JP2020068038A - 製造プロセスチェーンに関する逆推論のためのシステムおよび方法 - Google Patents
製造プロセスチェーンに関する逆推論のためのシステムおよび方法 Download PDFInfo
- Publication number
- JP2020068038A JP2020068038A JP2019193309A JP2019193309A JP2020068038A JP 2020068038 A JP2020068038 A JP 2020068038A JP 2019193309 A JP2019193309 A JP 2019193309A JP 2019193309 A JP2019193309 A JP 2019193309A JP 2020068038 A JP2020068038 A JP 2020068038A
- Authority
- JP
- Japan
- Prior art keywords
- unit manufacturing
- manufacturing processes
- manufacturing process
- bayesian network
- unit
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 66
- 239000002131 composite material Substances 0.000 claims abstract description 22
- 239000000203 mixture Substances 0.000 claims description 24
- 238000005255 carburizing Methods 0.000 claims description 6
- 238000010791 quenching Methods 0.000 claims description 4
- 230000000171 quenching effect Effects 0.000 claims description 4
- 238000005496 tempering Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 238000004148 unit process Methods 0.000 abstract 2
- 239000000463 material Substances 0.000 description 67
- 239000000047 product Substances 0.000 description 46
- 230000008569 process Effects 0.000 description 29
- 238000012545 processing Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 7
- 238000009792 diffusion process Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 238000012356 Product development Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000007734 materials engineering Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- AZRZBCASYOBNKQ-UHFFFAOYSA-N 6-chloro-3,5-diaminopyrazine-3-carboxamide Chemical compound CN(C)C(N)=NC(=O)C1=NC(Cl)=C(N)N=C1N AZRZBCASYOBNKQ-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 229910001566 austenite Inorganic materials 0.000 description 1
- 229910001563 bainite Inorganic materials 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 229910001567 cementite Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- KSOKAHYVTMZFBJ-UHFFFAOYSA-N iron;methane Chemical compound C.[Fe].[Fe].[Fe] KSOKAHYVTMZFBJ-UHFFFAOYSA-N 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 229910000734 martensite Inorganic materials 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 229910001562 pearlite Inorganic materials 0.000 description 1
- 239000008188 pellet Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
- 229910000859 α-Fe Inorganic materials 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G05B2219/32365—For resource planning
-
- 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
- G05B2219/34—Director, elements to supervisory
- G05B2219/34082—Learning, online reinforcement learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】ベイジアンネットワークを用いた製造プロセスのチェーンにおける逆推論のためのシステムおよび方法を提供する。【解決手段】チェーン内のユニットプロセスの、ベイジアンネットワークモデルから、製造プロセスのチェーンのための複合ベイジアンネットワークモデルを、生成する。ユニットプロセスのモデルは、他のコンテキストにおいて、独立に学習でき、知識保管所に記憶することができる。現在の問題コンテキストに関するモデルは、知識保管所から得られ、それらの入力および出力についてのオントロジー情報を用いて、互換性がチェックされる。ユニット製造プロセスの、取得された互換性のあるベイジアンネットワークモデルは、複合されて、チェーンのための複合ベイジアンネットワークモデルを生成するように構成される。生成された複合ベイジアンネットワークモデルは、サンプリングされた逆推論を実行する。【選択図】なし
Description
本願は、２０１８年１０月２６日にインドに出願した出願番号第２０１８２１０４０５６１号の優先権を主張する。この開示は、一般に、統合計算材料工学（integrated computation materials engineering）に関し、特に、限定的ではないが、所望の出力に関する製造プロセスの構成を予測するための、システムおよび方法に関する。
統合計算材料工学（ＩＣＭＥ）は、材料、製造プロセスおよびプロダクトの設計と開発に対する新しいアプローチである。これは、物理学ベースのシミュレーション、データ駆動型推論、ガイド付き実験の組み合わせを用いて、材料設計と製品設計を統合することにより、新しい材料および製造プロセスの開発をスピードアップすることを提案する。
材料の組成、プロセス、およびそれらのパラメータの組み合わせから構成される大きな設計空間を検討する必要がある。このコンテキストにおける重要な問題は、材料の構造、プロセスおよび特性間の関係をモデル化することである。特に、処理パラメータが与えられたときの出力／特性の予測（前方予測問題(forward prediction problem))と、所望の出力／特性を達成するために必要な入力／プロセスパラメータの予測（逆予測問題）（inverse prediction problem））は、対処する必要がある問題である。
代替案は、注意深く設計された限られた数の高価なシミュレーションから生成されたデータから学習した、高速で近似のデータ駆動モデルを使用することである。それゆえ、逆予測モデルは、大きな設計空間を伴う問題において、設計スペースを狭めて、絞り込んだ設計スペースを探索するために高価なシミュレーションと実験を使用することができるようにするのに有効である。
この開示の実施形態は、一般的なシステムにおいて、発明者達により認識された、上述の技術的問題の１つまたは複数に対する解法としての技術的改善を提供する。たとえば、一実施形態において、製品の所望の特性に関する製造プロセスの構成を予測するためのシステムが提供される。
システムは、複数の命令を備えた、１つのメモリと、モジュールを実行するために少なくとも１つのメモリと通信可能に結合された、１つまたは複数のハードウエアプロセッサを含む。さらに、システムは、受信モジュール、記述モジュール、学習モジュール、選択モジュール、取得モジュール、検証モジュール（validation module）、および生成モジュールを備える。受信モジュールは、製造プロセスの複数のユニット製造プロセスの記述および製造プロセスからの、所望の出力特性のセットを受信するように構成される。記述モジュールは、複数のユニット製造プロセス、およびその１つまたは複数のパラメータの、オントロジー記述（ontological description）を作成するように構成される。学習モジュールは、複数のユニット製造プロセスの各々に対して、複数のベイジアンネットワーク（Ｂａｙｅｓｉａｎ ｎｅｔｗｏｒｋ)を学習するように構成され、学習した複数のベイジアンネットワークモデルは、知識保管所（knowledge depository）に記憶される。システムの選択モジュールは、複数のユニット製造プロセスの、２つ以上のユニット製造プロセスを選択する。システムの取得モジュールは、知識保管所からの、選択された２以上のユニット製造プロセスの各々に対応する、学習されたベイジアンネットワークモデルを取得するように構成される。システムの検証モジュールは、事前定義されたルールのセットを用いて、各ユニット製造プロセスに対応する、ベイジアンネットワークモデルの取得したセット間の互換性を、検証するように構成される。最後に、２つ以上の選択されたユニット製造プロセスの各々に対応する、互換性のあるベイジアンネットワークモデルを用いた、システムの生成モデルにおいて、複合モデル（a composite model）を生成する。ここにおいて、生成された複合モデルを用いて、複数のユニット製造プロセスの構成を予測し、生成された複合モデルは、モンテカルロシミュレーション（Monte Carlo simulation）を用いてサンプリングし、製造する製品の所望の特性のための構成を推測する。
他の態様において、製品の、所望の特性のための、製造プロセスの構成を予測するための、プロセッサインプリメント方法（a processor-implemented method）が提供される。この方法は、製造プロセスの複数のユニット製造プロセスの記述と、製造プロセスからの、所望の出力特性のセットを受信するステップと、複数のユニット製造プロセスの、オントロジー記述と、その１つまたは複数のパラメータを作成するステップと、複数のユニット製造プロセスの各々に関する、複数のベイジアンネットワークモデルを学習するステップであって、学習した複数のベイジアンネットワークモデルは、知識保管所に記憶される、学習するステップと、複数のユニット製造プロセスの、２つ以上のユニット製造プロセスを選択するステップと、知識保管所から、選択された２つ以上のユニット製造プロセスの、各々に対応する学習したベイジアンネットワークモデルを取得するステップと、事前定義したルールのセットを用いて、選択された２以上のユニット製造プロセスの、各々に対応する取得したベイジアンネットワークモデルの、各々間の互換性を検証するステップと、２以上の選択されたユニット製造プロセスの、各々に対応する互換性のあるベイジアンネットワークモデルを用いて、複数のユニット製造プロセスの構成を予測する、複合モデルを生成するステップであって、前記複合モデルは、製造する製品の所望の特性のための構成を推測するために、サンプリングされる、複合モデルを生成するステップ、のような１つまたは複数のステップを含む。上述した一般的記述および以下の詳細な記述は、両方とも例示であり、説明のためだけのものであり、特許請求の範囲に記載した本発明を限定するものではない、ことを理解されたい。本開示に組み込まれ、本開示の一部を構成する添付図面は、例示実施形態を図示し、記述とともに、開示した原理を説明するのに役立つ。
添付図面を参照して例示実施形態が記載される。図において、参照符号の最左端の桁（複数の場合もある）は、参照符号が最初に現れる図を特定する。便宜上、図面全体を通して、同じ参照番号を使用して、同じまたは同様のパーツを指す。開示した原理の例および特徴が、ここに記載されるけれども、変更、適合および他のインプリメンテーションが開示した実施形態の精神と範囲から逸脱することなく、可能である。以下の詳細な記述は、例示のみであり、真の範囲および精神は、以下の特許請求の範囲によって示されることが意図される。
図面を参照すると、特に図１乃至３を参照すると、類似の参照符号は、図面全体を通して、一致する対応する特徴を示し、好適実施形態を示し、これらの実施形態は、以下の例示システムおよび／または方法のコンテキストにおいて記載される。
図１を参照すると、製品の所望の特性に関する製造プロセスの構成を予測するためのシステム（１００）が提供される。さらに、ここにおいて、システムは、製品の所望の特性に関する製造プロセスのチェーンの構成を予測するために、製造プロセスのチェーンの逆推論のために構成される。使用する条件付き線形ガウシアンベイジアンネットワークのバリアント（variant）。モデル化される、すべての変数（プロセスパラメータおよび特性）は、連続変数なので、連続分布をサポートするベイジアンネットワーク変数が、必要である。さらに、システムは、区分的線形近似（piecewise linear approximations）により非線形関係を表すことができるモデルを備える。
好適実施形態において、システム（１００）は、複数の命令を有した少なくとも１つのメモリ（１０２）と、メモリ内のモジュールを実行するように、少なくとも１つのメモリ（１０２）と通信可能に結合された１つまたは複数のハードウエアプロセッサ（１０４）とを備える。システムは、知識ベース（１０６）、受信モジュール（１０８）、記述モジュール（１１０）、学習モジュール（１１２）、選択モジュール（１１４）、取得モジュール（１１６）、検証モジュール（１１８）、および生成モジュール（１２０）を備える。
システムの知識ベース（１０６）は、１つまたは複数のハードウエアプロセッサ（１０４）と関連づけられる。知識ベース（１０６）は、システム（１００）の機能（functioning）のために利用されるデータを含む。知識ベース（１０６）は、システム(１００）の外部に図示されているが、知識ベース（１０６）は、システム（１００）内にあってもよい。
一態様において、知識ベース（１０６）は、複数のオントロジーの、オントロジーインスタンス（ontology instances）の形態の、知識要素のような、データを含む。さらに、知識ベース（１０６）は、材料知識要素、製品および知識要素、およびルール、ケース、方程式、モデル等として組織化されたモデル知識要素を、含むことができ、すべてがオントロジーに提供される、共通語彙により表される。他のインプリメンテーションにおいて、ルール、ケース、方程式、モデル等のような複数の知識表現メカニズムにまたがって、およびこれらのメカニズムを横断して推論（reasoning）を統合するための手段として、ドメインオントロジー（domain ontology）を用いて、知識要素を構成するための、仕様メカニズムを提供することができる。
好適実施形態において、システム（１００）の受信モジュール（１０８）は、製造プロセスの、複数のユニット製造プロセスの記述と、製造プロセスからの、所望の出力特性のセットを受信するように構成される。複数のユニット製造プロセスの時系列順（chronological order）は、製造プロセスからの、所望の出力特性のセットを達成するために受信した記述において、定義しなければならないことに留意されたい。
製品製造のための材料の選択は、新製品開発のプロセスにおいて、極めて重要な役割を果たすことが理解されるであろう。材料の化学的性質と内部構造は、製品強度のような、種々の特性に大きな影響を与える。従って、製品に適した材料を選択する、または設計することは、細心の注意が必要である。さらに、材料を選択および／または設計するのとは別に、材料の処理は、材料の特性に種々の変化をもたらし得る。たとえば、同じ材料でも異なる温度で熱したとき、強度、耐衝撃性、疲労寿命、および表面の質感などの異なる特性を達成し得る。従って、新しい製品を開発することは、そのような設計が種々の実験および試行を含むので、新しい材料と、それらの処理技術の設計により、時間がかかり、コストもかかる。それゆえ、システム（複数の場合もある）および方法（複数の場合もある）は、材料の専門知識、処理技術、すなわち、材料製造および処理方法、材料の内部構造、材料特性、および材料を用いた製品開発に基づく。
好適実施形態において、システム（１００）の記述モジュール（１１０）は、複数のユニット製造プロセスの受信した記述から、複数のユニット製造プロセスのオントロジー記述と、その１つまたは複数のパラメータを作成するように構成される。
オントロジーは、ドメイン内で情報を共有するユーザに関して共通の語彙を定義する。ドメインは、知識のフィールドとして理解することができ、例えば、材料とプロセスは、材料とプロセス設計の、このケースにおけるドメインであり得る。オントロジーは、一般的には、ドメインのベーシックコンセプト、およびこれらのベーシックコンセプト間の関係の機械翻訳可能な、および人間が判読可能な定義を含む、種々のオントロジーを用いて定義される。
一態様において、ドメイン知識は、知識と交換可能に呼ばれる、知識要素の形態で編成され、知識データベースに記憶されたオントロジーは、交換可能に知識ベースと呼ばれる。オントロジーを提供することは、材料およびプロセスに関連する特性およびパラメータのような、すべてのデータが直接利用可能であることを保証するのに役立つ。さらに、材料およびプロセスのような、種々のエンティティ間の関連性、および材料の材料特性と内部構造を把握することは、製品を開発するための、適切な材料とプロセスを識別するのに役立つ。さらに、そのような関連は、さらに新しい材料とプロセスを定義するのに役立つ。さらに、オントロジーベース知識データベース、シミュレーションモデル、オンラインデータベース、およびリアルタイム処理および知識ベースの更新のためのシステムを組み合わせることは、製造プロセスに関する統合されたフレームワーク（framework）を提供することに役立つ。
他の態様において、材料、製品およびプロセスに対応する知識、およびシミュレーションモデルは、オントロジーにより提供される、共通語彙の観点から表される、ルール、ケース、方程式、モデル等として編成することができる。さらに、ルール、ケース、方程式、モデル等のような、複数の知識表現メカニズムに広がり、これらのメカニズムにまたがる推論（reasoning）を統合するための手段として、ドメインオントロジーを用いる知識要素を構成するための、仕様メカニズムを提供することができる。理解されるように、オントロジーは、ドメイン内で、情報を共有する必要がある人々のための、共通語彙を指す。オントロジーは、ドメインの概念、およびこれらのベーシックコンセプト間の関係の、オントロジーインスタンスと呼ばれる、機械翻訳可能であり、人間が判読可能な定義を含む。一例において、オントロジーインスタンスは、リソースディスクリプションフレームワーク（ＲＤＦ）−ウェブオントロジー言語（ＯＷＬ）スキーマを用いて作製することができる。一例において、３つのタイプのオントロジー、すなわち、材料オントロジー、製品およびプロセスオントロジー、モデルオントロジー、およびこれらのオントロジー間の関係が使用される。
材料オントロジーは、材料の内部構造、組成、形態と特性に関連する概念を記述する。材料は、製品を製造するのに使用することができる鋼鉄、アルミニウム、木材、プラスチックのような異なる材料として理解でき、さらに、棒、シート、粉末、ペレット（pellets）、および鋼片（billet）のような材料の形態、および固体、液体、および気体のような材料の状態に分類することができる。材料特性は、強度、耐腐食性のような材料の特性として理解でき、さらに、機械的、物理的、熱的、化学的、電気的、生物学的等に分類することができる。材料の内部構造は、例えば、フェライト（Ｆｅｒｒｉｔｅ)、マルテンサイト（Martensite）、オーステナイト（Austenite）、セメンタイト（Cementite）、パーライト（Pearlite）、およびベイナイト（Bainite）含有物のようなバルク相（bulk phases）、転位（dislocations）および鋼鉄の場合には、沈殿物（precipitates）を含むことができる。これらのバルク相の各々は、サブフェーズ、フェーズ組成、フェーズパーセンテージ（phase percentage）、およびフェーズ分布のような属性を有することができ、ラス（lath）やプレート（plate）等の形態（morphology）、結晶やアモルファスのような原子配列に関連づけることができる。材料オントロジーインスタンスはさらに、材料、材料の内部構造、および材料特性間の関係を捕獲する。
たとえば、それは、材料のすべての特性と内部構造が、特定の材料とこれらのエンティティ間の関係に、関連づけることができるものを捕捉することができる。したがって、材料オントロジーインスタンスは、例えば、システムおよびシステムを使用する製品エンジニアが、製品に適した材料を識別するのに使用する材料についてのデータを、提供するのに役立つ。さらに、材料、材料特性、および材料の内部構成間の関係を提供することは、組成と内部構造を識別するのに、役立たせることができる。
製品およびプロセスオントロジーインスタンスは、材料および製品の製造のために、実行することができる種々の処理技術を用いて製造することができる、種々の製品に関連したデータを含む。製品データは、製品を作るのに有効であり、また、製品を作るためのプロセスに有効な形状、重量、体積、面積、および強度のような製品関連情報を含むことができる。さらに、処理技術は、一次製造技術、成形プロセス、製造プロセス等に分類することができる。モデルオントロジーインスタンスは、シミュレートされたリアルタイム環境において、材料および製品を試験するのに使用することができる、異なるレベルの精度の、様々な現象についての、種々のシミュレーションおよび近似モデルを含む。
製品の特性および要件に基づいて、適切な材料、すなわち、製品の要件に適合する材料は、材料知識要素および材料オントロジーインスタンスを用いて、確認することができる。たとえば、製品要件に基づいて、材料選択ルールのセットは、特定の強度、グレード等の棒またはシートのような、適切な鋼鉄材料を確認するための材料知識要素から、決定することができる。したがって、材料は、製品およびプロセス知識要素およびプロセスオントロジーインスタンスを用いて決定された、１つまたは複数のプロセスを用いて処理することができる。製品およびプロセス知識要素は、製品およびプロセスオントロジーインスタンスを決定し、使用するのに用いる、ルールのセットまたはデシジョンツリー（decision tree）を含めることができる。
さらに他の態様において、システム（１００）は、受信した複数のユニット製造プロセスの記述およびプロセスオントロジーインスタンス、およびプロセス知識要素に基づいて、製品の要件と、所望特性を最初に識別することができる。次に、システム（１００）は、適切な材料、すなわち、材料オントロジーインスタンス、およびプロセス知識要素を用いて、製品の要件に適合する材料を、決定することができる。さらに、知識ベースの定期的更新は、また、製品、製造材料、または処理技術を開発するためのデータまで利用可能な、すべてのタイプの材料およびプロセスに、アクセスすることを保証する。
好適実施形態において、システム（１００）の学習モジュール（１１２）は、作成されたオントロジー記述に基づいて、複数のユニット製造プロセスの各々に関する、複数のベイジアンネットワークモデルを学習するように構成される。学習した複数のベイジアンネットワークモデルが、知識ベース（１０６）に記憶される。他のより大きなプロセスにおけるユニット動作であり得る、対応するユニット製造プロセスに関する、各ベイジアンネットワークモデルは、データとは独立して学習され、知識ベース（１０６）に記憶される。
ベイジアンネットワークモデルにおいて、ネットワーク構成コンポーネントは、入力として、変数リストを受け取り、変数リスト間の関係に、影響を与える。変数リストから、ネットワーク構成コンポーネントは、エッジが、影響関係（influence relations）を表す、ベイジアンネットワーク構成する。ベイジアンネットワークの、構造とパラメータは、トレーニングコンポーネントから、学習される。トレーニングコンポーネントは、たとえば条件付き線形ガウスを仮定し、ベイジアンネットワークの、各連続ノードは、ガウス分布の混合を持ち、混合分布は、離散親（discrete parents）の各値に対して、1つの成分を持ち、混合分布の各成分は、平均が、その親によって取得された値の、線形結合である、ガウスである。トレーニングコンポーネントは、データに、最尤推定アルゴリズムを印加して、ノード毎に、この線形関数の係数を、推定する。各ノードの分散は、データから別個に学習される。
好適実施形態において、システム（１００）の選択モジュール（１１４）は、製品の所望の特性に対して、複数のユニット製造プロセスの、２以上のユニット製造プロセスを選択するように構成される。
好適実施形態において、システム（１００）の取得モジュール（１１６）は、知識ベース（１６）から、選択された２以上のユニット製造プロセスに対応する、学習されたベイジアンネットワークモデルを取得するように構成される。
好適実施形態において、システム（１００）の検証モジュール（１１８）は、事前定義されたルールのセットを用いて、選択された２以上のユニット製造プロセスの各々に対応する、取得したベイジアンネットワークモデルの、各々間の互換性を、検証するように構成される。
第１ベイジアンネットワークモデルの出力が、第２ベイジアンネットワークモデルの入力と、オントロジー的に互換性があるなら、選択された２以上のユニット製造プロセスの各々に対応するベイジアンネットワークモデルは、互換性があることが、理解されるであろう。これは、第１のオントロジーネットワークモデルの出力変数のオントロジータイプが、第２のオントロジーネットワークモデルへの入力変数と同じであるか、または第１ベイジアンネットワークモデルの出力が、第２のベイジアンネットワークモデルの入力の特殊化（specialization）であることを意味する。そのような場合、あるセットからの入力を処理することができる、第２のオントロジーネットワークモデルは、そのサブセットのみからの入力を、確実に処理することができるので、ベイジアンネットワークモデルは、互換性がある。
好適実施形態において、システム（１００）の生成モジュール（１２０）は、２以上の選択されたユニット製造プロセスの各々に対応する、互換性のあるベイジアンネットワークモデルを用いて複合モデルを生成し、複数のユニット製造プロセスの構成を予測するように構成され、複合モデルは、サンプリングされた製造する製品の所望の特性のための構成を、推測するように構成される。
少なくとも２つのベイジアンネットワークモデルと、第１のベイジアンネットワークモデルの出力と、第２のベイジアンネットワークモデルの入力との間のマッピングが完了すると、複合モデルという名前が付けられたモデルを生成する。この場合、複合モデルが生成され、確率分布がオリジナルモデルからコピーされる。
図２を参照すると、一例として、ユニット製造プロセスとして、浸炭−焼き入れ−焼き戻しから構成される典型的なギア製造プロセスが、図示される。このプロセスチェーンにおいて、初期材料は、最初に加熱（浸炭）され、次に、炭素が豊富な環境（拡散）に維持され、次にオイルまたは水のような媒体中で焼き入れすることにより急速に冷却し、最後に再び熱処理（焼き戻し）される。各ユニット製造プロセスにおける、入力および出力とともに、完全な製造プロセスが、図２に示される。浸炭の出力のいくつかは、浸炭後の材料の状態を表し、事前定義されたシーケンスの、次のシーケンスである、拡散プロセスに供給されることが、理解されるであろう。これらの出力は、ピッチ（pitch）とルート（root）での炭素の割合、およびピッチとルートでの深さ85％の炭素である。それゆえ、浸炭の出力は、拡散プロセスへの入力として動作する。
ベイジアンネットワークモデルは、浸炭、拡散、焼き入れ、および焼き戻しの各ユニット製造プロセス毎に選択され、それらは、歯車製造の所定のコンテキストに関連するので、知識保管所から取得される。ギア製造に関する複合モデルは、２つのベイジアンネットワークモデルを、マッピングすることにより生成される。各製造プロセスにおいて、各ユニット製造プロセスの時系列の順番は、製品の要件毎に、事前定義されなければならないことに、留意する必要がある。ここにおいて、浸炭のベイジアンネットワークモデルと、拡散のベイジアンネットワークモデルは、歯車を達成するための事前定義された、時系列の順番にあるので、互換性がなければならない。浸炭のベイジアンネットワークモデルの出力は、拡散のベイジアンネットワークモデルの入力でマップされる（mapped）。両方のベイジアンネットワークモデルにおいて、ＣＰＣ、ＣＲＣ、ＣＤＰＣおよびＣＤＲＣの変数は、同じオントロジー要素にマップすることが発見された。それゆえ、複合モデルは、歯車製造の、各ユニット製造プロセスの、各ベイジアンネットワークモデルの、すべての変数を用いて生成される。
図３（ａ）および３（ｂ）を参照すると、製品の、所望の特性のための、製造プロセスの構成を、予測するための方法（２００）方法が、記載される順番は、限定として、解釈することを意図したものではなく、任意の数の記載された方法ステップは、方法（２００）をインプリメントするための、任意の順番で組み合わせることができ、あるいは任意の代替方法を組み合わせることができる。さらに、個々のステップは、ここに記載した主題の精神と範囲から逸脱することなく、方法から削除することができる。さらに、方法は、任意の適切なハードウエア、ソフトウエア、ファームウエア、またはそれらの組み合わせで、インプリメントすることができる。
方法（複数の場合もある）は、コンピュータ実行可能命令の、一般的なコンテキストにおいて記載することができる。一般的に、コンピュータ実行可能命令は、特定の機能を実行する、または特定のアブストラクトデータタイプをインプリメントする、ルーチン、プログラム、オブジェクト、コンポーネント、データ構造、手続、モジュール、機能等を含むことができる。また、方法は、通信ネットワークを介してリンクされた、遠隔処理デバイスにより、機能が実行される分散コンピューティング環境において、実施することも可能である。分散コンピューティング環境において、コンピュータ実行可能命令は、メモリストレージデバイスを含む、ローカル、およびリモートコンピュータ記憶媒体の両方に、位置していてもよい。
当業者は、方法のステップは、プログラムされたコンピュータにより、実行できることを容易に認識するであろう。ここにおいて、いくつかの実施形態は、また、プログラムストレージデバイス、例えば、機械またはコンピュータが可読であり、かつ機械またはコンピュータが実行可能な命令のプログラムであって、記載された方法のステップの、いくつかまたは全てを実行する命令群のプログラム群である、デジタルデータストレージ媒体をカバーするように、意図されている。プログラムストレージデバイスは、例えば、デジタルメモリ、磁気ディスクおよび磁気テープのような磁気ストレージ媒体、ハードドライブ、または、光学的に読み取り可能なデジタルデータストレージ媒体であり得る。また、実施形態は、例示方法のステップを実行するように構成された通信ネットワークおよび通信デバイスの両方をカバーするように意図される。
初めに、ステップ（２０２）において、複数のユニット製造プロセスの記述が、システム（１００）の受信モジュール（１０８）で受信される。さらに、ここにおいて、製造される製品の所望の出力特性のセットも、システム（１００）の受信モジュール（１０８）で受信される。
好適実施形態において、ステップ（２０４）において、複数のユニット製造プロセス、およびその１つまたは複数のパラメータの、各々のオントロジー記述が、システム（１００）の記述モジュール（１０８）で作られる。好適実施形態において、ステップ（２０６）において、複数のユニット製造プロセスの、各々毎に複数のベイジアンネットワークモデルが、システム（１００）の学習モジュール（１１２）において、学習され、学習された複数のベイジアンネットワークモデルが、知識ベースに記憶される。
好適実施形態において、ステップ（２０８）において、システム（１００）の選択モジュール（１１４）は、複数のユニット製造プロセスから、２以上のユニット製造プロセスを選択する。好適実施形態において、ステップ（２１０）において、学習されたベイジアンネットワークモデルが、知識ベースから選択された、２以上のユニット製造プロセスの、各々に対応するシステム（１００）の取得モジュール（１１６）で取得される。好適実施形態において、ステップ（２１）において、選択された２以上のユニット製造プロセスの、各々に対応して取得されたベイジアンネットワークモデル間の互換性が、事前定義されたルールのセットを用いて、システム（１００）の検証モジュール（１１８）で検証される。
最後に、ステップ（２１４）において、２以上の選択されたユニット製造プロセスの、各々に対応する互換性のあるベイジアンネットワークモデルを用いて、システム（１００）の生成モジュール（１２０）で、複合モデルが生成され、複数のユニット製造プロセスの構成を予測する。複合モデルが、サンプリングされると、製造される製品の、所望の特性に関する複数のユニット製造プロセスの、構成を推測する。
書かれた記述は、ここでは、当業者がこの実施形態を制作し、使用することを可能にする主題を、説明する。主題となる実施形態の範囲は、特許請求の範囲により定義され、当業者に生じる他の変更を含むことができる。そのような他の変更は、特許請求の範囲のリテラル言語と異ならない場合、あるいは、特許請求の範囲のリテラル言語と実質的に差がない等価なエレメントを含む場合、特許請求の範囲内に含まれることが意図される。
ここでは、この開示の実施形態は、処理パラメータが与えられた場合の出力／特性の予測の未解決の問題（前方予測問題）、および製品の所望の主力／特性を達成するのに必要な入力／プロセスパラメータの予測を解決する。さらに、ここにおいて、実施形態は、製品の所望の特性に関する、製造プロセスの構成を予測するための、システムおよび方法を提供する。さらに、ここにおいて、システムは、製造プロセスチェーンの逆推論に関して、製品の所望の特性に関する、製造プロセスのチェーンの構成を、予測するように構成される。使用する条件付き線形ガウスベイジアンネットワークのバリアント（variant）。モデル化されるすべての変数（プロセスパラメータと特性）は、連続変数なので、連続変数に対してベイジアンネットワークが必要である。さらに、システムは、非線形関係を表すことができるモデルを備え、モデルは、区分的線形近似（piecewise linear approximations）を学習することが可能である。
予測の範囲は、そのようなプログラムにまで拡張され、メッセージを有するコンピュータ可読手段に加えて、そのようなコンピュータ可読記憶手段は、プログラムが、サーバ、またはモバイルデバイス、または任意の適切なプログラマブルデバイス上で実行されると、方法の１つまたは複数のステップの、インプリメンテーションのための、プログラムコード手段を含む。ハードウエアデバイスは、例えば、サーバ、またはパーソナルコンピュータ、等のような任意の種類のコンピュータ、またはそれらの任意の組合せを含む、プログラム可能な任意の種類のデバイスであり得る。デバイスは、また、例えば、特定用途集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）のようなハードウエア手段、または、例えば、ＡＳＩＣおよびＦＰＧＡのようなハードウエア手段とソフトウエア手段の組み合わせ、または、少なくとも１つのマイクロプロセッサと、その中にソフトウエアモジュールが配置されるソフトウエアモジュールを有する少なくとも１つのメモリ、であり得る手段を含むことができる。したがって、この手段は、ハードウエア手段とソフトウエア手段の両方を含むことができる。ここに記載される実施形態は、ハードウエアおよびソフトウエアで、インプリメント可能である。このデバイスは、ソフトウエア手段も含むことができる。代替的に、実施形態は、異なるハードウエアデバイス、例えば、複数のＣＰＵｓを用いてインプリメントすることができる。
ここにおいて、実施形態は、ハードウエアエレメントとソフトウエアエレメントを備えることができる。ソフトウエアでインプリメントされる実施形態は、これに限定されないが、ファームウエア、常駐ソフトウエア、マイクロコード等を含む。ここに記載される種々のモジュールにより実行される機能は、他のモジュール、または他のモジュールの組み合わせでインプリメントすることができる。この記載のために、コンピュータ使用可能な、またはコンピュータ可読な媒体は、使用するための、または命令実行システム、装置、またはデバイスに関連したプログラムを、含む、記憶する、通信する、伝搬する、または搬送することができる任意の装置であり得る。
図示した例示実施形態を説明するために、図示されたステップは、示された例示的な実施形態を説明するために、提示されており、進行中の技術開発が、特定の機能が実行される方法を変えることが予想される。これらの例は、ここでは、説明の目的のためであり、限定するものではない。さらに、機能構築ブロックの境界は、説明の便宜上、本明細書で任意に定義されている。指定された機能、およびそれらの関係が適切に実行される限り、代替の境界を定義することができる。本明細書に含まれる教示に基づいて、関連技術の当業者には、代替物（本明細書に記載のものの同等物、拡張、変形、逸脱などを含む）が明らかであろう。そのような代替物は、開示された実施形態の範囲および精神に含まれる。また、「含む（comprising）」、「有する（having）」、「含む（containing）」、および「含む（including）」などの単語、およびその他の類似の形式は、意味が同等であり、これらの単語のいずれか1つのアイテム、または複数のアイテムが、そのようなアイテムまたは複数のアイテムの総記（exhaustive listing）ではなく、または、リストされたアイテム、または複数のアイテムのみに限定することを意味するものではないという点において、変更可能である（open ended）。本明細書および添付の特許請求の範囲で使用される、単数形「a」、「an」、および「the」は、文脈がそうでないことを明確に示さない限り、複数の参照を含むことに留意しなければならない。
さらに、１つまたは複数のコンピュータ可読記憶媒体は、この開示に一致する実施形態をインプリメントする際に利用することができる。コンピュータ可読記憶媒体は、プロセッサにより可読可能な情報、またはデータが記憶できる、任意のタイプの物理メモリを指す。したがって、コンピュータ可読記憶媒体は、プロセッサ（複数の場合もあり得る）に、ここに記載される、実施形態に一致するステップまたはステージを、実行させるための命令を含む、１つまたは複数のプロセッサにより実行可能な命令を記憶することが可能である。「コンピュータ可読媒体」という用語は、有形のアイテム（tangible items）を含み、搬送波および過度的信号、すなわち、非一時的な信号を除くと理解されねばならない。例示は、ランダムアクセスメモリ（RAM）、揮発性メモリ、不揮発性メモリ、ハードドライブ、ＣＤＲＯＭｓ、ＤＶＤｓ、フラッシュドライブ、ディスク、および任意の他の周知の物理ストレージ媒体を含む。
この開示と例示は、例示のためだけであり、この実施形態の真の範囲と精神は、以下の特許請求の範囲によって示されることが意図される。
Claims (16)
- 製品の所望の特性のための製造プロセスの構成を予測するプロセッサインプリメント方法において、
前記製造プロセスの、複数のユニット製造プロセスの記述と、前記製造プロセスからの、所望の出力特性のセットを、受信するステップと、
前記複数のユニット製造プロセスの、オントロジー記述と、その１つまたは複数のパラメータを、作成するステップと、
前記複数のユニット製造プロセスの、各々に関する、複数のベイジアンネットワークモデルを、学習するステップであって、前記学習された複数のベイジアンネットワークモデルは、知識保管所に記憶される、ステップと、
前記複数のユニット製造プロセスの、２以上のユニット製造プロセスを、選択するステップと、
前記知識保管所からの、前記選択された２以上のユニット製造プロセスに対応する、前記学習されたベイジアンネットワークモデルを、取得するステップと、
事前定義されたルールのセットを用いて、前記選択された、２以上のユニット製造プロセスの各々に対応する、前記取得された、前記ベイジアンネットワークモデルの、各々間の互換性を検証するステップと、
前記２以上の選択された、ユニット製造プロセスの、各々に対応する、互換性のあるベイジアンネットワークモデルを用いて、複合モデルを生成し、前記複数のユニット製造プロセスの、前記構成を予測するステップであって、前記複合モデルは、サンプリングされて、製造される、前記製品の所望の特性の構成を、推測するステップと、
を備えた、プロセッサインプリメント方法。 - 前記オントロジー記述は、前記複数のユニット製造プロセスの各々に関する意味記述（semantic description）と、その対応するパラメータを含む、請求項１に記載の方法。
- 前記複数のユニット製造プロセスは、事前定義されたチェーン内にある、請求項１に記載の方法。
- 前記複数のユニット製造プロセスは、浸炭、焼入れ、焼戻しを含む、請求項１に記載の方法。
- 前記事前定義されたチェーンの、前記第１のユニット製造プロセスの前記出力は、前記事前定義されたチェーンの、前記第２のユニット製造プロセスへの、入力である、請求項１に記載の方法。
- 前記事前定義されたチェーンの、前記第１のユニット製造プロセスの、前記出力の、前記値の範囲は、前記事前定義されたチェーンの、前記第２のユニット製造プロセスへの、入力の値の範囲と同じである、請求項１に記載の方法。
- 前記事前定義されたチェーンの、前記第１のユニット製造プロセスの、前記出力は、前記事前定義されたチェーンの、前記第２のユニット製造プロセスへの、前記入力の一般化（a generalization）である、請求項１に記載の方法。
- 前記生成された複合モデルは、前記複数のユニット製造プロセスの、各ユニット製造プロセスの、連続ベイジアンネットワークモデルを付加(append）することにより得られた、前記事前定義されたチェーンに関する、ベイジアンネットワークモデルである、請求項１に記載の方法。
- 製品の、所望の特性に関する、製造プロセスの構成を予測するように構成されたシステムにおいて、
複数の命令を記憶する少なくとも１つのメモリと、
前記少なくとも１つのメモリと通信可能に結合された、１つまたは複数のハードウエアプロセッサであって、前記１つまたは複数のハードウエアプロセッサは、１つまたは複数のモジュールを実行するように構成された、１つまたは複数のハードウエアプロセッサと、
前記製造プロセスの複数のユニット製造プロセスの記述と、前記製造プロセスのからの所望の出力特性のセットを、受信するように構成された受信モジュールと、
前記複数のユニット製造プロセスのオントロジー記述と、その１つまたは複数のパラメータを、作成するように構成された記述モジュールと、
前記複数のユニット製造プロセスの各々に関する、複数のベイジアンネットワークモデルを学習するように構成された、学習モジュールであって、前記学習された複数のベイジアンネットワークモデルは、知識保管所に記憶される、学習モジュールと、
前記複数のユニット製造プロセスの、２以上のユニット製造プロセスを構成するように構成された選択モジュールと、
前記知識保管所からの、前記選択された２以上のユニット製造プロセスに対応する、前記学習されたベイジアンネットワークモデルを取得するように構成された、取得モジュールと、
事前定義されたルーツを用いて選択された、２以上のユニット製造プロセスの、各々に対応する、前記ベイジアンネットワークモデルの、前記取得された各々間の、互換性を検証するように構成された検証モジュールと、
前記２以上の選択されたユニット製造プロセスの、各々に対応する、互換性のあるベイジアンネットワークモデルを用いて、複合モデルを生成し、前記複数のユニット製造プロセスの、前記構成を予測するモジュールであって、前記複合モデルは、サンプリングされて、製造される前記製品の、所望の特性のための構成を推測する、生成モデルと、
を備えた、システム。 - 前記オントロジー記述は、前記複数のユニット製造プロセスの各々に関する意味記述と、その対応するパラメータを含む、請求項８に記載されたシステム。
- 前記複数のユニット製造プロセスは、事前定義されたチェーンにある、請求項８に記載のシステム。
- 前記複数のユニット製造プロセスは、浸炭、焼入れ、焼戻しを含む、請求項８に記載のシステム。
- 前記事前定義されたチェーンの前記第１のユニット製造プロセスの前記出力は、前記事前定義されたチェーンの前記第２のユニット製造プロセスへの前記入力である、請求項８に記載のシステム。
- 前記事前定義されたチェーンの、前記第１のユニット製造プロセスの、前記出力の前記値の範囲は、前記事前定義されたチェーンの、前記第２のユニット製造プロセスへの、入力の値の範囲と同じである、請求項８に記載のシステム。
- 前記事前定義されたチェーンの、前記第１のユニット製造プロセスの、前記出力は、前記事前定義されたチェーンの、前記第２のユニット製造プロセスへの、前記入力の一般化である、請求項８に記載のシステム。
- 前記生成された複合モデルは、前記複数のユニット製造プロセスの、各ユニット製造プロセスの、連続するベイジアンネットワークモデルを付加することにより得られた、前記事前定義された、チェーンに関するベイジアンネットワークモデルである、請求項８に記載のシステム。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IN201821040561 | 2018-10-26 | ||
| IN201821040561 | 2018-10-26 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020068038A true JP2020068038A (ja) | 2020-04-30 |
| JP6916586B2 JP6916586B2 (ja) | 2021-08-11 |
Family
ID=67777169
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019193309A Active JP6916586B2 (ja) | 2018-10-26 | 2019-10-24 | 製造プロセスチェーンに関する逆推論のためのシステムおよび方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20200133248A1 (ja) |
| EP (1) | EP3644139B1 (ja) |
| JP (1) | JP6916586B2 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200333772A1 (en) * | 2019-04-18 | 2020-10-22 | Siemens Industry Software Ltd. | Semantic modeling and machine learning-based generation of conceptual plans for manufacturing assemblies |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001208100A (ja) * | 1999-11-19 | 2001-08-03 | Koyo Seiko Co Ltd | 一方向クラッチならびにそれを備えるプーリユニット |
| WO2014087427A1 (en) * | 2012-12-05 | 2014-06-12 | Tata Consultancy Services Limited | Method and system for computational design and modeling |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120143570A1 (en) * | 2010-12-03 | 2012-06-07 | University Of Maryland | Method and system for ontology-enabled traceability in design and management applications |
-
2019
- 2019-08-28 EP EP19194039.4A patent/EP3644139B1/en active Active
- 2019-09-06 US US16/562,858 patent/US20200133248A1/en not_active Abandoned
- 2019-10-24 JP JP2019193309A patent/JP6916586B2/ja active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001208100A (ja) * | 1999-11-19 | 2001-08-03 | Koyo Seiko Co Ltd | 一方向クラッチならびにそれを備えるプーリユニット |
| WO2014087427A1 (en) * | 2012-12-05 | 2014-06-12 | Tata Consultancy Services Limited | Method and system for computational design and modeling |
Non-Patent Citations (2)
| Title |
|---|
| CASTRO, A. ET AL.: "Application of a Multimedia Service and Resource Management Architecture for Fault Diagnosis [online", SENSORS 2018, vol. Vo.18, No.1, JPN6021007624, 28 December 2017 (2017-12-28), ISSN: 0004458473 * |
| 福多 賢太郎, ほか: "ベイジアンネットワークとオントロジーを用いた感性モデリング", 日本感性工学会論文誌, vol. 8, no. 3, JPN6021007625, 2009, pages 499 - 507, ISSN: 0004458474 * |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3644139A1 (en) | 2020-04-29 |
| EP3644139C0 (en) | 2023-08-09 |
| EP3644139B1 (en) | 2023-08-09 |
| US20200133248A1 (en) | 2020-04-30 |
| JP6916586B2 (ja) | 2021-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2022548654A (ja) | 機械学習モデルにおいて動的外れ値偏り低減を実装するように構成されるコンピュータベースシステム、コンピュータコンポーネント及びコンピュータオブジェクト | |
| Ghavidel et al. | A hybrid Jaya algorithm for reliability–redundancy allocation problems | |
| Thagard et al. | Changing minds about climate change: Belief revision, coherence, and emotion | |
| Morey et al. | The humble Bayesian: Model checking from a fully Bayesian perspective | |
| Mirghani et al. | Enhanced simulation-optimization approach using surrogate modeling for solving inverse problems | |
| Gan et al. | Exploiting the interpretability and forecasting ability of the RBF-AR model for nonlinear time series | |
| Vlasselaer et al. | Exploiting local and repeated structure in dynamic Bayesian networks | |
| Zhao et al. | Modelling and strategy consensus for a class of networked evolutionary games | |
| Ionescu | An approach to software development effort estimation using machine learning | |
| Brunk et al. | Exploring the effect of context information on deep learning business process predictions | |
| Hooshmand et al. | Efficient constraint reduction in multistage stochastic programming problems with endogenous uncertainty | |
| Denning | Ubiquity symposium'What is computation?' Opening statement | |
| Cartwright | Scientific models versus social reality | |
| Kelly et al. | Holographic declarative memory: Distributional semantics as the architecture of memory | |
| Gramelsberger et al. | Philosophical perspectives on Earth system modeling: Truth, adequacy, and understanding | |
| JP6916586B2 (ja) | 製造プロセスチェーンに関する逆推論のためのシステムおよび方法 | |
| Wang et al. | Residual life estimation based on a generalized Wiener process with skew-normal random effects | |
| Thekdi et al. | Disaster risk and artificial intelligence: A framework to characterize conceptual synergies and future opportunities | |
| Veksler et al. | SAwSu: An integrated model of associative and reinforcement learning | |
| Rodi et al. | Optimal learning paths in information networks | |
| Bouzaida et al. | Extracting TSK-type neuro-fuzzy model using the hunting search algorithm | |
| Purvis et al. | Evolution of uncertainty methods in decline curve analysis | |
| Deregnaucourt et al. | Evolving model architecture for custom output range exploration | |
| Mahler et al. | The random set approach to nontraditional measurements is rigorously Bayesian | |
| Mittelsteadt | Artificial intelligence: An introduction for policymakers |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191223 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210129 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210309 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210608 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210629 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210715 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6916586 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |