CN118103786A - 基于预测损害的启发式确定来管理制造过程 - Google Patents

Abstract

一种用于启发式确定过程中损害类控制以管理期望输出产品类别的方法、系统和计算机程序产品。启发式技术确定预测损害和它们的范围，同时保持初始预期缺陷、缺陷和减轻的相应类和范围。该方法在处于总体约束内的同时动态地计算损害减轻操作范围，并且以在边缘计算机处运行的较少数量的循环来完成计算，使得制造设备可以以较高速度操作以获得较高质量的输出。该方法包括减少系数的误差和损害计数的步骤。基于物联网(IoT)的机器人被用于减轻制造步骤中的损害，以确保产品的输出等级保持在开始时所预期的等级，而不管损害和减轻措施。

Description

基于预测损害的启发式确定来管理制造过程

背景技术

本公开一般地涉及计算机系统和方法，并且更具体地涉及一种计算机系统和计算机实现的启发式方法，用以确定产品在被制造时的预测损害及其范围，同时保持初始预期缺陷、相应分类、缺陷和减轻的范围。

在任何连续的工艺中，由于在制造期间可能出现的各种实际问题，没有完美的制造工艺，所以将出现不同类型的缺陷。这在制造纺织品的领域中，例如在织造服装材料的情况下是示例性的。例如，布料纺织公司具有与在布料织造过程中出现的任何缺陷组类似的一组问题，并且在使用该布料作为其最终服装制作过程的输入的购买者的检查期间，可能导致材料分类的不同类别(例如，1类、2类类型)的不合格品。虽然所有购买者都希望购买1类类型的材料，但是可能存在2类材料也可以被接受的情况。

在先前的实例中，制造商将提供多个订单，其中不同类别上的不同缺陷计数将总计达到针对不同长度的织物所进行的等级和成功销售的限制，但是所有这些都是在织物被完全织造然后根据购买者的需要进行裁剪的事实之后。随着织造技术的改进以及颜色和图案的新组合，现在布纺织厂可能仅制造到实际指定的长度，由于一些问题而带有额外的长度，但是如果在一些给定的长度中存在更多的缺陷，则整个长度可能移到更低等级。这些工厂试图在很大程度上避免这种情况。

现有技术包括各种织物检查系统，用于根据缺陷的长度和类型以及缺陷的描述和所产生的惩罚计数来分配惩罚点。

发明内容

本发明的实施例提供了一种用于减少由制造设备正在制造的产品的缺陷的方法、系统和计算机程序产品。

该方法、系统和计算机程序产品使用启发式方法来确定产品在被制造时的预测损害及其缺陷发生范围，同时保持初始预期缺陷、相应分类、缺陷和损害减轻的范围。

在实施例中，给定缺陷的在先知识和给定长度的制造产品的当前测量，如果给定缺陷超过特定缺陷的初始预期惩罚点数，则对于制造的织物产品，该方法、系统和计算机程序产品确定是否应当重置制造设备以制造给定订单的新长度，并且迄今为止织造的具有已知缺陷计数和惩罚的长度是否如可以从历史测量的那样是有用的。

在进一步的实施例中，该方法、系统和计算机程序产品在处于约束的总集合内时执行损害减轻操作范围的动态计算，以便在边缘计算设备中以较少数量的循环完成计算，使得制造设备可以以较高速度操作以获得较高质量的输出。

在一个实施例中，提供了一种用于减少由制造设备制造的产品的缺陷的计算机实现的方法。该计算机实现的方法包括：使用一个或多个处理器设备基于所述产品的历史制造数据接收所输出的制造产品的质量规范的缺陷水平/范围；使用一个或多个传感器装置在产品被制造时检测产品中缺陷的发生，每个缺陷对应于一个缺陷类；使用所述一个或多个处理器装置计算正被制造的所述产品的每个缺陷类中的缺陷发生的计数；使用所述一个或多个处理器装置将一个类的缺陷发生的计数与满足所述质量规范的该类的目标缺陷计数水平进行动态比较；在检测到缺陷发生的计数超过所述缺陷类的目标缺陷计数水平后，使用所述一个或多个处理器装置确定一个或多个损害减轻措施以确保损害减轻操作范围同时在一组约束内以保持所述产品的所述质量规范；以及响应于所确定的一个或多个损害减轻措施，使用所述一个或多个处理器装置来控制所述制造设备的装置，以减轻对剩余产品制造步骤的损害。

根据另一实施例，提供了一种用于减少由制造设备制造的产品的缺陷的系统。该系统包括：一个或多个传感器装置，所述一个或多个传感器装置被配置成在产品被制造时检测所述产品中缺陷的发生，每个缺陷对应于一个缺陷类；以及一个或多个处理器；以及存储器，其耦合到所述一个或多个处理器，用于存储指令，所述指令将所述一个或多个处理器配置为：基于所述产品的历史制造数据接收所输出的制造产品的质量规范的缺陷水平/范围；计算正被制造的产品的每个缺陷类中的缺陷发生的计数；动态地将一个类的缺陷发生的计数与满足所述质量规范的该类的目标缺陷计数水平进行比较；在检测到缺陷发生的计数超过所述缺陷类的目标缺陷计数水平后，确定一个或多个损害减轻措施以确保损害减轻操作范围在一组约束内以保持所述产品的所述质量规范；以及响应于所确定的一个或多个损害减轻措施，控制制造设备的制造装置以减轻对剩余产品制造步骤的损害。

在一些示例中，一般地描述了一种用于减少正在制造的产品的缺陷的计算机程序产品。计算机程序产品可以包括具有实施的程序指令的计算机可读存储介质。程序指令可由设备的处理元件执行以使设备执行本文描述的一个或多个方法。

下面参考附图详细描述各种实施例的进一步特征以及结构和操作。在附图中，相同的附图标记表示相同或功能相似的元件。

附图说明

现在将参考附图仅通过示例的方式描述本发明的实施例，在附图中：

图1示出了可以采用本发明的示例性实施例的基于人工智能(AI)的布料制造系统的一个例子；

图2是描述根据一个实施例的一种用于管理预期输出产品类别的过程中损害类控制的启发式确定的方法的图；

图3描述了用于将分配的罚点数与确定的织物长度和/或缺陷类型相关联的示例性表；

图4描绘了根据一个实施例的迭代方法，该方法提供启发式方法以确定预测损害及其范围，同时保持初始预期缺陷、相应类以及缺陷范围和减轻；

图5描绘了在图4的启发式方法的实施例中实现的“递增最低和递减最高差”方法；

图6描述了在图4的启发式方法的实施例中实现的“划分并扩散回误差”方法；

图7描述了在图4的启发式方法的实施例中实现的“修改的划分和扩散回误差”方法；

图8描绘了图1中描绘的实施例中的制造系统所采用的总的计算机实现的方法；

图9描绘了根据一个实施例的显示在计算机设备上的缺陷状态计数仪表板，其在Y轴上描绘了缺陷的数量并且在X轴上描绘了产品的数量；

图10描绘了可以在本发明的实施例中使用的计算系统。

具体实施方式

大多数连续制造过程具有在输出产品中引入损害的过程变化，必须将所述过程变化管理在一输出范围内，从而仍然被分类到在过程开始时预期的等级，但是在过程中减轻的过程引入的损害具有对校正程度的限制。当损害发生并被减轻时，减轻/校正的范围减小，并且需要针对预测将发生的未来缺陷进行调整。由于变量是相关的，因此这不能用传统的计算方法来解决。

说明性示例是工业实施织机制造过程(例如，织造过程)的纺织品(例如，包括服装、织物、织锦或衣服)制造领域，织机制造过程经受在要管理的输出产品(例如，织物、布料或织锦)中引入损害的过程变化。如本领域所知，织造是两组直纱(经纱和纬纱)的交叉，其彼此以直角交叉和交织。纵向纱被称为经纱，横向纱被称为纬纱，所生产的织物被称为织造织物。用于织造织物的机器是织机并且是复杂的系统，在织造过程中在织物中可能出现许多瑕疵，例如，经向条花、筘路、纬向条、纬裂、厚和薄的地方、纬环、箱痕、经纱断裂的高发生率、纬纱断裂、轧梭、飞梭、破碎、坏边、结、起球、筘痕或条花等。

图1示出了基于人工智能(AI)的布料制造设备50的例子，其包括用于织造和输出织物、布料或织锦55的动力织机或类似织造装置52。动力织机的典型部件包括送经鼓61、经轴62、经纱束63、筘阵列综片65、胸梁67、纬纱梭块68等。所描绘的基于AI的系统50可包括基于物联网(I-o-T)的机器人装置60，其包括可用于在织造过程中调节经纱张力、调节织机的纺锤和/或执行其它织造设备功能的机器人臂70。基于AI的系统50可包括动态视觉检查系统75，其包括一个或多个装置，诸如可视化装置(例如摄像机、超声波摄像机和/或图像传感器阵列)和/或触觉/声音I-o-T传感器80，用于确定正在制造的织物的质量和可接受性。例如，图像传感器阵列75可被操纵以便自动地、实时地勾了编织过程，并且在输出织物55被编织时捕获其图像。这种动态视觉检查系统75可以用于检测一个或多个缺陷/瑕疵，包括但不限于：瑕疵/缺陷率、织物结构(例如，松散的经纱77)、端到端或边到边的阴影、颜色、手或感觉、长度/宽度、印刷缺陷和外观。织物检查确保将由于织物瑕疵而造成的切割布块或不合格织物的报废率降至最小。

图1的基于人工智能(AI)的布料制造系统50还包括一个或多个“边缘”计算机85，其与I-o-T机器人系统60对接，以从物联网(IoT)传感器接收数据流90，启发式方法计算使用该数据流来执行包括计算的基于启发的方法，以防止故障并改进操作。特别地，边缘计算机85执行多次计算以确定缺陷计数/严重性是否将允许材料/织物的质量维持在输出/织物的总体规范之下。作为计算的结果，边缘计算机85可产生驱动基于IoT传感器的机器人系统(例如，机器人臂70)的信号95，以校正/减轻缺陷并能够将织造织物保持在不同产品质量水平的可接受的缺陷水平内。

在该示例织物制造领域中，问题声明变为：给定织造缺陷的现有知识和给定长度的当前测量，如果给定缺陷超过特定缺陷的初始预期损失点数，则应当重置机器以制造给定订单的新长度，并且迄今为止织造的具有已知缺陷计数和惩罚的长度将是如可以从历史测量的那样是有用的么？

由于变量是原材料和工艺两者，所以不能使用典型的每码或每100码缺陷计数，因为其不是线性可缩放的，且因此先前长度的缺陷计数将被视为开始且可建立预期缺陷计数。然后，在织造和连续检查期间，如果例如达到/超过缺陷计数之一，则织造团队应采取什么动作来确保输出布料不被报废。如果织机和质量控制对于要织造的剩余长度可以被收紧，则对于必须关注的不同缺陷，来自先前运行的最佳惩罚集合是什么？

线性编程或用于多变量优化的其它技术在这里是不适用的，因为没有可以被最小化或最大化的优化规则。相反，问题归结为确定缺陷惩罚的可达到值的集合以及哪些缺陷真地应用控制或确定何时重置。

这个问题归结为确定缺陷惩罚的可达到值的集合以及哪些缺陷真地应用控制或确定何时重置。

为了解决上述问题，一种方法是：

1.取最近的前一订单、不同类的缺陷以及各缺陷类的特性，以建立新订单的缺陷分布。当这被完成时并且基于每个缺陷类的特性，设置预期计数，这可能导致惩罚点数超过该类的限制的情况。

2.识别对于每个类需要做什么变化，使得它对于给定了设备和工艺的集合的织造厂来说是可实现的。

然而，由于这因为可能存在许多可能性而可能成为大的计算周期，启发式方法提供了对上述问题的解决方案，上述问题在制造过程(例如，织物和布料)中尚未被解决。

启发式方法确定预测的损害和它们的范围，同时保持初始预期缺陷、相应类、以及缺陷类型/类的范围以及减轻。

该方法动态地计算损害减轻操作范围处于总体约束内，并且在边缘计算机中以较少数量的循环完成计算，使得制造设备可以以较高速度操作以获得较高质量的输出。

该系统和方法执行减少系数的误差和损害计数的条件划分和扩展，不同于已知技术，诸如均方根误差、线性或相等分布、对数或减少误差分布等。

图2示出了描述一种用于启发式确定过程中损害等级控制以管理预期输出产品类别的方法100的图。为了示例性目的，该产品是在工厂生产的一长度的织造布料的订单。更具体地说，在图2的方法100中，执行步骤以估计可以允许的缺陷的数量(给定先前长度的缺陷的数量)，并确定哪些缺陷具有恒定性，哪些缺陷是高度可变的，以便确定(新长度的)新订单的初始预测和范围，使得预期等级是可接受的。

如图2所示，在102，基于AI的系统采用摄像机传感器阵列和触觉/声音IoT传感器来执行由设备生产的当前产品的动态可视化和纹理确定，例如对应于客户订单织造的织物或布料，并且生成对应的传感器数据以便根据本文的方法进一步处理。在一个实施例中，基于AI的系统使用利用触觉/声音IoT传感器的动态可视化和纹理确定来预测原料进料中的损害发生，以调整工艺减轻。在105，存储当前产品的该传感器阵列数据，并且最终形成历史缺陷和质量数据，用于当前和未来产品运行中的后续启发式分析。在图2的110，执行用于可获得质量分类的潜在缺陷组合的计算。然后，在115，基于传感器阵列数据，并且基于接收的从步骤110的计算获得的用于获得质量分类的缺陷组合数据，该方法将缺陷质量与当前订单信息匹配，以确定是否需要对设备的任何实时调整，或者是否需要重置和调整系统，以便将质量与正在产生的当前订单匹配。

也就是说，关于图2，过程步骤110、115被迭代地执行：给定满足除了一些约束之外的所有约束的一组数字，这些约束采用涉及这些数字的不等式的形式(即，存在一些违反)，该方法确定如何达到满足所有约束(即，不存在违反)的修改的一组数字。

在图2的方法中，在步骤110，执行以下步骤以计算可获得的质量分类的潜在缺陷组合。也就是说，方法步骤110需要访问存储的历史传感器数据并运行一种方法以计算三(3)组量{a_i},{b_i}和{c_i}，其中，对于特定的类i，“a”表示获得的缺陷的最小数量，“c”是从先前订单获得的最大缺陷，并且“b”是类i的典型缺陷计数。在一个实施例中，a_i、b_i和c_i的选择是基于操作条件和所涉及的机器。操作条件由传感器测量，并用于创建a_i、b_i和c_i的可应用子集。该可应用子集被传送到边缘计算设备以进行动态决策。

在一个实施例中，该方法遍历在步骤105存储的缺陷数据，以计算类i的{a_i},{b_i}和{c_i}量，使得满足问题陈述的以下条件：

1)

2)a_i<c_i对于所有i＝1至n。

3)a_i<b_i<c_i对于至少一个索引i不为真。

其中式1)是问题陈述，并且式(2)和式(3)是在单独的数字级别和在聚集(数的总和)级别两者的线性不等式形式的初始约束。

在一个实施例中，a_i可以是零。最初可以形成b_i的多个集合，并且通常从历史数据库105选择减少的组合集合，使得满足式(1)。b_i的总和需要小于输出的类的质量阈值。作为一个例子，给定正在产生1000码特定编织的布料，第一质量的布料可以具有对于(ASTMD5430)的高达每100码50点。存在不同类型的缺陷和缺陷中每个子类的不同点。b_i表示一个缺陷类的点数的总和。当要产生这种织物时，对于所使用的机器，a_i和c_i是已知的(式(2)和(3))，并且b_i的组合的集合是可能的。对于类似的生产，从该集合中取出最接近所实现的b_i的集合。c_i是在该工艺的制造设置中获得的缺陷的最大量。

在步骤110，通过式(4)至(6)给出计算“用于可获得质量分类的潜在缺陷组合”的方法步骤，运行这些式子以找到新的正数集合{b_i′}，使得：

4)

5)a_i<b_i′<c_i对于所有索引i＝1至n为真

6){b_i′}最小地离开{b_i}

另外，计算如下：

b_i′＝w_i*b_i

其中“w_i”是用于乘以相应的“b_i”值的辅助权重乘数。因为不是每个数“b_i”都大于相应的数“a_i”，所以第一步是通过将数“b_i”乘以“w_i”来修改它们以获得新的一组数“b_i′”，使得对应的b_i′严格大于其对应的a_i。因此，原数b_i无法做到的事情，新数b_i′可以做到。

在例如制造前50码的布料的过程中，在不同的类和子类中，例如发现“n”个缺陷，算法重新计算b_i，因为a_i重置到现有a_i中的较高者，并且从迄今检测到的不同的缺陷类重新计算点数。迭代地计算新b_i′，直到满足具有式(5)和(6)的约束的等式(4)。

因此，返回到图2的115，基于传感器阵列数据，并且基于从步骤110的计算获得的用于获得质量分类的接收的缺陷组合数据，式(4)-(6)的方法步骤被用于确定设备重置/调整。例如，如果没有发现b_i′的集合满足条件，则停止迭代计算。当停止时，取最后步骤中b_i′和b_i的差，并且对具有最大差的那些有贡献的设备是需要重置/调整的设备。也就是说，对于缺陷的每个类(式中的类(i))，在缺陷和可归于机器参数的源之间存在相关性。作为一个例子，由于过大的经纱张力，在经纱组之间引起非常细的裂缝或线状的检测的“筘路”瑕疵可能来自于不适当的间距，该间距可以针对弯曲钢筘进行调节，该弯曲钢筘需要通过用新的钢筘替换来复位。

在图2中，方法100将缺陷质量与当前订单信息匹配，以确定是否需要对设备进行任何实时调整，或者系统是否需要被重置和调整，以便将质量与正在生产的当前订单匹配。在实施例中，当前生产订单信息被存储在数据库或类似的存储器存储系统112中。在需要调整的实施例中，过程进行到步骤120，其中基于IoT的机器人执行动态运行时工具调整。也就是说，在实施例中，在120处，基于IoT的机器人60被配置为接收控制信号以在125处操纵机器人臂或其他设备来减轻制造步骤中的损害，以确保产品的输出等级保持在开始时所预期的等级，而不管损害和减轻措施。该过程是迭代的，因为在执行任何实时机器人调整时，在102处传感器阵列被进一步触发以获得进一步的传感器阵列数据，用于进一步的动态可视化和纹理确定，以确保缺陷减轻和/或保持所确定的质量分类。

在一个示例性实施方式中，对于检测到的“筘(Reedy)”织物类缺陷，经纱张力可能已经减小，或者设备中的前支架和后支架之间的距离可能已经移动超过预定范围，例如12-24mm之间的范围，当“筘”缺陷点高时，机器人60被馈送指令以调节一些钢筘，从而在织造操作进行时增加张力或收紧手柄以调节这些距离。这些机器人在织造设备内部，并且被馈送指令以移动到不同的位置来进行调整。

图4描绘了一个实施例中的一种迭代方法，该方法提供启发式方法以确定预测损害及其范围，同时保持初始预期缺陷、相应缺陷类和范围以及减轻。在图4的202，该方法从105数据库获得初始的三(3)组量{a_i}(表示对于特定类i获得的缺陷的最小数量)，{c_i}(表示对于类i从先前订单获得的最大缺陷)，和{b_i}(表示对于类i的典型缺陷计数)。在一个实施例中，a_i、b_i和c_i的选择基于由传感器测量的操作条件和所涉及的机器。

此外，该方法在图4的202处计算通过下式获得的量A、B和C：

7)

8)

9)

然后，在图4的步骤205处，执行使得数B大于对应的a_i。这是通过首先找到符合以下不等式集合的调整后的数{b_i′}的初始解来实现的：

a_i<b_i′对于所有索引i＝1至n。

令b_i′＝wi*b_i

为此，在205，要求解下面的式子10)和11)的组：

10)具有约束

11):w_i*b_i>＝a_i对于所有i＝1至n。

约束可以如下重写：

w_i＝(a_i/b_i)+δ_i,对于某数δ_i>0

现在使用以下解决方案：

δ_i＝(B–A)/(n*b_i),其清楚地>0并且清楚地满足上面的条件(1)。

继续到图4的步骤210，该方法采用策略来“应用递增最低和递减最高”。这里，观察到新的数{b_i′}现在给出为：

b_i′＝a_i+b_i*δ_i

在这个阶段，已经确保b_i′>a_i。

该方法解决了使b_i′<c_i的下一个问题。因此，希望以如下方式重新调整{b_i′}：量{c_i–a_i–b_i*δ_i}均为正。于是，目标将被满足。

在一个实施例中，运行算法以通过在每个步骤中识别数{c_i–a_i–b_i*δ_i}中的最大者和最小者来迭代地实现这一点。要注意，最大的数将是正的，而最小的数将是负的。由于问题陈述中的式(2)的约束，所有的数不能都是正的。然后，该方法可以迭代地从最大的数“取走”一部分并且“给予”最小的数，并且继续这样做直到两个数都变为＞0。

图5示出了为实现这一点而运行的“递增最低和递减最高差”方法300。初始步骤302包括接收一组输入数：{i:c_i–a_i–b_i*δ_i}并定义初始向量：ε＝{10％,1％,0.1％,0.01％}。然后，在305，执行令：k＝argmax{i:c_i–a_i–b_i*δ_i}并且在308处，令：l＝argmin{i:c_i–a_i–b_i*δ_i}。

采取的策略如下：

使速率固定：{10％,1％,0.1％,0.01％}中的“ε”取自步骤302中的Epsilon_vector输入。

附加步骤包括用δk*(1–ε’)替换δk以及用δl*(1+ε)替换δl。要注意：

δk＝(B–A)/(n*b_k)＝d/(n*b_k)

因此，在替换之后，如下获得新的值δk,δl：

δk＝{d/(n*b_k)}*(1-ε’)andδl＝{d/(n*b_l)}*(1+ε)

确保了在替换前后数量d保持相同。这产生如下的ε’和ε之间的关系：

ε’＝ε*(b_k/b_l)

然后，在“递增最低和递减最高差”算法中，该方法包括在第一步骤312初始化索引i以便在“Do-for”循环中固定ε％，其中在Do-for循环的每一遍中，ε％例如根据10％、1％、0.1％、0.01％被递增。在循环中初始化ε后，进行下一个步骤315以计算数量(ck–ak–bk*δk)并计算数量(cl–al–bl*δl)，以及针对j＝1至n的所有缺陷类值计算数量(cj–aj–bj*δj)。然后，在步骤320处，在320确定计算出的量(ck–ak–bk*δk)和(cl–al–bl*δl)是否都大于0(＞0)，并且此外，对于所有j＝1至n，所有计算出的值(cj–aj–bj*δj)是否都大于0。如果这些确定成立，则当前迭代的过程终止，否则重复ε下一次迭代，循环针对ε的新值重复。如果确定这些计算量不成立，则过程继续到步骤325，以确定是否已达到终止条件，即，ε向量的“i”的每次迭代的所有计算已按步骤320的方式确定和评估。如果在325尚未达到终止条件，则该程序进行至图5的328，以递增(ε向量的)i来识别新的l及k值，并以ε％来递增δl以及以ε*(b_k/b_l)％递减δk，并且返回至步骤315以重复(ck–ak–bk*δk)、(cl–al–bl*δl)及针对所有j＝1至n的值(cj–aj–bj*δj)的计算，并在320执行其各自的评估。否则，如果在图5的325确定已经达到终止条件，则过程返回到305以重新进行计算以获得新的l和k值计算，并且以新的l和k数来重复在图5的312处开始的FOR循环处理。

因此，在一个示例中，给定两个数：一个大的数和一个小的数，其中较大的数＞0，较小的数＜0：在图5中描述的“递增最高递减最低”策略300中，目标如下：每当发现这样一对两个数时，希望用另一对数替换它们，该另一对数都大于0并且不改变原始对所满足的某些其它条件。这通过图5的方法迭代地实现，通过：1)将较大的数减少小的量；以及2)将较小的数增加另一个适当的小量。速率“ε”是在迭代过程的单个步骤内执行该增加-减少步骤的速率。在迭代结束时，保留新的一对数，其都如所需的那样＞0。这里，δ_k和δ_l仅仅是对应于索引k(选择为argmax表达式)和l(选择为argmin表达式)的“delta”数，其中k和l都是适当选择的索引值：k＝{c_i–a_i–b_i*δ_i}取最大值的索引值“i”以及l＝{c_i–a_i–b_i*δ_i}取最小值的索引值“i”。由于已经针对i＝1至n进行了上述计算δ_i＝(B–A)/(n*b_i)，因此总是可以通过首先如上计算k和l来从该集合中选择数δk和δl。

返回到图4的步骤215，该方法采用策略以“将总计误差划分和扩散回分量策略”。在前一步骤210中，该方法确保差值{c_i–a_i–b_i*δ_i}全部为正。然而，在实现这一点的过程中，通常观察到与条件(1)的背离，即：

换句话说，新的数{b′_i}的总和与原始数{b_i}的总和不相同。因此，在步骤215处，应用将总计误差扩散回分量的策略，同时保留在前一步骤210中实现的结果。

算法步骤包括首先定义误差变量：

其中，最初假设Error＞0。考虑到示出方法400的划分和扩散回误差的图6，划分和扩散误差的策略在算法上被总结如下：图6的第一步骤402以值{b′_i}的递减值执行排序。下一步骤405初始化“Do-for”循环，其中索引i从值1到n迭代，即，对于i＝1到n。在Do循环中，在图6的步骤408处，该方法计算误差：并且在412处，将Error划分成“i”个相等部分，每个部分＝(Error)/i。然后，执行将每个Error部分吸收到排序列表中的前i个值b′_i中的步骤。即，在416处，执行对于s＝1到i，用b′_s–Error/i替换b′_s。然后，在420处，执行计算量(c_s–b′_s)和(b′_s–a_s)的步骤。然后，在步骤424处，确定对于所有索引值s＝1至i，所计算的量(c_s–b′_s)和(b′_s–a_s)是否都大于0(＞0)。如果所计算的量(c_s–b′_s)和(b′_s–a_s)两者对于所有索引s＝1至i不是全部为正，则过程进行到步骤428，在该步骤确定是否i＜n。如果i＜n，则继续递增索引i(即，i＝i+1)。然后，过程返回到图6的405，以再次执行步骤405到424。否则，在步骤428处，如果发现i＞n，则过程进行到图7的步骤500。另一方面，如果在步骤424处，确定所计算的量(c_s–b′_s)和(b′_s–a_s)对于所有s＝1到i都是正的，则过程结束。在该实施例中，如果确定初始Error＜0，则执行与图4相同的方法步骤400，然而，在步骤416处，对Error部分进行加而不是减。

返回到图4的步骤215，方法200可另外采用修改的“将总计误差划分并扩散回分量”的策略。具体地，图4的步骤215的“划分并扩散误差”策略仍然可能失败。即，如图4的步骤220所确定的，即使在最后步骤之后，可能还存在不满足条件1)-3)的{b′_i}的剩余值。然而，如果还有不满足条件的{b′_i}值，则通过应用“修改的划分和扩散误差”算法来纠正该差异，该算法在算法上被概括为图7所示的方法500。具体地，在502处以值{b′_i}的递减值执行排序之后，下一步骤505进入Do-For循环，其中该方法针对i＝1至25来迭代索引i。然后，在图7的510处，执行计算当前表中的误差如下：然后，在514处，在一次迭代中取误差的一半，即，根据下式来替换Error：Error＝Error/2。

然后，在对Error/2执行图6的“划分和扩散误差”算法400之前，下一步骤520执行i＝1的重置，因此，在重置i＝1之后，该方法返回到图6的方法400的步骤412到424，并且使用Error/2来重复。

如果误差值不是极值，则图4的启发式方法的优化将快速提供b′_i的正确值。极值是指当数a_i和c_i之间的范围非常宽时，例如，当a_i是与c_i相比非常小的数时，c_i被证明为是相对非常大的数。有利地，当a_i和c_i之间的范围窄时，该方法工作得最好。

因此，问题是存在一组缺陷计数(数b_i)使得不是所有的缺陷计数都位于它们的边界(数a_i和c_i)之间的情况。图4-7的方法中描述的方法要求数以这样的方式经历迭代算法，即，在终止时，算法确保所有缺陷计数都落在可接受的质量界限内。

图8描述了由制造系统(例如，图1中描述的织造工厂)使用的整个计算机执行的方法。例如，当在603处制造产品时，该方法包括在605处使用制造产品的先前历史，在可接受的质量水平(AQL)内在缺陷类别上分布潜在缺陷。在610处，位于生产线处的控制系统触觉/I-o-T传感器和视觉检查站在610处运行，以测量特定缺陷(b_i)，例如，当产品正被制造时(例如，当织造发生时)相关的缺陷。此步骤包括将所测量缺陷的量与任何分配的缺陷类进行比较。这使得能够确定哪些缺陷频繁发生。然后在613处，确定所发现的缺陷的数量是否超过缺陷类限制。如果没有超过缺陷类限制，则假定产品仍在制造，过程返回到610，否则，如果产品制造已经完成，则方法将在612处结束。如果在613处确定缺陷的数量超过缺陷类限制，则该方法前进到618，其中边缘计算机设备运行图4-7中详述的启发式方法的方法。由于图4-7中运行的方法，在622处确定是否停止运行以调整/修改制造中使用的机器。当算法终止时，即，当尚未找到满足所有约束4)-6)的合适的一组数或“b_i”时，决定是否停止运行和调整机器。例如，当已经找到满足约束的有效的b_i时或者基于一些b_i并且可以实现工厂设备的机器人调整使得发现有效的b_i，迭代过程将继续。另一个条件是发现生产批次的不同组合导致使得当前b_i有效的a_i和c_i的不同集合的情况。

如果在622处，对于超过缺陷类限制的缺陷类的类型，如果确定需要调整机械，则过程进行到620以调整/重新启动机械，以最小化特定类的缺陷，并且过程返回到步骤610以继续执行步骤610-622，并继续测量缺陷并将缺陷与缺陷类限制进行比较。

否则，如果在622处，如果确定不需要调整/修改机器(即使检测到的缺陷的数量超过缺陷)，则过程可以前进到625以解决第一使用情况场景。例如，在625处，在织造产品制造缺陷的情况下，如果任何确定的缺陷与先前历史相比在较早的长度上超过限制，则该方法确定在最短时间内控制哪个缺陷，以获得实现AQL的最佳影响。也就是说，当在算法中通过数b_i测量缺陷计数时，系统寻找位于指定质量界限(通过数a_i和c_i测量)之外的数b_i的子集。正是这些缺陷要被控制。通过调谐机器的参数来调整机器，从而控制缺陷。IOT/触觉传感器测量缺陷的质量，并且机器人用于调整机器。

然后该方法返回到622，并且重复该循环，以基于在625处发现的要控制的另一确定的缺陷类中发现的其它缺陷的数量，确定是否需要任何其它机械调整/修改。

否则，返回到622，如果确定不需要调整/修改机器(即使检测到的缺陷的数量超过缺陷)，则过程可以前进到630以交替地确定是否存在要调整的其它缺陷类，以便在最小迭代循环集合中维持与原始缺陷预期数量的接近性。

例如，在制造织造产品的示例使用情况下，到织造了600码布料时，缺陷之一超过比早先所达到的上限，因为已知在剩余的织造期间，哪个(哪些)缺陷类应被控制为保持低于预期，使得满足总体惩罚水平/AQL。该问题分解为调整其它缺陷上的缺陷预期，使得在仍然接近机器和过程的初始设定预期的同时，该方法确定可以调整哪个(哪些)缺陷类，使得总体移动最小。在一个实施例中，边缘计算设备可以为了用户观看而生成缺陷计数状态的呈现。例如，图9描绘了显示在计算机设备上的缺陷状态计数仪表板700，其在Y轴720上描绘了每码量(例如，100码)的缺陷数量，在X轴上描绘了产品的数量，例如，被织造的材料的长度，例如，数百码。如仪表板视图700所示，提供了计算的量集合{a_i}、{b_i}和{c_i}的曲线图，其中，对于特定类i，第一曲线图702表示获得的缺陷的最小数目“a”，第二曲线图705表示从先前订单获得的最大缺陷“c”，第三曲线图710是对于每100码运行的类i的缺陷计数“b”，并且第四曲线图715是对于类i的缺陷“b”的累积计数。如图9所示，曲线图的右侧描绘了累积的缺陷数量730，例如10、20、…、40的“c_i”。使用图9的曲线图700，可以从历史数据确定哪类缺陷b_i超过先前已知的上限c_i。对于布料织造使用情况示例，在织造和连续检查期间，如果达到/超过缺陷计数之一，则确定织造团队应采取什么动作来确保输出布料不被报废。如果织机和质量控制可以被收紧以用于待织造的剩余长度，则确定对于必须关注的不同缺陷，先前运行的最佳惩罚集是什么。因此，只要缺陷计数仍然在(即，由算法中的数a_i和c_i指定的)其界限之外，机器就需要被调整以便提高质量并因此减少下一次迭代中的缺陷计数。当缺陷类组合改变时，通过a_i和c_i的变化(例如，增加和减少)来测量总移动。

返回到图8，在630处确定是否存在其它要调整的缺陷类以便保持接近性之后，过程返回到610以继续执行步骤610-622，并继续测量缺陷和将缺陷与缺陷类限制进行比较。这是通过借助于图9中所示的曲线图700应用图4-7的启发式方法来实现的。

在第二使用情况下，表示图4-7的启发式方法的方法控制图1的系统来确定当缺陷增加且惩罚限制被突破时，以及随着对机器的调整，当质量增加时，将惩罚保持在AQL内所需的额外长度，其中知道在初始长度中发生的缺陷，使用在初始织造中存在的不同类型的缺陷的计数，对预期缺陷执行重新计算直到结束。b_i的快速计算要执行多次，使得应用低周期循环方法。即，b_i需要被快速计算，诸如当织造设备正在运行并且某些类型的缺陷(b₁,b₂等)已经超过相应的上限c₁,c₂等时。通常的计算循环递归地运行许多循环来确定满足更新的条件的b_i的集合，这消耗相当大的计算力和时间。需要低循环回路方法来快速确定满足条件的第一组b_i，其可能不是全局最优的，但满足当前运行要求以避免停止设备。如果低循环回路方法没有在少量递归循环运行中给出第一组b_i，则设备必须停止。

如这里所提到的，低循环回路方法是这样一种方法，其中基于形成直到该点测量的缺陷类的b_i的当前缺陷，计算剩余长度的成比例的b_i并将其放入集合中，现在减少扩展的迭代循环，并且仅剩下b_i的较小部分必须被计算，这将导致迭代循环的较小集合。作为示例，如果较大缺陷集合中的大约10类缺陷(例如，在一些情况下可以是23或如客户指定的可以更高)具有缺陷计数，并且对这些缺陷计数外推(作为一种在整个长度上提供可能的总缺陷的方式)用于剩余制造，则设置这10个缺陷的范围。修改-划分-扩散仅被应用于剩余的13个类，这将导致较短的迭代周期以到达终点。在一个实施例中，可以通过将迭代的周期数减少修改-划分-扩展将被应用于的缺陷类的比例而不是设定的周期数来完成周期数的减少。

表示图4-7的启发式方法的方法提供了获得一组窄的可能性，并选择从其发生的第一个作为在一组小的计算周期内的实施例。

考虑到如果存在成功满足的先前订单，则缺陷的计数可以被设置为预期缺陷计数。然而，如果当前订单具有大于先前成功订单的不同长度，则如果对于当前长度，缺陷计数/惩罚将超过该长度的最大惩罚计数，则基于各种缺陷订单的先前缺陷计数建立每个缺陷类的范围，并且能够适应增加的长度。

假设增加的速率是非线性的，一些类对于织造布料的较长长度及较短长度随机地发生。

在实施例中，这种方法的示例应用是说明性的：

在该示例中，假定将进行用于确定的订单长度(例如，1000码的长度)的棉材料的图案的织造。在在先情况下，织造工厂能够以缺陷的分布(例如，使用“Dallas 4”点系统)满足仅满足惩罚点的700码的订单，并且布料的宽度为例如120英寸，获得大约930个惩罚点(930*3600/(120*700)给出的接近值为40作为平均惩罚)。作为织物检查方法的例子，例如Dallas4点系统，图3示出了用于将分配的惩罚点数量170与缺陷的确定长度和/或类型160相关联的示例性表150。930个点由100个小孔或开口、50个9寸长缺陷、70个6-9寸长缺陷、100个3-6寸缺陷和120个3寸或更小长度的缺陷构成。这里，在视觉检查期间获得制造批次长度的总惩罚点，并且布料的质量由该批次的惩罚点因子确定，但是被测量为每100平方码的缺陷值。在上述计算中，长度为700码，宽度为120英寸。将英寸转换成码是除以36，并且由于惩罚点因子是每100平方码，所以使用100乘数(即，在视觉检查期间获得制造批次长度的总惩罚点，并且布料的质量由该批次的惩罚点因子确定，但是被测量为每100平方码的缺陷值)。

对于1000码的新订单，不能直接线性地扩展惩罚点的数目，因为变量不是独立的，质量也不是一致的以提供该缩放。

因此，为了扩展这一点，假设纱线是相同的图案和类型，系统和方法采用其它先前的生产数据和缺陷数据来估计可以允许的缺陷的数量，例如先前的500码、600码和300码，以确定哪些缺陷具有恒定性，哪些缺陷是高度可变的，并且给出新订单的初始预测和范围，使得预期的等级是可接受的。大约1300个缺陷点仍然可以产生所需的质量，并且可获得的容许缺陷的范围可以是：10-30个大孔、110-135个小孔、60-90个9寸长缺陷、80-95个6-9寸缺陷、130-150个3-6寸缺陷、150-180个3寸缺陷。这种范围从历史生产订单和缺陷移动的范围导出。

在该特定示例中，缺陷不包括大孔，但是根据先前历史，可以获得可能出现大孔的数据，并且将该数据提供用于计算。为了获得这些范围，计算查看跨越不同订单实现的并且被归一化到诸如每100平方码的缺陷的公因数的历史表现，并与归一化为计数/100平方码的当前缺陷数量进行比较。选择b_i作为起始点，其与该类别中当前缺陷计数相比要大与剩下要编织的长度相同的比例，并且剩余部分b_i可在更短的迭代周期中进行。

在图4-7的方法中描述的启发式方法的示例性应用中，描述了零售和分销行业中的物流运输的另一示例使用情况。这里，形成了要从工厂移动到根据分发和需求计划确定的分发地点的产品的混合(例如，在零售中，诸如巧克力或软饮料)的问题。然而，有时当由于动态需求和按照计划未满载时，或者由于集装箱对于其它货物的紧急运输的可用性的各种问题，与计划相比使用不同的车辆类型，或者与计划相比负载降低时，运输可能能够采用额外的材料。使用预测，必须采用“delta”负载的混合。没有自动化机制来实时地进行这种对不同于计划负载的负载量的SKU混合的确定，除非在循环中人类主题专家(SME)可用。由于它遗漏了系统未知但SME在决策中使用的几个因素，所以可能不适合仅仅遵循先前的最佳解决方案，其中所述决策使得先前的最佳解决方案由于没有考虑所有因素而成为次优解决方案。因此，需要改进当前解决方案，从而在物流系统中从先前捕获的知识添加人类智能能力作为在此问题的边界内工作良好的启发式解决方案。

在当前的解决方案中，使用标准预测技术和使用先前的最佳解决方案，通常采用线性规划(LP)方法，在多个实例中仍然导致次优解。通常考虑的LP问题是工厂中可用于不同产品SKU的分派的最大库存，以及成本因数——在工厂相对于经销商处的执行成本，如果分派的材料在下一次装载到达配送中心之前被售出，则可能是利润。存在LP可能变得无限制或不可行的若干实例。通常，利用适当集装箱的公路运输将由LP建立。然而，如果由于各种原因只有部分集装箱可用或者较大的集装箱可用，则空间计算可以是标准SKU箱大小的一小部分，从而导致较高的运输成本。给定这种情况，在集装箱体积减小的情况下，对于固定的下一个较小的集装箱尺寸，可以根据LP装载不同SKU的一组纸箱。这在集装箱中留下了一些空间，其可以与所提出的机制一起使用。对于剩余的空间，确定在它们的设置盒中的SKU的混合是什么，仍然可以足够接近原始SKU混合，这不是容易的任务。即，当存在数十个SKU时，这不是容易的任务，因为许多组合将有效以填充空间。由于减少的集装箱空间，计划的分发将不会发生，这可能导致一些SKU的短缺。目标是通过保持这种混合接近原始容器的SKU混合来最小化缺货。

作为一个例子，原集装箱体积是x*y*z，因各种原因而能够利用的空间是(x’)*y*z，最接近的容器标准体积是v*y*z，用于适配适当数量的SKU的纸箱。(x’-v)*y*z是在密封的软包装中允许的、将纸箱内的各个包裹进行储存的剩余体积。

使用图4-7的启发式方法考虑了最佳解的历史信息和用于变化量负载的产品混合的历史信息。因此，需要确定减少的体积对各个SKU的影响，以及纸箱中的基本单位计数差，其在该示例中将形成{c_i}值并且{a_i}为零。问题在于确定将形成要送入的体积(x’-v)*y*z的不同的{b_i}。在一个实施例中，a_i和c_i是在由可变仓库空间以及服务一订单的最小距离约束的班次中服务的订单中可能的不同SKU的最小值和最大值。因此对于不同的SKU，b_i将在a_i和c_i之间。

通过使用c_i上的(x’-v)/x比值来设置b_i的起始点。然而，由于这些值是基于步长的而不是连续的，因此对于所有组合将留下一些未填充的体积。基于历史数据选择最佳拟合组合使得能够进行正确的选择。因此，该方法执行：

1)选择“i”使得体积∑b_i*n大于(x’-v)*y*z。对于至少一个索引I，a_i<b_i<c_i不为真；

2)：根据上面的方法4)-6)计算新的一组正数{b_i’}：

4)

5)a_i<b_i′<c_i对于所有索引i＝1至n为真

6){b_i′}最小地离开{b_i}

令b_i′＝w_i*b_i，并将约束重写为：

w_i＝(a_i/b_i)+δ_i,对于某数δ_i>0

现在给出式7)-9)，获得以下式子：

7)

8)

9)

并使用以下解：

δ_i＝(B–A)/(n*b_i)；

b_i′＝a_i+b_i*δ_i。

执行图4-7的方法，特别是图5的“递增最低和递减最高差”算法，图6的“将总计误差划分和扩散回”SKU的策略，并且如果“划分和扩散误差”策略失败，则执行图7的“修改的划分和扩散误差”。在大多数情况下，只要这些值不是极值，优化将快速提供满足约束的b_i的正确值。

在图4-7的方法中描述的启发式方法的另一示例性应用中，描述了仓库放置以优化拣选操作的另一示例性使用情况。这里，在配送中心(DC)中形成了问题，其中拣选时间是关键，因为它增加了配送成本。正确放置的材料和足够的数量是这个优化问题的关键。对于动态需求或具有高弹性的需求来确定这种布置可能是，对于多装载舱DC分散开的许多不同的SKU可能意味着增加的拣选时间和因此增加的成本。

当前的仓库管理解决方案提供推荐，但是在解决方案中使用先前最佳实践知识的能力并不容易。由于基于可用批次的什么组成工作得最好的信息变化，因此诸如线性规划的标准技术在大量场景中不提供最优解决方案。LP仅适用于基于纸箱的分配，并且在SKU已经进入纸箱和软包装中的情况下，或者在清理操作期间，具有小于(＜)个体单元的一半数量的打开的纸箱被移除，而单元保持在软包装中，这变成不可行的解决方案条件。代替将软单元保持在一起，解决方案是确定是否可以在使用关于订单中的SKU的组合的现有信息的情况下进行分配，并且可以将用于这样的订单组SKU的班次的典型数量保持在一起以减少拣选订单中的移动步数。

使用拣选人员的知识并且根据按照订单的SKU分组，在LP确定在拣选操作开始之前要移动的纸箱的数量之后，可以计算要在一个班次的不同点处要保持的灵活量。最初的起始解决方案确定了柔性库存SKU大于(＞)纸箱计数的一些点，并且应用了如前所述的解决方案步骤。可以容易地确定用于每个班次的柔性库存SKU的分布，并且根据该信息，可以获得在班次中的拣选操作期间减少的移动步数和节省，以跟踪使用该解决方案的益处。

图10示出了根据本发明的示例计算系统。应当理解，所描述的计算机系统仅是合适的处理系统的一个示例，并且不旨在对本发明的实施例的使用范围或功能提出任何限制。例如，所示的系统可以用许多其它通用或专用计算系统环境或配置来操作。适合与图1所示的系统一起使用的公知的计算系统、环境和/或配置的示例可包括但不限于个人计算机系统、服务器计算机系统、瘦客户机、胖客户机、手持式或膝上型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程消费电子产品、网络PC、微机系统、大型机系统、以及包括上述系统或设备中的任一个的分布式云计算环境等。

在一些实施例中，计算机系统可以在计算机系统可执行指令的一般上下文中描述，所述计算机系统可执行指令体现为存储在存储器16中的由计算机系统执行的程序模块。通常，程序模块可以包括执行特定任务和/或实现根据本发明的特定输入数据和/或数据类型的例程、程序、对象、组件、逻辑、数据结构等(例如，参见图4-7)。

计算机系统的组件可以包括但不限于一个或多个处理器或处理单元12、存储器16以及可操作地将包括存储器16的各种系统组件耦合到处理器12的总线1。在一些实施例中，处理器12可以执行从存储器16加载的一个或多个模块10，其中程序模块体现使处理器执行本发明的一个或多个方法实施例的软件(程序指令)。在一些实施例中，模块10可以被编程到处理器12的集成电路中，从存储器16、存储设备18、网络24和/或其组合加载。

总线14可以表示若干类型的总线结构中的任何一种的一个或多个，包括存储器总线或存储器控制器、外围总线、加速图形端口、以及使用各种总线架构中的任何一种的处理器或局部总线。作为示例而非限制，这些架构包括工业标准架构(ISA)总线、微通道架构(MCA)总线、增强型ISA(EISA)总线、视频电子标准协会(VESA)局部总线和外围组件互连(PCI)总线。

计算机系统可以包括各种计算机系统可读介质。这样的介质可以是计算机系统可访问的任何可用介质，并且它可以包括易失性和非易失性介质、可移动和不可移动介质。

存储器16(有时称为系统存储器)可以包括易失性存储器形式的计算机可读介质，例如随机存取存储器(RAM)、高速缓冲存储器和/或其他形式。计算机系统还可以包括其它可移动/不可移动、易失性/非易失性计算机系统存储介质。仅作为示例，存储系统18可被提供用于从不可移动、非易失性磁介质(例如，“硬盘驱动器”)读取和向其写入。尽管未示出，但是可以提供用于从可移动、非易失性磁盘(例如，“软盘”)读取和向其写入的磁盘驱动器，以及用于从诸如CD-ROM、DVD-ROM或其它光学介质等可移动、非易失性光盘读取或向其写入的光盘驱动器。在这种情况下，每个都可以通过一个或多个数据介质接口连接到总线14。

计算机系统还可以与以下设备通信：一个或多个外部设备26，诸如键盘、定点设备、显示器28等；一个或多个设备，其使得用户能够与所述计算机系统交互；和/或使计算机系统能够与一个或多个其它计算设备通信的任何设备(例如，网卡、调制解调器等)。这种通信可以经由输入/输出(I/O)接口20发生。

此外，计算机系统可以经由网络适配器22与一个或多个网络24通信，诸如局域网(LAN)、通用广域网(WAN)和/或公共网络(例如，因特网)。如图所示，网络适配器22通过总线14与计算机系统的其它组件通信，应该理解，尽管未示出，其它硬件和/或软件组件也可以与计算机系统结合使用。示例包括但不限于：微代码、设备驱动程序、冗余处理单元、外部磁盘驱动器阵列、RAID系统、磁带驱动器和数据档案存储系统等。

本发明可以是任何可能的技术细节集成水平的系统、方法和/或计算机程序产品。计算机程序产品可以包括其上具有计算机可读程序指令的计算机可读存储介质(或多个介质)，所述计算机可读程序指令用于使处理器执行本发明的各方面。

计算机可读存储介质可以是能够保留和存储由指令执行设备使用的指令的有形设备。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、半导体存储设备或前述的任何合适的组合。计算机可读存储介质的更具体示例的非穷举列表包括以下：便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式光盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、诸如上面记录有指令的打孔卡或凹槽中的凸起结构的机械编码装置，以及上述的任何适当组合。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，诸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，通过光纤线缆的光脉冲)、或通过导线传输的电信号。

本文描述的计算机可读程序指令可以从计算机可读存储介质下载到相应的计算/处理设备，或者经由网络，例如因特网、局域网、广域网和/或无线网络，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、光传输光纤、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卡或网络接口从网络接收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，或者以一种或多种编程语言(包括面向对象的编程语言，例如Smalltalk、C++等)和过程编程语言(例如“C”编程语言或类似的编程语言)的任意组合编写的源代码或目标代码。计算机可读程序指令可以完全在用户的计算机上执行，部分在用户的计算机上执行，作为独立的软件包执行，部分在用户的计算机上并且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，远程计算机可以通过任何类型的网络连接到用户的计算机，包括局域网(LAN)或广域网(WAN)，或者可以连接到外部计算机(例如，使用因特网服务提供商通过因特网)。在一些实施例中，为了执行本发明的各方面，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执行计算机可读程序指令以使电子电路个性化。

在此参考根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述本发明的各方面。将理解，流程图和/或框图的每个框以及流程图和/或框图中的框的组合可以由计算机可读程序指令来实现。

这些计算机可读程序指令可以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流程图和/或框图的一个或多个框中指定的功能/动作的装置。这些计算机可读程序指令还可以存储在计算机可读存储介质中，其可以引导计算机、可编程数据处理装置和/或其他设备以特定方式工作，使得其中存储有指令的计算机可读存储介质包括制品，该制品包括实现流程图和/或框图的一个或多个框中指定的功能/动作的各方面的指令。

计算机可读程序指令还可以被加载到计算机、其他可编程数据处理装置或其他设备上，以使得在计算机、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过程，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/或框图的一个或多个框中指定的功能/动作。

附图中的流程图和框图示出了根据本发明的各种实施例的系统、方法和计算机程序产品的可能实现的架构、功能和操作。在这点上，流程图或框图中的每个框可以表示指令的模块、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。在一些替代实施方案中，框中所注明的功能可不按图中所注明的次序发生。例如，连续示出的两个框实际上可以基本上同时执行，或者这些框有时可以以相反的顺序执行，这取决于所涉及的功能。还将注意，框图和/或流程图图示的每个框以及框图和/或流程图图示中的框的组合可以由执行指定功能或动作或执行专用硬件和计算机指令的组合的专用的基于硬件的系统来实现。

本文所用的术语仅是为了描述特定实施例的目的，而不是要限制本发明。如本文所用，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文另有明确指示。还将理解，术语“包括”和/或“包含”在本说明书中使用时，指定所陈述的特征、整数、步骤、操作、元件和/或组件的存在，但不排除一个或多个其它特征、整数、步骤、操作、元件、组件和/或其群组的存在或添加。以下权利要求中的所有元件的相应结构、材料、动作和等同物旨在包括用于与具体要求保护的其它要求保护的元件组合执行功能的任何结构、材料或动作。已经出于说明和描述的目的给出了本发明的描述，但是该描述不是穷举的或者将本发明限制为所公开的形式。在不背离本发明的范围和精神的情况下，许多修改和变化对于本领域的普通技术人员来说是显而易见的。选择和描述实施例是为了最好地解释本发明的原理和实际应用，并且使本领域的其他普通技术人员能够理解本发明的具有各种修改的各种实施例，这些修改适合于所设想的特定用途。

附图中的流程图和框图示出了根据本发明的各种实施例的系统、方法和计算机程序产品的可能实现的架构、功能和操作。在这点上，流程图或框图中的每个框可以表示指令的模块、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。在一些替代实施方案中，框中所注明的功能可不按图中所注明的次序发生。例如，连续示出的两个框实际上可以基本上同时执行，或者这些框有时可以以相反的顺序执行，这取决于所涉及的功能。还将注意，框图和/或流程图图示的每个框以及框图和/或流程图图示中的框的组合可以由执行指定功能或动作或执行专用硬件和计算机指令的组合的专用的基于硬件的系统来实现。

本发明的描述是为了说明和描述的目的而给出的，并且不是穷举的或将本发明限制为所公开的形式。在不背离本发明范围的情况下，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。选择和描述实施例是为了解释本发明的原理和应用，并使本领域的其他普通技术人员能够理解本发明。本发明可以在具有适于特定预期用途的各种修改的各种实施例中实现。

Claims (20)

1.一种用于减少由制造设备正在制造的产品的缺陷的计算机实现的方法，所述计算机实现的方法包括：

使用一个或多个处理器装置接收基于所述产品的历史制造数据的所输出的制造产品的质量规范的缺陷水平/范围；

使用一个或多个传感器装置在产品正在制造时检测所述产品中缺陷的发生，每个缺陷对应于一个缺陷类；

使用所述一个或多个处理器装置计算正在制造的所述产品的每个缺陷类中的所述缺陷发生的计数；

使用所述一个或多个处理器装置将一个类的缺陷发生的计数与满足所述质量规范的所述类的目标缺陷计数水平进行动态比较；

在检测到缺陷发生的计数超过所述缺陷类的目标缺陷计数水平后，使用所述一个或多个处理器装置确定一个或多个损害减轻措施以确保损害减轻操作范围在一组约束内以保持所述产品的所述质量规范；以及

响应于所确定的一个或多个损害减轻措施，使用所述一个或多个处理器装置控制所述制造设备的装置来减轻对剩余产品制造步骤的损害。

2.根据权利要求1所述的方法，还包括：

使用所述一个或多个处理器，基于所述产品的所述历史制造数据，基于各种缺陷产品订单的先前缺陷计数，建立每个所述缺陷类的缺陷计数范围。

3.根据权利要求2所述的方法，其中确定所述一个或多个损害减轻措施包括：

使用由所述一个或多个处理器运行的启发式方法来确定相应缺陷类的缺陷范围和预测损害，同时保持类的预期缺陷的初始集合。

4.根据权利要求3所述的方法，其中由所述一个或多个处理器运行的所述启发式方法在减少的循环数中在处于总体约束内的同时动态地计算损害减轻操作范围，由此所述制造设备能够以更高的速度操作以获得更高质量的输出产品。

5.根据权利要求4所述的方法，其中所述产品是由织物织造设备正在制造的织物，所述方法还包括：

接收考虑了纱线缺陷和织造缺陷两者的不同质量类别的成品(织物)的历史缺陷计数，其中所述启发式方法基于不同质量类别的成品织物的历史缺陷计数。

6.根据权利要求5所述的方法，其中响应于确定所述缺陷计数是否超过所述目标缺陷计数水平，控制基于传感器的机器人装置来校正或减轻所述缺陷并且使得能够针对不同产品质量水平将所述织物产品保持在可接受的缺陷水平内。

7.根据权利要求5所述的方法，还包括：

在每次缺陷检测时，动态地确定不同缺陷类的缺陷计数或缺陷严重性；以及

确定所述缺陷计数或严重性确定是否允许将所述织物产品的质量保持在该织物产品的预期质量规范之下。

8.根据权利要求4所述的方法，其中响应于检测到缺陷发生，使用一个或多个处理器装置在不同类之间划分和扩散剩余缺陷，以满足正在制造的产品的批次的质量规范。

9.根据权利要求6所述的方法，其中使用一个或多个传感器装置在所述织物被制造的同时检测所述织物产品中缺陷的发生包括：

使用以下中的一者或多者：

触觉传感器或视觉传感器，用于在制造的同时动态地可视化所述产品或确定所述织物的纹理，所述动态可视化或纹理确定用于以下的一者或多者：检测至织物织造设备的供给纱线的质量、控制织造输入质量或控制所述基于传感器的机器人装置以减轻任何纱线缺陷。

10.根据权利要求9所述的方法，其中所述触觉传感器或视觉传感器用于控制机器人机构以减轻一个或多个缺陷，来维持缺陷扩散，使得输出产品满足所述预期质量规范。

11.一种用于减少由制造设备正在制造的产品的缺陷的系统，所述系统包括：

一个或多个传感器装置，所述一个或多个传感器装置被配置成在产品正在制造时检测所述产品中缺陷的发生，每个缺陷对应于一个缺陷类；以及

一个或多个处理器；以及存储器，其耦合到所述一个或多个处理器，用于存储指令，所述指令将所述一个或多个处理器配置为：

接收基于所述产品的历史制造数据的所输出的制造产品的质量规范的缺陷水平/范围；

计算正在制造的所述产品的每个缺陷类中的所述缺陷发生的计数；

将一个类的缺陷发生的计数与满足所述质量规范的所述类的目标缺陷计数水平进行动态比较；

在检测到缺陷发生的计数超过所述缺陷类的目标缺陷计数水平后，确定一个或多个损害减轻措施以确保损害减轻操作范围在一组约束内以保持所述产品的所述质量规范；以及

响应于所确定的一个或多个损害减轻措施，控制所述制造设备的制造装置以减轻对剩余产品制造步骤的损害。

12.根据权利要求11所述的系统，其中所述一个或多个处理器还被配置为：

基于所述产品的所述历史制造数据，基于各种缺陷产品订单的先前缺陷计数，建立每个所述缺陷类的缺陷计数范围。

13.根据权利要求11所述的系统，其中为了确定所述一个或多个损害减轻措施，所述一个或多个处理器还被配置为：

使用启发式方法来确定各个缺陷类的预测损害和缺陷范围，同时保持类的预期缺陷的初始集合。

14.根据权利要求13所述的系统，其中所述启发式方法由所述一个或多个处理器运行以将所述一个或多个处理器配置为：

在减少的循环次数中在处于总体约束内的同时动态地计算损害减轻操作范围，由此所述制造设备可以以更高的速度操作以获得更高质量的输出产品。

15.根据权利要求14所述的系统，其中所述产品是由织物织造设备正在制造的织物，所述一个或多个处理器还被配置为：

接收考虑了纱线缺陷和织造缺陷两者的不同质量类别中的成品(织物)的历史缺陷计数，其中所述启发式方法基于不同质量类别中的成品织物的所述历史缺陷计数。

16.一种用于减少由制造设备正在制造的产品的缺陷的计算机程序产品，所述计算机程序产品包括计算机可读存储介质，所述计算机可读存储介质具有随其实施的程序指令，所述程序指令能由处理器执行以使所述处理器：

接收基于所述产品的历史制造数据的所输出的制造产品的质量规范的缺陷水平/范围；

在产品正在制造时从一个或多个传感器装置检测所述产品中缺陷的发生，每个缺陷对应于一个缺陷类；

计算正在制造的所述产品的每个缺陷类中的所述缺陷发生的计数；

将一个类的缺陷发生的计数与满足所述质量规范的所述类的目标缺陷计数水平进行动态比较；

在检测到缺陷发生的计数超过所述缺陷类的目标缺陷计数水平后，确定一个或多个损害减轻措施以确保损害减轻操作范围在一组约束内以保持所述产品的所述质量规范；以及

响应于所确定的一个或多个损害减轻措施，控制所述制造设备的制造装置以减轻对剩余产品制造步骤的损害。

17.根据权利要求16所述的计算机程序产品，其中所述程序指令进一步使所述处理器：

基于所述产品的所述历史制造数据，基于各种缺陷产品订单的先前缺陷计数，建立每个所述缺陷类的缺陷计数范围。

18.根据权利要求17所述的计算机程序产品，其中为了确定所述一个或多个损害减轻措施，所述程序指令还使所述处理器：

使用启发式方法来确定各个缺陷类的预测损害和缺陷范围，同时保持类的预期缺陷的初始集合。

19.根据权利要求18所述的计算机程序产品，其中为了使用所述启发式方法，所述程序指令还使所述处理器：

在减少的循环次数中在处于总体约束内的同时动态地计算损害减轻操作范围，由此所述制造设备可以以更高的速度操作以获得更高质量的输出产品。

20.根据权利要求19所述的计算机程序产品，其中所述产品是由织物织造设备正在制造的织物，所述程序指令还使所述处理器：

接收考虑了纱线缺陷和织造缺陷两者的不同质量类别中的成品(织物)的历史缺陷计数，其中所述启发式方法基于不同质量类别中的成品织物的所述历史缺陷计数。