读数可以用于制造系统230中和/或与制造系统230相关的任何类型的可测量值。例如,传感器测量和读数可以用于矿石质量、温度、密度、流速、电压、电流、速度、每分钟转数、振动等。
计算机系统202连接到制造系统230。计算机系统202可以耦接至控制系统240、传感器238、控制部件234、和/或设定点236。在一个或多个实施方式中,控制系统240可包括被配置成与计算机系统202的软件应用204对接的一个或多个控制应用242。此外,控制应用242可以监测和控制系统部件、控制部件234、设定点236和传感器238,如本领域技术人员所理解的。在图3中示出了计算机系统202的进一步细节。在一个或多个实施方式中,计算机系统202可以实现和/或集成在控制系统240中。如图1所示,软件应用204可以实现为在一个或多个处理器101上执行的软件111。类似地,控制应用242可以使用被配置为在一个或多个处理器101上执行的软件111来实现。计算机系统100的元件可用在计算机系统202和控制系统240中和/或集成到计算机系统202和控制系统240中。
图4描绘了根据本发明的一个或多个实施方式的在制造过程中提供具有不频繁的和时间聚集的测量的过程关键性能指标变量的连续监测、预先警报和控制的计算机实现的过程400的流程图。图4中的计算机实现的过程400可以使用图2中所示的系统200和图3中的计算机系统202来实现。因此,现在将参考图2中的系统200和计算机系统202描述计算机实现的过程400。
在框402处,计算机系统202的软件应用204被配置成收集制造系统230中的传感器238的传感器数据。传感器238的传感器数据以比质量测量250的测量(例如,以间隔或时间“T”测量)更高的频率(例如,以更短的间隔或时间“T”测量)进行测量。在一个或多个实施方式中,软件应用204可以从控制系统240的控制应用242接收传感器238的传感器数据。传感器238的传感器数据可被推送到计算机系统202的软件应用204和/或由计算机系统202的软件应用204拉取。在一个或多个实施方式中,在向计算机系统202发送传感器数据之前,控制系统240可缓冲和/或存储相应传感器238的传感器数据。在一个或多个实施方式中,软件应用204可实时和/或近实时地接收传感器238的传感器数据。
在框404处,计算机系统202的软件应用204被配置成将传感器238的传感器数据切片/划分成传感器数据块(例如,张量切片),其中不同的块对应于由传感器238进行的测量的不同组/时间段。在框406,计算机系统202的软件应用204被配置为使用不同组/时间段的传感器数据(例如,张量切片)的块作为模型306的输入,模型306被配置为确定用于制造系统230的合成/估计质量测量。以比质量测量250的测量更高的频率生成合成/估计质量测量。换言之,合成/估计质量测量比进行质量测量250的测量更频繁地生成。该合成/估计质量测量还具有比作为物理测量的质量测量250更小的滞后和/或延迟。
在框408,计算机系统202的软件应用204被配置成检查合成/估计质量测量是否在制造系统230的正常范围内。正常范围被预先确定。正常范围可以具有下限和上限,并且合成/估计质量测量被假定保持在被认为是正常的下限和上限内。如果合成/估计质量测量在正常范围内(“是”),则流程进行至框402用于继续监测。继续监测包括连续生成合成/估计质量测量。如果合成/估计质量测量在正常范围之外(“否”),则软件应用204被配置为基于一个或多个合成/估计质量测量落在正常范围之外而发布预先警告(例如,通知280)。例如,软件应用204可以向控制系统240的控制应用242和操作者发出警告。预先警告是在用于进行样品容器252中的样品的质量测量250的时间段“T”之前,制造系统230中存在问题的早期指标,包括样品容器252中的样品的潜在问题。
在框410处,计算机系统202的软件应用204被配置为使得在制造系统230中修改一个或多个设定点236和/或一个或多个控制部件234。在一个或多个实施方式中,软件应用204可以引起、指示和/或请求改变一个或多个设定点236和/或一个或多个控制部件234。在一个或多个实施方式中,软件应用204可以向控制系统240传送请求(和/或通知280),使得该请求致使控制系统240的控制应用242修改设定点236和/或控制部件234。在一个或多个实施方式中,软件应用204可以使与一个或多个设定点236和/或一个或多个控制部件234相关联的值、操作和/或功能由于通知280而增加和/或减小。
因此,基于作为预先警告的通知280,制造系统230的操作得以改进并且可以避免错误。以比质量测量250的测量更短的间隔和/或更短的时间段使用模型306来生成合成/估计质量测量。因此,使用传感器238的传感器数据生成的合成/估计质量测量在正常质量测量250之前提供关于在样品容器252中收集的目标样品的早期指示。如在此所指出的,质量测量250是基于在样品容器252中收集的样品的延迟时间聚集,而合成/估计质量测量是在小于用于进行/测量质量测量250的时间“T”的任何时间点的样品的瞬时表示。因此,在不同时间点使用合成/估计质量测量,软件应用204被配置为生成/推断关于真实质量测量250的更细粒度的信息,从而能够早期识别制造系统230中的潜在问题,并且进而提供缓解。
图5是对根据本发明的一个或多个实施方式的对制造系统230中的未知潜在测量的瞬时质量进行建模的框图。未知潜在测量用于生成合成/估计质量测量。模型306是与制造系统230相关的基于物理学的模型。在图5中,通过沿着时间线的各个圆圈示出不同传感器238的各个测量/读数。传感器238的每次测量/读取是在小于针对质量测量250进行的测量之间的时刻进行的。时间线502上的圆圈表示每个时间间隔或时间段“T”进行的质量测量250。出于说明的目的,传感器238可包含传感器A、传感器B到传感器N,其中N表示最后传感器,且每个传感器在时间线上具有多个测量。时间线504上的每个圆是可以提供制造系统230的附加知识的未知潜在结果。时间线504上的圆圈不在制造系统230中被测量,而是从传感器238的传感器数据与质量测量250之间的关系导出。
当训练模型306时,软件应用204使用历史数据310(例如,存储在存储器308中)来学习在相同时间段“T”的传感器238的传感器数据与质量测量250之间的关系,并且连续地重复这个过程。历史数据310包括在时间上对齐的传感器238的历史传感器数据和历史质量测量250。存储在数据库中的历史数据310可表示许多数据库。数据库可以包含数百、数千和/或数百万个文档,也称为“大数据”。根据一个或多个实施方式,数据库中的历史数据310的巨大尺寸要求机器(诸如计算机系统202)例如使用计算机可执行指令进行管理、处理和搜索,并且数据库中的历史数据310不能在人类头脑内如此处所讨论的那样被实际地管理、存储、分析和/或处理。
当训练模型306时,软件应用204被配置为拟合回归模型,该回归模型将测量时段“T”上的高频协变量(其是传感器238的传感器数据的单独测量)通过时间线504上的未知中间质量结果与延迟低频测量250(例如,延迟低频(实验室)结果)相关。为了说明的目的,y是指示质量测量250的符号,其中,yt表示时间t处的质量测量250的值。时间t处的未知中间质量结果被表示为qt=f(Xt-T’:t),具有初始未知关系f()和未知输出。函数yt=g(qt-T:t)具有已知关系和未知输入(例如,时段t-T至t内的未知输入q)。模型306学习函数f()并且稍后在预测期间使用f()。在一个或多个实施方式中,函数g()是已知的,因为质量测量250基于随时间均匀采样的相等体积,并且在这种情况下,模型306考虑观察窗口“T”上的平均质量。在这种情况下,样品容器252中送出用于测量的最终样品由样品随时间变化的均匀混合物组成,并且目标测量导致质量的平均测量。
在训练期间,将传感器238的传感器数据(即,测量/读数)对齐以匹配在样品容器252中收集样品的时间段“T”,其中,对样品容器252中收集的样品进行质量测量250。对样品容器252中收集的样品进行每个质量测量250,并且在相同时间段“T”内使用传感器238的样品数据。一旦训练了模型306,模型306可以用于以小于时间段“T”的时间间隔为每个质量测量250生成合成/估计质量测量(例如,合成y)。软件应用204可以对协变量的不同数量(可能重叠)的长度T’窗口应用(训练)模型306以预测未知的中间结果qt,并且然后处理那些中间结果(qt)以产生平均质量测量,该平均质量测量是对于比原始质量测量250(T)的时间间隔/窗口更小的特定时间间隔/窗口的合成/估计平均质量测量。如本文所指出的,这在向制造系统230的系统操作者提供更及时的警告方面是特别有用的。在图5中,可以利用一个或多个传感器数据块(例如,张量切片)生成任何期望或给定时间窗口的合成/估计质量测量。可以利用各种回归模型来实现模型306。
图6是根据本发明一个或多个实施方式的模型306的模型架构600的示例表示。图6示出了神经网络的使用。针对总共“m”个块,将来自传感器238的由“X”表示的传感器数据块输入至模型306。根据传感器数据块的匹配批次/时间组对传感器数据块进行分组。来自多个传感器238的传感器数据被组合在每个块中。在这些矩阵的每个中,块可被视为矩阵(例如,二阶张量),其中列由各个传感器组成,每行具有单独的时间点。例如,通过为Xt-T’:t的传感器数据块,一个传感器数据块(例如,张量切片)可以是Xt-T’-m+1:t-m+1,另一个传感器数据块可以是Xt-T’-m+2:t-m+2。如本文中所指出的,传感器数据的测量以时间T”的增量进行,并且“m”是用于在时间“t”生成单个合成/估计质量测量的传感器数据块(例如,张量切片)的数量,时间“t”是通常用于指代当前时间的时刻。参照图6,每个传感器数据块被输入到表示函数f()的神经网络的其自身的副本中。多个神经网络是同一经训练的神经网络的相同副本,其负责实现和/或捕捉局部动态,如本文所讨论的。在将每个传感器数据块输入到神经网络的副本的函数f()中之后,神经网络的副本输出未知的中间质量结果q,这是每个神经网络的qt。例如,对于接收相应传感器数据块的神经网络,一个神经网络可以生成qt-m+1,另一个神经网络可以生成qt-m+2,通过最后一个神经网络生成qt。已知聚集函数g()被用来聚集来自神经网络的副本的输出。对于给定时刻“t”,已知聚集函数g()的输出“y”是制造系统230的单个合成/估计质量测量,其中,合成/估计质量测量表示制造系统230的状况/状态。g()的输出是时间段T上的质量(即,从t-T到t的时间段上的质量的聚集测量)。软件应用204可以利用模型306针对不同时刻“t”生成合成/估计质量测量,时刻“t”可以是比用于质量测量250的时间段“T”更小的间隔。
质量测量250可以被认为是过程变量的测量。传感器238的传感器数据可被认为是协变量和/或不同于过程变量的其他过程变量。使用模型306,过程变量的测量的非瞬时性质采取时间聚集测量的一般形式,其时间分辨率和值对应于使用在时间间隔上变量的瞬时值的一般聚集函数(例如,函数g())在该时间间隔上的聚集,这与瞬时在线和/或离线测量的情况相反,瞬时在线和/或离线测量的时间分辨率和值对应于时间点。
所讨论的过程变量(例如,对应于质量测量250)是对应于物理材料过程流出流的质量相关变量,其测量很少从实验室获得;质量测量的非瞬时的、时间聚集的性质具体地是由于混合/聚集相等的采样体积(例如,到样品容器252中),这些采样体积是在长时间内在多个时刻从对应的过程流出流抽取的并且随后在聚集总体积上执行复合测量。如模型206所学习的,质量测量250的非瞬时的、时间聚集的性质是由于在对应于历史过程变量测量(历史数据310)的每个聚集间隔上应用的任何指定的一般聚集函数,如在模型306中确定的关系。质量测量250的非瞬时的、时间聚集的性质是由于在对应于历史过程变量测量的每个聚集间隔上均匀地应用的并且由模型306从历史数据310自动学习的未指定的、一般的聚集函数。
通过使用模型306自动估计过程变量的瞬时、时间点值(例如,qt的值)来进行用于质量测量250的过程变量的连续监测。通过重建不频繁的时间间隔聚集的历史基础事实测量的集合,从历史数据自动学习用于生成时间点值(例如,合成/估计质量测量)的关系:通过首先构建过程变量在对应的时间间隔上的未观察到的潜在时间点瞬时值(例如,qt的值),并且使用通用聚集函数(例如,函数g())变换这些潜在估计(例如,qt的值)。在任何时刻过程变量的时间点潜在估计是模型306的结果,该模型306相对于每个这样的时刻在历史过程影响的窗口上使用所有协变量(例如,传感器238的传感器数据块)的值作为输入,其中这个窗口的长度(例如,时间“T’”)被选择作为模型超参数,独立于在过程变量的连续(不频繁)测量之间的持续时间(例如,时间段“T”)。
如图6中所描绘的,模型306可以是具有多层非线性激活函数、权重、和偏置的神经网络,其中模型306使用在历史过程影响的窗口(例如,时间“T’”)上的所有协变量(例如,传感器数据)的原始值、以及在此窗口中的历史协变量值的序列上的各种时间序列特征(包括平均值、标准偏差、峰度、方差等)两者作为输入。利用具有多层非线性激活函数、权重和偏置的神经网络完成通用聚集函数(例如,函数g())的自动学习,并且通用聚集函数(例如,函数g())使用时间点潜在估计(例如,qt的值,诸如qt-m+1、qt-m+2至qt)作为输入。
根据一个或多个实施方式,技术益处和优点包括与制造过程的基础物理学具有更好对准的系统和方法。估计的潜在质量结果(例如,qt)取决于较短时间范围内的传感器测量。估计的质量结果(例如,qt)以可准确地被用于俘获存在于平均质量测量中的较长期动态特性的方式有效地概述过程的局部行为,且因此,估计的质量结果(例如,qt)被用于产生合成/所估计质量测量。对潜在质量结果的知识允许制定可能对确保过程的行为更有益的其他时间平均值而不是长期平均值。
图7是根据本发明的一个或多个实施方式的用于在制造系统230中提供具有不频繁的和时间聚集的测量的过程关键性能指标变量的连续监测、预先警报和控制的计算机实施过程700的流程图。图7中的计算机实施的过程700可使用图2中所示的系统200以及图3-图6中的讨论来实施。
在框702处,计算机系统202上的软件应用204被配置成收集制造系统230的传感器数据,该传感器数据以小于制造系统230的目标测量(例如,质量测量250)的时间间隔(例如,时间段“T”)的间隔(例如,时间T”)测量,其中,该传感器数据被确定为与该目标测量(例如,质量测量250)具有关系。例如,软件应用204可从控制系统240和/或直接从传感器238收集传感器238的传感器数据。
在框704,计算机系统202上的软件应用204被配置成基于该关系以小于该时间间隔(例如,时间段“T”)的间隔(例如,时间“T’”)生成合成目标测量。例如,关系可以包括函数f()、函数g()与质量测量250之间的关系,其中,传感器数据块(“X”)被用作输入。模型306可用于在给定时间内生成合成目标测量以表示质量测量250。
在框706处,计算机系统202上的软件应用204被配置成基于小于时间间隔的间隔(例如,时间“T”)内的合成目标测量来自动生成用于目标测量的预先警告(例如,通知280)。
响应于基于合成目标测量的用于目标测量的预先警告(例如,通知280),自动修改与制造系统230相关联的一个或多个设定点236。响应于基于合成目标测量的用于目标测量的预先警告(例如,通知280),自动修改与制造系统230相关联的一个或多个控制部件234。(由计算机系统202)生成预先警告(例如,通知280),因为合成目标测量在预定范围(例如,预先确定的正常范围)之外。对制造系统230进行修改(例如,由计算机系统202引起和/或指示)以使合成目标测量处于预定范围内。
目标测量(例如,质量测量250)是对应于制造系统230的物理材料工艺流出流的质量相关变量,由于在器皿(例如,样品容器252)中混合相等采样体积,目标测量包括非瞬时的、时间聚集的性质,其中,所述相等采样体积在整个时间间隔(例如,时间段“T”)中的多个时刻被收集,并且在所述时间间隔结束时被测量,从而获得目标测量(例如,质量测量250)。
目标测量(例如,质量测量250)是样品的聚集总体积(例如,在样品容器252中收集)的复合测量。合成目标测量是基于传感器数据的时间点的生成值,并且不是样品的聚集总体积的测量,而是合成目标测量表示在时间间隔内的时间点处的单独采样体积的状态。
目标测量(例如,质量测量250)是样品的聚集总体积(例如,在样品容器252中收集)的复合测量。从构成聚集总体积的相等采样体积产生复合目标测量的聚集函数(例如,聚集函数g())是未知的,并且作为跨相等采样体积的目标测量的函数被自动学习。对于已知聚集函数(g()),由于在这种情况下该函数是已知的,所以训练过程结合该信息,如在图6中描述的,如本文中先前讨论的。在一个或多个实施方式中,可能存在未知聚集函数(即,聚集函数(g())是未知的),并且在这种情况下,系统设计者/工程师可能不知道g()。照此,计算机系统202上的软件应用204和/或模型306被配置成在该过程中也学习g()。在这种情况下,图6中的聚集函数g()被需要学习其参数的另一神经网络替换。合成目标测量(例如,经由软件应用204的模型306)是基于(例如,制造系统230的)传感器数据的时间点生成的值,并且不是样品的聚集总体积的测量,合成目标测量表示在时间间隔(例如,时间段“T”)内的时间点的等采样体积(例如,收集在样品容器252中)的单独采样体积的状态。应注意,合成目标测量在其基于学习模型(f())的输出的意义上是合成的。这可以是时间点测量(即,瞬时质量)和/或以更精细的粒度(即,1小时平均质量)产生的新聚集。在一种情况下,时间点测量可以对单独采样体积的时间进行相关(例如,重合或几乎重合),由此提供对在制造系统230中发生什么和/或在该时间的状态进行的了解。
目标测量(例如,质量测量250)是样品的聚集总体积(例如,在样品容器252中收集)的复合测量。已知从构成聚集总体积的相等采样体积产生复合目标测量的聚集函数(例如,聚集函数g())是跨相等采样体积的目标测量的平均值。合成目标测量(例如,经由软件应用204的模型306)是基于传感器数据的时间点的生成值,并且不是样品的聚集总体积的测量,合成目标测量表示在时间间隔(例如,时间段“T”)内的时间点处的相等采样体积中的单独采样体积的状态。
目标测量(例如,质量测量250)是样品的聚集总体积(例如,在样品容器252中收集)的复合测量。从跨相等采样体积的目标测量的用户指定函数已知从构成聚集总体积的相等采样体积产生复合目标测量的聚集函数(例如,聚集函数g())。合成目标测量(例如,经由软件应用204的模型306)是基于传感器数据的时间点的生成值,并且不是样品的聚集总体积的测量,合成目标测量表示在时间间隔(例如,时间段“T”)内的时间点处的相等采样体积中的单独采样体积的状态。
应当理解,虽然本公开包括关于云计算的详细描述,但是本文所引用的教导的实现不限于云计算环境。相反,本发明的实施方式能够结合现在已知的或以后开发的任何其他类型的计算环境来实现。
云计算是服务交付的模型,用于使得能够方便地、按需地网络访问可配置计算资源(例如,网络、网络带宽、服务器、处理、存储器、存储、应用、虚拟机和服务)的共享池,所述可配置计算资源可以以最小的管理努力或与所述服务的提供者的交互来快速供应和释放。该云模型可以包括至少五个特性、至少三个服务模型和至少四个部署模型。
特性如下:
按需自助服务:云消费者可以单方面地根据需要自动地提供计算能力,诸如服务器时间和网络存储,而不需要与服务的提供者的人类交互。
广泛的网络接入:能力可通过网络获得并且通过标准机制接入,该标准机制促进异构瘦客户机平台或厚客户机平台(例如,移动电话、膝上型计算机和PDA)的使用。
资源池:提供者的计算资源被池化以使用多租户模型来服务于多个消费者,其中不同的物理和虚拟资源根据需要动态地指派和重新指派。存在位置独立性的感觉,因为消费者通常不具有对所提供的资源的确切位置的控制或了解,但可能能够以较高抽象级别(例如,国家、州或数据中心)指定位置。
快速弹性:能够快速和弹性地提供能力,在一些情况下自动地快速缩小和快速释放以快速放大。对于消费者而言,可用于供应的能力通常显得不受限制并且可以在任何时间以任何数量购买。
测量的服务:云系统通过在适合于服务类型(例如,存储、处理、带宽和活动用户账户)的某个抽象级别处利用计量能力来自动控制和优化资源使用。可以监测、控制和报告资源使用,为所利用的服务的提供者和消费者提供透明度。
服务模型如下:
软件即服务(SaaS):提供给消费者的能力是使用在云基础设施上运行的提供者的应用。可通过诸如web浏览器(例如,基于web的电子邮件)之类的瘦客户端接口从不同客户端设备访问应用。消费者不管理或控制包括网络、服务器、操作系统、存储或甚至单独的应用能力的底层云基础设施,可能的例外是有限的用户特定应用配置设置。
平台即服务(PaaS):提供给消费者的能力是将消费者创建的或获取的使用由提供商支持的编程语言和工具创建的应用部署到云基础设施上。消费者不管理或控制包括网络、服务器、操作系统或存储的底层云基础设施,但是对所部署的应用和可能的应用托管环境配置具有控制。
基础设施即服务(IaaS):提供给消费者的能力是提供处理、存储、网络和消费者能够部署和运行任意软件的其他基本计算资源,所述软件可以包括操作系统和应用。消费者不管理或控制底层云基础设施,而是具有对操作系统、存储、所部署的应用的控制以及对所选联网组件(例如,主机防火墙)的可能受限的控制。
部署模型如下:
私有云:云基础架构仅为组织运作。它可以由组织或第三方管理,并且可以存在于场所内或场所外。
社区云:云基础架构被若干组织共享并支持共享了关注(例如,任务、安全要求、策略、和合规性考虑)的特定社区。它可以由组织或第三方管理,并且可以存在于场所内或场所外。
公共云:使云基础架构对公众或大型行业组可用,并且由出售云服务的组织拥有。
混合云:云基础架构是两个或更多个云(私有、社区或公共)的组合,这些云保持唯一实体但通过使数据和应用能够移植的标准化或专有技术(例如,云突发以用于云之间的负载平衡)绑定在一起。
云计算环境是面向服务的,集中于无状态、低耦合、模块化和语义互操作性。云计算的核心是包括互连节点网络的基础设施。
现在参见图8,描述了说明性云计算环境50。如图所示,云计算环境50包括云消费者使用的本地计算设备可以与其通信的一个或多个云计算节点10,本地计算设备诸如例如个人数字助理(PDA)或蜂窝电话54A、台式计算机54B、膝上型计算机54C和/或汽车计算机系统54N。节点10可彼此通信。它们可以在物理上或虚拟上被分组(未示出)在一个或多个网络中,诸如私有云、社区云、公共云或混合云(如上文所描述的)、或其组合。这允许云计算环境50提供基础设施、平台和/或软件作为云消费者不需要为其维护本地计算设备上的资源的服务。应当理解,图8中所示的计算设备54A-N的类型仅旨在是说明性的,并且计算节点10和云计算环境50可通过任何类型的网络和/或网络可寻址连接(例如,使用网络浏览器)与任何类型的计算机化设备通信。
现在参见图9,示出了由云计算环境50(图8)提供的一组功能抽象层。提前应当理解,图9所示的组件、层和功能仅仅是说明性的,本发明的实施方式不限于此。如所描述,提供以下层和对应功能:
硬件和软件层60包括硬件和软件组件。硬件组件的示例包括:大型机61;基于RISC(精简指令集计算机)架构的服务器62;服务器63;刀片服务器64;存储设备65;以及网络和联网组件66。在一些实施方式中,软件组件包括网络应用服务器软件67和数据库软件68。
虚拟化层70提供抽象层,从该抽象层可以提供虚拟实体的以下示例:虚拟服务器71;虚拟存储器72;虚拟网络73,包括虚拟专用网络;虚拟应用和操作系统74;以及虚拟客户端75。
在一个示例中,管理层80可以提供以下描述的功能。资源供应81提供用于在云计算环境内执行任务的计算资源和其他资源的动态采购。计量和定价82在云计算环境内利用资源时提供成本跟踪,并为这些资源的消费开账单或发票。在一个示例中,这些资源可以包括应用软件许可证。安全性为云消费者和任务提供身份验证,以及为数据和其他资源提供保护。用户门户83为消费者和系统管理员提供对云计算环境的访问。服务水平管理84提供云计算资源分配和管理,使得满足所需的服务水平。服务水平协议(SLA)规划和履行85提供根据SLA预期未来需求的云计算资源的预安排和采购。
工作负载层90提供可以利用云计算环境的功能的示例。可以从该层提供的工作负载和功能的示例包括:地图和导航91;软件开发和生命周期管理92;虚拟课堂教育交付93;数据分析处理94;事务处理95;以及在工作负载和功能96中实现的软件应用(例如,软件应用204、控制应用242、模型306等)。
本文参考相关附图描述了本发明的各种实施方式。在不脱离本发明的范围的情况下,可设计本发明的替代实施方式。在以下描述和附图中,在元件之间阐述了各种连接和位置关系(例如,上方、下方、相邻等)。除非另有规定,否则这些连接和/或位置关系可以是直接或间接的,并且本发明在此方面并示意图是限制性的。因此,实体的连接可以指直接的或间接的连接,并且实体之间的位置关系可以是直接的或间接的位置关系。此外,本文描述的各种任务和过程步骤可以并入具有本文未详细描述的附加步骤或功能的更全面的程序或过程中。
本文描述的一种或多种方法可以用任何以下技术或以下技术的组合来实现,每个技术都是本领域公知的:具有用于对数据信号实现逻辑功能的逻辑门的分立逻辑电路、具有适当组合逻辑门的专用集成电路(ASIC)、可编程门阵列(PGA)、现场可编程门阵列(FPGA)等。
为了简洁起见,涉及制造和使用本发明的方面的常规技术可以或可以不在本文中详细描述。具体地,用于实现本文所描述的不同技术特征的计算系统和特定计算机程序的各个方面是众所周知的。因而,为了简洁起见,许多常规实施细节在本文中仅简要提到或完全省略,而不提供众所周知的系统和/或过程细节。
在一些实施方式中,各种功能或动作可以在给定位置处发生和/或与一个或多个装置或系统的操作结合发生。在一些实施方式中,可以在第一设备或位置处执行给定功能或动作的一部分,并且可以在一个或多个附加设备或位置处执行该功能或动作的剩余部分。
本文中使用的术语仅用于描述具体实施方式的目的,而并非旨在进行限制。如本文中使用的,除非上下文另有明确指示,否则单数形式“一”、“一个”和“该”旨在也包括复数形式。还应当理解,当在本说明书中使用术语“包括(comprises)”和/或“包含(comprising)”时,其指定所述特征、整体、步骤、操作、元件和/或部件的存在,但不排除一个或多个其他特征、整体、步骤、操作、元件部件和/或其组合的存在或添加。
以下权利要求中的所有装置或步骤加上功能元件的对应结构、材料、动作和等效物旨在包括用于结合如具体要求保护的其他要求保护的元件来执行所述功能的任何结构、材料或动作。本公开已出于说明和描述的目的而呈现,但并不旨在是详尽的或限于所公开的形式。在不背离本公开的范围的情况下,许多修改和变化对于本领域普通技术人员来说是显而易见的。选择和描述这些实施方式以便最好地解释本披露的原理和实际应用,并且使本领域的其他普通技术人员能够针对具有适合于所预期的特定用途的不同修改的不同实施方式来理解本披露。
此处所描绘的图是说明性的。在不背离本公开的范围的情况下,可以对本文所述的图或步骤(或操作)进行许多变化。例如,可以以不同的顺序执行动作,或者可以添加、删除或修改动作。而且,术语“耦接”描述了在两个元件之间具有信号路径,并且不暗示元件之间的直接连接,其间没有中间元件/连接。所有这些变型被认为是本公开的一部分。
以下定义和缩写将用于解释权利要求书和说明书。如在此使用的,术语“包含”、“包含有”、“包括”、“包括有”、“具有”、“拥有”、“含有”或“容纳”或其任何其他变体旨在涵盖非排他性的包括。例如,包含一系列要素的组合物、混合物、工艺、方法、物品或设备不必仅限于那些要素,而是可以包括未明确列出的或这种组合物、混合物、工艺、方法、物品或设备固有的其他要素。
此外,术语“示例性的”在本文中用于表示“用作实例、例子或例证”。本文中描述为“示例性”的任何实施方式或设计不一定被解释为优于或优于其他实施方式或设计。术语“至少一个”和“一个或多个”应理解为包括大于或等于一的任何整数,即,一个、两个、三个、四个等。术语“多个”应理解为包括大于或等于二的任何整数,即,两个、三个、四个、五个等。术语“连接”可包括间接“连接”和直接“连接”。
术语“约”、“基本上”、“大致”及其变型旨在包括与基于提交申请时可用的设备的特定量的测量相关联的误差程度。例如,“约”可以包括给定值的±8%或5%、或2%的范围。
本发明可以是任何可能的技术细节集成度的系统、方法和/或计算机程序产品。计算机程序产品可包括其上具有用于使处理器执行本发明的各方面的计算机可读程序指令的计算机可读存储介质(或多个介质)。
计算机可读存储介质可为可保留和存储供指令执行装置使用的指令的有形装置。计算机可读存储介质可以是,例如但不限于,电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备、或者上述的任意合适的组合。计算机可读存储介质的更具体示例的非穷尽列表包括以下各项:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式紧凑盘只读存储器(CD-ROM)、数字通用盘(DVD)、记忆棒、软盘、诸如穿孔卡之类的机械编码设备或具有记录在其上的指令的槽中的凸出结构、以及上述各项的任何合适的组合。如本文所使用的计算机可读存储介质不应被解释为暂时性信号本身,例如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如,穿过光纤电缆的光脉冲)或通过电线发射的电信号。
本文中所描述的计算机可读程序指令可以经由网络(例如,互联网、局域网、广域网和/或无线网络)从计算机可读存储介质下载到相应的计算/处理设备,或者下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光传输纤维、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或网络接口接收来自网络的计算机可读程序指令,并转发计算机可读程序指令以存储在相应计算/处理设备内的计算机可读存储介质中。
用于执行本发明的操作的计算机可读程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路的配置数据、或以一种或多种程序设计语言的任何组合编写的源代码或目标代码,这些程序设计语言包括面向对象的程序设计语言(诸如Smalltalk、C++等)和过程程序设计语言(诸如“C”程序设计语言或类似程序设计语言)。计算机可读程序指令可以完全地在用户计算机上执行、部分在用户计算机上执行、作为独立软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或服务器上执行。在后一种情况下,远程计算机可通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接至用户计算机,或者可连接至外部计算机(例如,使用互联网服务提供商通过互联网)。在一些实施方式中,包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可以通过利用计算机可读程序指令的状态信息来使电子电路个性化来执行计算机可读程序指令,以便执行本发明的各方面。
下面将参照根据本发明实施方式的方法、装置(系统)和计算机程序产品的流程图和/或框图描述本发明。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可被提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器以产生机器,使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现在流程图和/或框图的或多个框中指定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置、和/或其他设备以特定方式工作,从而,其中存储有指令的计算机可读存储介质包括包含实现流程图和/或框图中的或多个方框中规定的功能/动作的方面的指令的制造品。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上,使得在计算机、其他可编程装置或其他设备上执行一系列操作步骤,以产生计算机实现的处理,使得在计算机、其他可编程装置或其他设备上执行的指令实现流程图和/或框图中的或多个方框中规定的功能/动作。
附图中的流程图和框图示出了根据本发明的不同实施方式的系统、方法和计算机程序产品的可能实现方式的架构、功能和操作。对此,流程图或框图中的每个框可表示指令的模块、段或部分,其包括用于实现指定的逻辑功能的一个或多个可执行指令。在一些备选实现中,框中标注的功能可以不按照图中标注的顺序发生。例如,取决于所涉及的功能,连续示出的两个块实际上可以基本上同时执行,或者这些块有时可以以相反的顺序执行。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作或执行专用硬件与计算机指令的组合的专用的基于硬件的系统来实现。
已经出于说明的目的呈现了本发明的各种实施方式的描述,但并不旨在是详尽的或者限于所公开的实施方式。在不脱离所描述的实施方式的范围的情况下,许多修改和变化对于本领域普通技术人员来说是显而易见的。本文使用的术语被选择来最好地解释实施方式的原理、实际应用或优于市场中发现的技术的技术改进,或者使得本领域普通技术人员能够理解本文描述的实施方式。
Claims (20)
1.一种计算机实现的方法,包括:
由计算机系统收集制造系统的传感器数据,所述传感器数据以小于所述制造系统的目标测量的时间间隔的间隔被测量,其中,所述传感器数据被确定为与所述目标测量具有关系;
由所述计算机系统基于所述关系以小于所述时间间隔的间隔生成合成目标测量;以及
由所述计算机系统基于在小于所述时间间隔的所述间隔内的合成目标测量自动生成用于所述目标测量的预先警告。
2.根据权利要求1所述的计算机实现的方法,其中,响应于基于所述合成目标测量的用于所述目标测量的预先警告,自动修改与所述制造系统相关联的一个或多个设定点。
3.根据权利要求1所述的计算机实现的方法,其中,响应于基于所述合成目标测量的用于所述目标测量的预先警告,自动修改与所述制造系统相关联的一个或多个控制部件。
4.根据权利要求1所述的计算机实现的方法,其中,响应于所述合成目标测量在预定范围之外,生成所述预先警告。
5.根据权利要求1所述的计算机实现的方法,其中,对所述制造系统进行修改以使所述合成目标测量处于预定范围内。
6.根据权利要求1所述的计算机实现的方法,其中,所述目标测量是对应于所述制造系统的物理材料工艺流出流的质量相关变量,由于在容器中混合相等采样体积,所述目标测量包括非瞬时的、时间聚集的性质,其中所述相等采样体积在整个所述时间间隔的多个时刻被收集并且在所述时间间隔结束时被测量,从而获得所述目标测量。
7.根据权利要求6所述的计算机实现的方法,其中:
所述目标测量是样品的聚集总体积的复合测量;以及
所述合成目标测量是基于所述传感器数据的时间点的生成值,并且不是所述样品的聚集总体积的测量,所述合成目标测量表示在所述时间间隔内的所述时间点处的单独采样体积的状态。
8.根据权利要求6所述的计算机实现的方法,其中:
所述目标测量是样品的聚集总体积的复合测量;
从构成聚集总体积的相等采样体积产生复合测量的聚集函数是未知的,并且作为跨相等采样体积的目标测量的函数被自动学习;以及
所述合成目标测量是基于所述传感器数据的时间点的生成值,并且不是所述样品的聚集总体积的测量,所述合成目标测量表示在所述时间间隔内的所述时间点处的相等采样体积中的单独采样体积的状态。
9.根据权利要求6所述的计算机实现的方法,其中:
所述目标测量是样品的聚集总体积的复合测量;
已知从构成聚集总体积的相等采样体积产生复合测量的聚集函数是跨相等采样体积的目标测量的平均值;以及
所述合成目标测量是基于所述传感器数据的时间点的生成值,并且不是所述样品的聚集总体积的测量,所述合成目标测量表示在所述时间间隔内的所述时间点处的相等采样体积中的单独采样体积的状态。
10.根据权利要求6所述的计算机实现的方法,其中:
所述目标测量是样品的聚集总体积的复合测量;
已知从构成聚集总体积的相等采样体积产生复合测量的聚集函数是来自跨相等采样体积的目标测量的用户指定函数;以及
所述合成目标测量是基于所述传感器数据的时间点的生成值,并且不是所述样品的聚集总体积的测量,所述合成目标测量表示在所述时间间隔内的所述时间点处的相等采样体积中的单独采样体积的状态。
11.一种系统,包括:
存储器,具有计算机可读指令;以及
用于执行所述计算机可读指令的一个或多个处理器,所述计算机可读指令控制所述一个或多个处理器执行包括以下的操作:
收集制造系统的传感器数据,所述传感器数据以小于所述制造系统的目标测量的时间间隔的间隔被测量,其中,所述传感器数据被确定为与所述目标测量具有关系;
基于所述关系以小于所述时间间隔的间隔生成合成目标测量;以及
基于在小于所述时间间隔的所述间隔内的合成目标测量自动生成用于所述目标测量的预先警告。
12.根据权利要求11所述的系统,其中,响应于基于所述合成目标测量的用于所述目标测量的预先警告,自动修改与所述制造系统相关联的一个或多个设定点。
13.根据权利要求11所述的系统,其中,响应于基于所述合成目标测量的用于所述目标测量的预先警告,自动修改与所述制造系统相关联的一个或多个控制部件。
14.根据权利要求11所述的系统,其中,响应于所述合成目标测量在预定范围之外,生成所述预先警告。
15.根据权利要求11所述的系统,其中,对所述制造系统进行修改以使所述合成目标测量处于预定范围内。
16.根据权利要求11所述的系统,其中,所述目标测量是对应于所述制造系统的物理材料工艺流出流的质量相关变量,由于在容器中混合相等采样体积,所述目标测量包括非瞬时的、时间聚集的性质,其中所述相等采样体积在整个所述时间间隔的多个时刻被收集并且在所述时间间隔结束时被测量,从而获得所述目标测量。
17.根据权利要求16所述的系统,其中:
所述目标测量是样品的聚集总体积的复合测量;以及
所述合成目标测量是基于所述传感器数据的时间点的生成值,并且不是所述样品的聚集总体积的测量,所述合成目标测量表示在所述时间间隔内的所述时间点处的单独采样体积的状态。
18.一种计算机程序产品,包括具有包含在其中的程序指令的计算机可读存储介质,所述程序指令可由处理器执行以使所述处理器执行包括以下的操作:
收集制造系统的传感器数据,所述传感器数据以小于所述制造系统的目标测量的时间间隔的间隔被测量,其中,所述传感器数据被确定为与所述目标测量具有关系;
基于所述关系以小于所述时间间隔的间隔生成合成目标测量;以及
基于在小于所述时间间隔的所述间隔内的合成目标测量自动生成用于所述目标测量的预先警告。
19.根据权利要求18所述的计算机程序产品,其中,响应于基于所述合成目标测量的用于所述目标测量的预先警告,自动修改与所述制造系统相关联的一个或多个设定点。
20.根据权利要求18所述的计算机程序产品,其中,响应于基于所述合成目标测量的用于所述目标测量的预先警告,自动修改与所述制造系统相关联的一个或多个控制部件。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/177,434 US20220260977A1 (en) | 2021-02-17 | 2021-02-17 | Continous monitoring, advance alerts, and control of key performance indicator variables |
US17/177,434 | 2021-02-17 | ||
PCT/CN2022/076333 WO2022174761A1 (en) | 2021-02-17 | 2022-02-15 | Continous monitoring, advance alerts, and control of key performance indicator variables |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116848479A true CN116848479A (zh) | 2023-10-03 |
Family
ID=82801170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280014617.1A Pending CN116848479A (zh) | 2021-02-17 | 2022-02-15 | 关键性能指标变量的连续监测、预先警报和控制 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220260977A1 (zh) |
JP (1) | JP2024507796A (zh) |
CN (1) | CN116848479A (zh) |
DE (1) | DE112022000483T5 (zh) |
GB (1) | GB2618755A (zh) |
WO (1) | WO2022174761A1 (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7687039B2 (en) * | 1998-10-28 | 2010-03-30 | Covaris, Inc. | Methods and systems for modulating acoustic energy delivery |
US6748334B1 (en) * | 1999-12-06 | 2004-06-08 | Jorge E. Perez | Specialty gas analysis system |
US9618438B2 (en) * | 2009-09-09 | 2017-04-11 | ClearCorp | System and method for analyzing water samples in a water processing facility |
US8732627B2 (en) * | 2012-06-18 | 2014-05-20 | International Business Machines Corporation | Method and apparatus for hierarchical wafer quality predictive modeling |
WO2014035432A2 (en) * | 2012-08-31 | 2014-03-06 | Nest Labs, Inc. | Dynamic distributed-sensor network for forecasting external events |
JP6348137B2 (ja) * | 2016-03-24 | 2018-06-27 | ファナック株式会社 | 工作物の良否を判定する加工機械システム |
US10795337B2 (en) * | 2016-06-01 | 2020-10-06 | Incucomm, Inc. | Predictive and prescriptive analytics for systems under variable operations |
CN108983731A (zh) * | 2018-08-21 | 2018-12-11 | 维尼健康(深圳)股份有限公司 | 一种湿巾智能制造系统 |
AU2020267490A1 (en) * | 2019-05-06 | 2021-12-23 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
-
2021
- 2021-02-17 US US17/177,434 patent/US20220260977A1/en active Pending
-
2022
- 2022-02-15 JP JP2023549045A patent/JP2024507796A/ja active Pending
- 2022-02-15 GB GB2313623.7A patent/GB2618755A/en active Pending
- 2022-02-15 CN CN202280014617.1A patent/CN116848479A/zh active Pending
- 2022-02-15 WO PCT/CN2022/076333 patent/WO2022174761A1/en active Application Filing
- 2022-02-15 DE DE112022000483.5T patent/DE112022000483T5/de active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022174761A1 (en) | 2022-08-25 |
GB202313623D0 (en) | 2023-10-25 |
DE112022000483T5 (de) | 2023-12-07 |
JP2024507796A (ja) | 2024-02-21 |
US20220260977A1 (en) | 2022-08-18 |
GB2618755A (en) | 2023-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11537101B2 (en) | Adaptive distributed analytics system | |
US11175973B1 (en) | Prediction of performance degradation with non-linear characteristics | |
US10558206B2 (en) | Electrical device degradation determination | |
US11474892B2 (en) | Graph-based log sequence anomaly detection and problem diagnosis | |
US11513930B2 (en) | Log-based status modeling and problem diagnosis for distributed applications | |
JP2021508096A (ja) | 複数のシステムインジケータの監視 | |
US20240028830A1 (en) | Machine learning -based selection of metrics for anomaly detection | |
US11228511B2 (en) | Smart sampling of discrete monitoring data | |
US20220058590A1 (en) | Equipment maintenance in geo-distributed equipment | |
US10228685B2 (en) | Use of multivariate models to control manufacturing operations | |
CN112416700A (zh) | 分析启动的预测性故障和smart日志 | |
WO2022174761A1 (en) | Continous monitoring, advance alerts, and control of key performance indicator variables | |
US11734141B2 (en) | Dynamic testing of systems | |
WO2022022572A1 (en) | Calculating developer time during development process | |
US11455154B2 (en) | Vector-based identification of software dependency relationships | |
US11263172B1 (en) | Modifying a particular physical system according to future operational states | |
US11599690B2 (en) | Wafer asset modeling using language processing methods | |
US20230092253A1 (en) | Interpolating performance data | |
US20230273907A1 (en) | Managing time series databases using workload models | |
US20220019708A1 (en) | Vehicle asset modeling using language processing methods | |
CN115758228A (zh) | 基于不平衡数据集的分类 | |
CN114219686A (zh) | 人群流动特征确定方法、装置、电子设备和存储介质 | |
Rosidin et al. | Development of Bridge Structure Health Monitoring Application Using Iterative Incremental | |
CN116194889A (zh) | 确定应用对系统性能的影响 | |
CN113791948A (zh) | 分布式计算系统的监控方法、装置、电子设备及存储介质 |
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 |