JP2023518055A - 製造プロセスを最適化するためのシステム、方法、及びコンピュータ・プログラム製品 - Google Patents

Abstract

製造プロセスを最適化するためのシステム、方法、及びコンピュータ・プログラム製品が提供される。方法は、製品を製造するための製造プロセスに関連する製造データを受信することを含む。製造データは、製造プロセスの複数の段階に関連する複数のデータ・ソースからのデータを含み得、製造データは、少なくとも１つのプロセス・パラメータ値及び少なくとも１つの品質パラメータ値を含む複数のパラメータの値を含み得る。方法は、製造データを含む時系列データ構造を生成することと、時系列データ構造を複数の段階に関連するタイミング・データに基づいて位置次元データ構造に変換することとを含む。方法は、位置次元データ構造及び少なくとも１つのアルゴリズムに基づいて少なくとも１つのプロセス・パラメータ値の新しい値を決定することと、新しい値に基づいて製造プロセスを最適化することとを含む。

Description

本出願は、参照によりその開示の全部が本明細書に組み込まれている、２０２０年３月１６日に出願した米国仮特許出願第６２／９９０，２６０号、及び２０２１年２月１５日に出願した特許出願第１７／１７５，７８５号の優先権を主張するものである。

本開示は、概して製造プロセスに関し、非限定的実施例では、製造プロセス、たとえば、ガラス製造プロセス、を最適化するためのシステム、方法、及びコンピュータ・プログラム製品と、それに関連するデータ処理技法とに関する。

いくつかの非限定的実施例又は態様によれば、製造プロセスを最適化するためのコンピュータ実施方法が提供される。方法は、製品を製造するための製造プロセスに関連する製造データを、少なくとも１つのプロセッサで、受信することを含み得る。製造データは、製造プロセスの複数の段階に関連する複数のデータ・ソースからのデータを含み得る。製造データは、少なくとも１つのプロセス・パラメータ値及び少なくとも１つの品質パラメータ値を含む複数のパラメータの値を含み得る。方法は、製造データを含む時系列データ構造を、少なくとも１つのプロセッサで、生成することを含み得る。複数のパラメータの各パラメータは、時系列データ構造において時間と関連し得る。方法は、複数の段階に関連するタイミング・データに基づいて時系列データ構造を位置次元データ構造に、少なくとも１つのプロセッサで、変換することを含み得る。複数のパラメータの各パラメータは、少なくとも１つの位置に関連し得る。方法は、位置次元データ構造及び少なくとも１つのアルゴリズムに基づいて少なくとも１つのプロセス・パラメータ値の新しい値を、少なくとも１つのプロセッサで、決定することを含み得る。方法は、新しい値に基づいて製造プロセスを最適化することを含み得る。

いくつかの非限定的実施例又は態様において、時系列データ構造を位置次元データ構造に変換することは、以下を含み得る：複数のパラメータの各パラメータのゾーンを、少なくとも１つのプロセッサで、識別することと、各パラメータについて、パラメータのゾーンの長さ及びゾーンのライン速度に基づいて時間遅延係数を、少なくとも１つのプロセッサで、決定することと、時系列データ構造、各パラメータのゾーン、及び各パラメータの時間遅延係数に基づいてデータ・マトリクス変換を使用して位置次元データ構造を、少なくとも１つのプロセッサで、生成すること。

いくつかの非限定的実施例又は態様において、製造プロセスは、ガラス製造プロセスでもよく、製品は、コーティングされたガラス製品を含み得る。複数のパラメータは、以下を含み得る：温度、イベント時間、電気アーキング、気体流、電圧、電流、電力、圧力、又はその任意の組合せ。

いくつかの非限定的実施例又は態様において、方法は、時系列データ構造又は位置次元データ構造において少なくとも１つの外れ値パラメータ値を、少なくとも１つのプロセッサで、検出することを含み得る。方法は、少なくとも１つの外れ値パラメータ値を、少なくとも１つのプロセッサで、取り除くことを含み得る。少なくとも１つのアルゴリズムは、モデル及び少なくとも１つのユーザ入力値に基づいて新しい値を出力するように構成された機械学習アルゴリズムを含み得る。

いくつかの非限定的実施例又は態様において、方法は、時系列データ構造又は位置次元データ構造において空のデータ項目のセットを、少なくとも１つのプロセッサで、識別することを含み得る。方法は、空のデータ項目のセットのサイズを時系列データ構造又は位置次元データ構造のサイズと比較することによって欠測データの割合を、少なくとも１つのプロセッサで、決定することを含み得る。方法は、欠測データの割合を所定の許容閾値と、少なくとも１つのプロセッサで、比較することを含み得る。方法は、欠測データの割合が所定の許容閾値を満たしていないことに応答して、空のデータ項目のセットを時系列データ構造又は位置次元データ構造から削除することを含み得る。方法は、欠測データの割合が所定の許容閾値を満たしていることに応答して、空のデータ項目のセットにデータをインピュートすることを含み得る。

いくつかの非限定的実施例又は態様によれば、製造プロセスを最適化するためのシステムが提供される。システムは、製品を製造するための製造プロセスに関連する製造データを受信するようにプログラム又は構成された少なくとも１つのプロセッサを含み得る。製造データは、製造プロセスの複数の段階に関連する複数のデータ・ソースからのデータを含み得る。製造データは、少なくとも１つのプロセス・パラメータ値及び少なくとも１つの品質パラメータ値を含む複数のパラメータの値を含み得る。少なくとも１つのプロセッサは、製造データを含む時系列データ構造を生成するようにプログラム又は構成され得る。複数のパラメータの各パラメータは、時系列データ構造において時間と関連し得る。少なくとも１つのプロセッサは、複数の段階に関連するタイミング・データに基づいて時系列データ構造を位置次元データ構造に変換するようにプログラム又は構成され得る。複数のパラメータの各パラメータは、少なくとも１つの位置に関連し得る。少なくとも１つのプロセッサは、位置次元データ構造及び少なくとも１つのアルゴリズムに基づいて少なくとも１つのプロセス・パラメータ値の新しい値を決定するようにプログラム又は構成され得る。少なくとも１つのプロセッサは、新しい値に基づいて製造プロセスを最適化するようにプログラム又は構成され得る。

いくつかの非限定的実施例又は態様において、時系列データ構造を位置次元データ構造に変換することは、以下を含み得る：複数のパラメータの各パラメータのゾーンを識別することと、各パラメータについて、パラメータのゾーンの長さ及びゾーンのライン速度に基づいて時間遅延係数を決定することと、時系列データ構造、各パラメータのゾーン、及び各パラメータの時間遅延係数に基づいてデータ・マトリクス変換を使用して位置次元データ構造を生成すること。

いくつかの非限定的実施例又は態様において、製造プロセスは、ガラス製造プロセスを含み得、製品は、コーティングされたガラス製品を含み得る。複数のパラメータは、以下を含み得る：温度、イベント時間、電気アーキング、気体流、電圧、電流、電力、圧力、又はその任意の組合せ。

いくつかの非限定的実施例又は態様において、少なくとも１つのプロセッサは、時系列データ構造又は位置次元データ構造において少なくとも１つの外れ値パラメータ値を検出するようにさらにプログラム又は構成され得る。少なくとも１つのプロセッサは、少なくとも１つの外れ値パラメータ値を取り除くようにさらにプログラム又は構成され得る。いくつかの非限定的実施例又は態様において、少なくとも１つのアルゴリズムは、モデル及び少なくとも１つのユーザ入力値に基づいて新しい値を出力するように構成された機械学習アルゴリズムを含み得る。

非限定的実施例又は態様によれば、製造プロセスを最適化するためのコンピュータ・プログラム製品が提供される。コンピュータ・プログラム製品は、プログラム命令を含む少なくとも１つの非一時的コンピュータ可読媒体を含み得る。プログラム命令は、少なくとも１つのプロセッサによって実行されるとき、製品を製造するための製造プロセスに関連する製造データを少なくとも１つのプロセッサに受信させ得る。製造データは、製造プロセスの複数の段階に関連する複数のデータ・ソースからのデータを含み得る。製造データは、少なくとも１つのプロセス・パラメータ値及び少なくとも１つの品質パラメータ値を含む複数のパラメータの値を含み得る。プログラム命令は、製造データを含む時系列データ構造を少なくとも１つのプロセッサに生成させ得る。複数のパラメータの各パラメータは、時系列データ構造において時間と関連し得る。プログラム命令は、少なくとも１つのプロセッサに複数の段階に関連するタイミング・データに基づいて時系列データ構造を位置次元データ構造に変換させ得る。複数のパラメータの各パラメータは、少なくとも１つの位置に関連し得る。プログラム命令は、少なくとも１つのプロセッサに位置次元データ構造及び少なくとも１つのアルゴリズムに基づいて少なくとも１つのプロセス・パラメータ値の新しい値を決定させ得る。プログラム命令は、少なくとも１つのプロセッサに新しい値に基づいて製造プロセスを最適化させ得る。

いくつかの非限定的実施例又は態様において、時系列データ構造を位置次元データ構造に変換することは、以下を含み得る：複数のパラメータの各パラメータのゾーンを識別することと、各パラメータについて、パラメータのゾーンの長さ及びゾーンのライン速度に基づいて時間遅延係数を決定することと、時系列データ構造、各パラメータのゾーン、及び各パラメータの時間遅延係数に基づいてデータ・マトリクス変換を使用して位置次元データ構造を生成すること。

いくつかの非限定的実施例又は態様において、製造プロセスは、ガラス製造プロセスを含み得、製品は、コーティングされたガラス製品を含み得、そして、複数のパラメータは、以下を含み得る：温度、イベント時間、電気アーキング、気体流、電圧、電流、電力、圧力、又はその任意の組合せ。

いくつかの非限定的実施例又は態様において、プログラム命令は、少なくとも１つのプロセッサに時系列データ構造又は位置次元データ構造において少なくとも１つの外れ値パラメータ値をさらに検出させ得る。プログラム命令は、少なくとも１つのプロセッサに少なくとも１つの外れ値パラメータ値を取り除かせ得る。いくつかの非限定的実施例又は態様において、少なくとも１つのアルゴリズムは、モデル及び少なくとも１つのユーザ入力値に基づいて新しい値を出力するように構成された機械学習アルゴリズムを含み得る。

いくつかの非限定的実施例又は態様において、製造プロセスは、ガラス製品の製造プロセスでもよい。いくつかの非限定的実施例又は態様において、製造プロセスは、コーティングされたガラス製品の製造プロセスでもよい。いくつかの非限定的実施例又は態様において、製造プロセスは、ガラス製品をコーティングするためでもよい。

さらなる実施例又は態様について、以下の番号を付けられた項において説明する：

第１項：以下を含む、製造プロセスを最適化するためのコンピュータ実施方法：製品を製造するための製造プロセスに関連する製造データを、少なくとも１つのプロセッサで、受信することであって、製造データが、製造プロセスの複数の段階に関連する複数のデータ・ソースからのデータを含み、製造データが、少なくとも１つのプロセス・パラメータ値及び少なくとも１つの品質パラメータ値を含む複数のパラメータの値を含む、受信することと、製造データを含む時系列データ構造を、少なくとも１つのプロセッサで、生成することであって、複数のパラメータの各パラメータが、時系列データ構造における時間と関連している、生成することと、複数の段階に関連するタイミング・データに基づいて位置次元データ構造に時系列データ構造を、少なくとも１つのプロセッサで、変換することであって、複数のパラメータの各パラメータが、少なくとも１つの位置に関連している、変換することと、位置次元データ構造及び少なくとも１つのアルゴリズムに基づいて少なくとも１つのプロセス・パラメータ値の新しい値を、少なくとも１つのプロセッサで、決定することと、新しい値に基づいて製造プロセスを最適化すること。

第２項：時系列データ構造を位置次元データ構造に変換することが、以下を含む、第１項のコンピュータ実施方法：複数のパラメータの各パラメータのゾーンを、少なくとも１つのプロセッサで、識別することと、各パラメータについて、パラメータのゾーンの長さ及びゾーンのライン速度に基づいて時間遅延係数を、少なくとも１つのプロセッサで、決定することと、時系列データ構造、各パラメータのゾーン、及び各パラメータの時間遅延係数に基づいてデータ・マトリクス変換を使用して位置次元データ構造を、少なくとも１つのプロセッサで、生成すること。

第３項：製造プロセスが、ガラス製造プロセスを含み、製品が、コーティングされたガラス製品を含む、第１又は２項のコンピュータ実施方法。

第４項：複数のパラメータが、以下を含む、第１～３項のいずれかのコンピュータ実施方法：温度、イベント時間、電気アーキング、気体流、電圧、電流、電力、圧力、又はその任意の組合せ。

第５項：以下をさらに含む、第１～４項のいずれかのコンピュータ実施方法：時系列データ構造又は位置次元データ構造において少なくとも１つの外れ値パラメータ値を、少なくとも１つのプロセッサで、検出することと、少なくとも１つの外れ値パラメータ値を、少なくとも１つのプロセッサで、取り除くこと。

第６項：少なくとも１つのアルゴリズムが、モデル及び少なくとも１つのユーザ入力値に基づいて新しい値を出力するように構成された機械学習アルゴリズムを含む、第１～５項のいずれかのコンピュータ実施方法。

第７項：以下をさらに含む、第１～６項のいずれかのコンピュータ実施方法：時系列データ構造又は位置次元データ構造において空のデータ項目のセットを、少なくとも１つのプロセッサで、識別することと、空のデータ項目のセットのサイズを時系列データ構造又は位置次元データ構造のサイズと比較することによって欠測データの割合を、少なくとも１つのプロセッサで、決定することと、欠測データの割合を所定の許容閾値と、少なくとも１つのプロセッサで、比較すること。

第８項：欠測データの割合が所定の許容閾値を満たしていないことに応答して、空のデータ項目のセットを時系列データ構造又は位置次元データ構造から削除することをさらに含む、第１～７項のいずれかのコンピュータ実施方法。

第９項：欠測データの割合が所定の許容閾値を満たしていることに応答して、空のデータ項目のセットにデータをインピュートすることをさらに含む、第１～８項のいずれかのコンピュータ実施方法。

第１０項：以下を含む、製造プロセスを最適化するためのシステム：以下のことを行うようにプログラム又は構成された少なくとも１つのプロセッサ：製品を製造するための製造プロセスに関連する製造データを受信することであって、製造データが、製造プロセスの複数の段階に関連する複数のデータ・ソースからのデータを含み、製造データが、少なくとも１つのプロセス・パラメータ値及び少なくとも１つの品質パラメータ値を含む複数のパラメータの値を含む、受信することと、製造データを含む時系列データ構造を生成することであって、複数のパラメータの各パラメータが、時系列データ構造における時間と関連している、生成することと、複数の段階に関連するタイミング・データに基づいて時系列データ構造を位置次元データ構造に変換することであって、複数のパラメータの各パラメータが、少なくとも１つの位置に関連している、変換することと、位置次元データ構造及び少なくとも１つのアルゴリズムに基づいて少なくとも１つのプロセス・パラメータ値の新しい値を決定することと、新しい値に基づいて製造プロセスを最適化すること。

第１１項：時系列データ構造を位置次元データ構造に変換することが、以下を含む、第１０項のシステム：複数のパラメータの各パラメータのゾーンを識別することと、各パラメータについて、パラメータのゾーンの長さ及びゾーンのライン速度に基づいて時間遅延係数を決定することと、時系列データ構造、各パラメータのゾーン、及び各パラメータの時間遅延係数に基づいてデータ・マトリクス変換を使用して位置次元データ構造を生成すること。

第１２項：製造プロセスが、ガラス製造プロセスを含み、製品が、コーティングされたガラス製品を含む、第１０又は１１項のシステム。

第１３項：複数のパラメータが、以下を含む、第１０～１２項のいずれかのシステム：温度、イベント時間、電気アーキング、気体流、電圧、電流、電力、圧力、又はその任意の組合せ。

第１４項：少なくとも１つのプロセッサが、以下を行うようにさらにプログラム又は構成された、第１０～１３項のいずれかのシステム：時系列データ構造又は位置次元データ構造において少なくとも１つの外れ値パラメータ値を検出することと、少なくとも１つの外れ値パラメータ値を取り除くこと。

第１５項：少なくとも１つのアルゴリズムが、モデル及び少なくとも１つのユーザ入力値に基づいて新しい値を出力するように構成された機械学習アルゴリズムを含む、第１０～１４項のいずれかのシステム。

第１６項：少なくとも１つのプロセッサによって実行されたとき、少なくとも１つのプロセッサに以下のことを行わせるプログラム命令を含む、少なくとも１つの非一時的コンピュータ可読媒体を備える、製造プロセスを最適化するためのコンピュータ・プログラム製品：製品を製造するための製造プロセスに関連する製造データを受信することであって、製造データが、製造プロセスの複数の段階に関連する複数のデータ・ソースからのデータを含み、製造データが、少なくとも１つのプロセス・パラメータ値及び少なくとも１つの品質パラメータ値を含む複数のパラメータの値を含む、受信することと、製造データを含む時系列データ構造を生成することであって、複数のパラメータの各パラメータが、時系列データ構造における時間と関連している、生成することと、複数の段階に関連するタイミング・データに基づいて時系列データ構造を位置次元データ構造に変換することであって、複数のパラメータの各パラメータが、少なくとも１つの位置に関連している、変換することと、位置次元データ構造及び少なくとも１つのアルゴリズムに基づいて少なくとも１つのプロセス・パラメータ値の新しい値を決定することと、新しい値に基づいて製造プロセスを最適化すること。

第１７項：時系列データ構造を位置次元データ構造に変換することが、以下を含む、第１６項のコンピュータ・プログラム製品：複数のパラメータの各パラメータのゾーンを識別することと、各パラメータについて、パラメータのゾーンの長さ及びゾーンのライン速度に基づいて時間遅延係数を決定することと、時系列データ構造、各パラメータのゾーン、及び各パラメータの時間遅延係数に基づいてデータ・マトリクス変換を使用して位置次元データ構造を生成すること。

第１８項：製造プロセスが、ガラス製造プロセスを含み、製品が、コーティングされたガラス製品を含み、複数のパラメータが、以下を含む、第１６又は１７項のコンピュータ・プログラム製品：温度、イベント時間、電気アーキング、気体流、電圧、電流、電力、圧力、又はその任意の組合せ。

第１９項：プログラム命令がさらに、少なくとも１つのプロセッサに以下のことを行わせる、第１６～１８項のいずれかのコンピュータ・プログラム製品：時系列データ構造又は位置次元データ構造において少なくとも１つの外れ値パラメータ値を検出することと、少なくとも１つの外れ値パラメータ値を取り除くこと。

第２０項：少なくとも１つのアルゴリズムが、モデル及び少なくとも１つのユーザ入力値に基づいて新しい値を出力するように構成された機械学習アルゴリズムを含む、第１６～１９項のいずれかのコンピュータ・プログラム製品。

第２１項：以下を含む、ガラス製造プロセスを最適化するためのコンピュータ実施方法：コーティングされたガラス製品を製造するためのガラス製造プロセスに関連する製造データを、少なくとも１つのプロセッサで、受信することであって、製造データが、ガラス製造プロセスの複数の段階に関連する複数のデータ・ソースからのデータを含み、製造データが、少なくとも１つのプロセス・パラメータ値及び少なくとも１つの品質パラメータ値を含む複数のパラメータの値を含む、受信することと、製造データを含む時系列データ構造を、少なくとも１つのプロセッサで、生成することであって、複数のパラメータの各パラメータが、時系列データ構造における時間と関連している、生成することと、複数の段階に関連するタイミング・データに基づいて位置次元データ構造に時系列データ構造を、少なくとも１つのプロセッサで、変換することであって、複数のパラメータの各パラメータが、少なくとも１つの位置に関連している、変換することと、位置次元データ構造及び少なくとも１つのアルゴリズムに基づいて少なくとも１つのプロセス・パラメータ値の新しい値を、少なくとも１つのプロセッサで、決定することと、新しい値に基づいてガラス製造プロセスを最適化すること。

第２２項：以下を含む、ガラス製造プロセスを最適化するためのシステム：以下のことを行うようにプログラム又は構成された少なくとも１つのプロセッサ：コーティングされたガラス製品を製造するためのガラス製造プロセスに関連する製造データを受信することであって、製造データが、ガラス製造プロセスの複数の段階に関連する複数のデータ・ソースからのデータを含み、製造データが、少なくとも１つのプロセス・パラメータ値及び少なくとも１つの品質パラメータ値を含む複数のパラメータの値を含む、受信することと、製造データを含む時系列データ構造を生成することであって、複数のパラメータの各パラメータが、時系列データ構造における時間と関連している、生成することと、複数の段階に関連するタイミング・データに基づいて時系列データ構造を位置次元データ構造に変換することであって、複数のパラメータの各パラメータが、少なくとも１つの位置に関連している、変換することと、位置次元データ構造及び少なくとも１つのアルゴリズムに基づいて少なくとも１つのプロセス・パラメータ値の新しい値を決定することと、新しい値に基づいてガラス製造プロセスを最適化すること。

第２３項：少なくとも１つのプロセッサによって実行されたとき、少なくとも１つのプロセッサに以下のことを行わせるプログラム命令を含む、少なくとも１つの非一時的コンピュータ可読媒体を備える、ガラス製造プロセスを最適化するためのコンピュータ・プログラム製品：コーティングされたガラス製品を製造するためのガラス製造プロセスに関連する製造データを受信することであって、製造データが、ガラス製造プロセスの複数の段階に関連する複数のデータ・ソースからのデータを含み、製造データが、少なくとも１つのプロセス・パラメータ値及び少なくとも１つの品質パラメータ値を含む複数のパラメータの値を含む、受信することと、製造データを含む時系列データ構造を生成することであって、複数のパラメータの各パラメータが、時系列データ構造における時間と関連している、生成することと、複数の段階に関連するタイミング・データに基づいて時系列データ構造を位置次元データ構造に変換することであって、複数のパラメータの各パラメータが、少なくとも１つの位置に関連している、変換することと、位置次元データ構造及び少なくとも１つのアルゴリズムに基づいて少なくとも１つのプロセス・パラメータ値の新しい値を決定することと、新しい値に基づいてガラス製造プロセスを最適化すること。

類似の参照番号は様々な図における対応する部分を指定する、そのすべてが本明細書の一部を形成する、添付の図面を参照して以下の説明及び添付の特許請求の範囲を考慮したとき、本開示のこれらの及び他の特徴及び特性、並びに構造の関連要素の動作及び機能の方法及び製造の部分及び経済性の組合せが、より明らかとなろう。しかしながら、図面は、単に例示及び説明を目的としており、発明の限定の定義として解釈されるものではない、ということが明確に理解されるべきである。

追加の利点及び詳細について、添付の図に示された非限定的な、例示的な実施例を参照して、さらに詳しく後述する。

製造プロセスを最適化するためのシステム及び方法の非限定的実施例又は態様の概略図を示す。 製造プロセスを最適化するためのシステム、方法、及びコンピュータ・プログラム製品の非限定的実施例に関して使用されるコンピューティング・デバイスの例示的構成要素を示す。 製造プロセスを最適化するための方法の非限定的実施例又は態様のプロセス図を示す。 製造プロセスを最適化するための方法の非限定的実施例又は態様のプロセス図を示す。 製造プロセスを最適化するための方法の非限定的実施例又は態様のプロセス図を示す。 製造プロセスを最適化するための方法の非限定的実施例又は態様のプロセス図を示す。

実施例は、それと反対に明示的に指定された場合を除いて、様々な代替変更形態及びステップ順序を想定し得ることを理解すべきである。添付の付属書類に示された、及び以下の明細に記載された特定のデバイス及びプロセスは、単に、本開示の例示的な実施例又は態様であるということもまた理解すべきである。したがって、本明細書で開示される実施例又は態様に関連する特定の次元及び他の物理特性は、限定として考えられるべきではない。本明細書で使用される態様、構成要素、要素、構造、行為、ステップ、機能、命令、及び／又は同類のものは、そのように明示的に記述されていない限り、決定的又は必須として解釈されるべきではない。また、本明細書では、冠詞「ａ」及び「ａｎ」（１つの、一）は、１つ又は複数のアイテムを含むものであり、「１つ又は複数の」及び「少なくとも１つの」と互換的に使用され得る。また、本明細書では、「有する」、「有している」という用語、又は同類のものは、制限のない用語として解釈されるものである。さらに、「基づく」という表現は、別段の明示的な記載のない限り、「少なくとも部分的に基づく」を意味するものである。

本明細書では、「通信」及び「通信する」という用語は、データ（たとえば、情報、信号、メッセージ、命令、コマンド、及び／又は同類のもの）の受信、受領、送信、転送、提供、及び／又は同類のものを指し得る。１つのユニット（たとえば、デバイス、システム、デバイス若しくはシステムの構成要素、その組合せ、及び／又は同類のもの）が別のユニットと通信することは、１つのユニットが他のユニットから情報を直接的に若しくは間接的に受信する及び／又は他のユニットに情報を送る（たとえば、送信する）ことができるということを意味する。これは、本質的にワイヤード及び／又はワイヤレスである直接又は間接接続を指し得る。加えて、送信される情報は、第１のユニットと第２のユニットとの間で修正、処理、中継、及び／又は経路指定され得るが、２つのユニットは、互いに通信し得る。たとえば、第１のユニットは、情報を受動的に受信し、第２のユニットに情報を能動的に送信しないにもかかわらず、第１のユニットは、第２のユニットと通信し得る。別の実例として、少なくとも１つの中間ユニット（たとえば、第１のユニットと第２のユニットとの間に位置する第３のユニット）が、第１のユニットから受信された情報を処理し、処理された情報を第２のユニットに送信する場合、第１のユニットは、第２のユニットと通信し得る。いくつかの非限定的実施例において、メッセージは、データを含むネットワーク・パケット（たとえば、データ・パケット及び／又は同類のもの）を指し得る。

本明細書では、「コンピューティング・デバイス」という用語は、１つ又は複数のネットワークと又はそれを介して直接的に又は間接的に通信するように構成された１つ又は複数の電子デバイスを指し得る。コンピューティング・デバイスは、モバイル又は携帯用コンピューティング・デバイス、デスクトップ・コンピュータ、サーバ、及び／又は同類のものでもよい。さらに、「コンピュータ」という用語は、データを受信、処理、及び出力するための必要な構成要素を含む任意のコンピューティング・デバイスを指し得、通常は、ディスプレイ、プロセッサ、メモリ、入力デバイス、及びネットワーク・インターフェースを含む。「計算システム」は、１つ又は複数のコンピューティング・デバイス又はコンピュータを含み得る。「アプリケーション」又は「アプリケーション・プログラム・インターフェース」（ＡＰＩ：application programming interface）は、ソフトウェア構成要素、たとえば、クライアントからデータを受信するためのクライアント側のフロントエンド及び／又はサーバ側のバックエンド、の間の相互作用を円滑にするためにプロセッサによって実行され得るコンピュータ可読媒体に記憶されたコンピュータ・コード又は他のデータを指す。「インターフェース」は、生成された表示、たとえば、ユーザがそれを用いて、直接的に又は間接的に（たとえば、キーボード、マウス、タッチスクリーンなどを介して）、相互作用し得る１つ又は複数のグラフィカル・ユーザ・インターフェース（ＧＵＩ：graphical user interface）、を指す。さらに、複数のコンピュータ、たとえば、サーバ、又はネットワーク環境において直接的に又は間接的に通信する他のコンピュータ化されたデバイスが、「システム」又は「計算システム」を構成し得る。

本明細書では、「サーバ」という用語は、ネットワーク、たとえば、インターネット又はプライベート・ネットワーク、を介してクライアント・デバイス及び／又は他のコンピューティング・デバイスと通信する、及び、いくつかの実例では、他のサーバ及び／又はクライアント・デバイスの間の通信を円滑にする、１つ又は複数のコンピューティング・デバイス、たとえば、プロセッサ、記憶デバイス、及び／又は類似のコンピュータ構成要素、を指し得る。

非限定的実施例は、製造プロセス、たとえば、ガラス製造プロセス、を最適化するためのシステム、方法、及びコンピュータ・プログラム製品を対象とする。そのような製造プロセスは、リアルタイム方式の並びに様々な異なるデバイス及び構成要素によって収集される大量のデータを生み出し、それは、そのようなデータを効果的に効率的に記憶、構造化、管理する、及びそれにアクセスすることに課題を示す。本明細書に記載の非限定的実施例は、プロセス・パラメータの継続的及び／又は周期的最適化（たとえば、より優れた製品を生み出すための、より少ない材料を使用するための、より少ない廃材を生み出すための、製造プロセスを加速するための、及び／又は同類のもの）を含む、製造プロセスにわたる効率の改善を実現する。さらに、製造プロセスのデバイス及び構成要素から収集された未加工データは、そのようなデータを分析して最適化されたプロセス・パラメータを生成しようと試みるとき、データ処理の非効率性及びエラーを示し得る。したがって、本明細書に記載の非限定的実施例は、機械学習アルゴリズムを含むが、これに限定されない、分析アルゴリズムで使用するための製造データを再構築するための固有の技法を提供する。

製造プロセス・データ
前述のシステム、方法、及びコンピュータ・プログラム製品は、ガラス製造プロセスを最適化するために用いられ得る。本明細書の説明は、ガラス製造の関連で技術的実装を参照することがあるが、技術的特徴及び利点の多数は、製造データの収集及び分析を含む任意のタイプの製造プロセスに適用可能であることが理解されよう。

記載されているシステム及び方法は、プロセス最適化を通して製造効率性を実現し得る。たとえば、板ガラス製造において、製造効率性は、以下を含み得る：（ｉ）部分的に溶けた砂粒子及び小さいグラス・バブルを含む製品の欠陥の数を減らすことと、（ｉｉ）平板及びコーティングされたガラス製品を溶かす及び製作するためのエネルギー使用量を減らすことと、（ｉｉｉ）不合格のガラス、切り取り及び縁取りトリム損失などの製造廃棄物を減らすことと、（ｉｖ）ガラス厚さ分布を最適化することと、（ｖ）製品切り替え中の材料の損失を減らすことと、（ｖｉ）原材料使用を最適化することと、（ｖｉｉ）棚卸し及びサプライ・チェーンを管理すること。

もう１つの実例として、ガラス・コーティング・プロセスにおいて、製造効率性は、以下を含み得る：（ｉ）欠陥、たとえば、プラズマ・プロセスにおけるプロセス破片及び電気アーキングから生じる小さい穴、の数を最小限にする、（ｉｉ）製品の色均一性を最適化する、（ｉｉｉ）たとえば頻繁な陰極クリーニング及び／又は補充に起因する、生産停止時間を最小限にする、（ｉｖ）新製品開発及び商品化サイクルを最小化する、及び（ｖｉ）予測保守を組み込むことによって機器の信頼性及び頑強性を高める。

記載されているシステム及び方法は、最適化されるべき製造プロセスにわたる様々なソースからのデータを使用し得る。いくつかの非限定的実施例又は態様において、表１は、様々なデータ・ソース及び例示的データ記憶位置からのサンプル・レートを含む、ガラス製造プロセスの様々なデータ・ソースを提供する。

いくつかの非限定的実施例又は態様において、記載されているシステム及び方法のデータ・フローは、様々なデータ・ソースから製造データを抽出すること及びクラウドベースのデータ・プラットフォームにそのデータをアップロードすることで開始し得る。データは、分析のためにプロセス規模のデータ・セットへと処理する、たとえば、検証、クリーニング、及び整理することができる。データは、クラウドベースのデータ・プラットフォームにおいて、検証されたデータ・セットに記憶され得る。データは、異なる製造及びビジネスのニーズに基づいて、分析され得る。

いくつかの非限定的実施例又は態様において、データ検証及び特徴エンジニアリングは、以下の例示的カテゴリへと分類され得る：（ｉ）一般データ・エラー、（ｉｉ）プロセス特有の及びケース特有のデータ処置、及び（ｉｉｉ）新しいプロセス変数を生み出すためのプロセス特徴エンジニアリング。第１のカテゴリにおいて、一般データ・エラーが、識別され得る。一般データ・エラーは、プロセス・データベースにおける、機械関連のデータ・エラー、非接続、シャットダウン、若しくはＳＱＬサーバ・プロセスに起因するサーバ生成計器エラー、及び／又はフラット・ファイル・データ・サーバ生成エラーを含むが、これに限定されず、計器及びコンピュータ・システムに由来し得る。そのようなデータ・エラーは、特定のデータ・ソースと関連し得る。データ・エラー、たとえば、欠測データ及び外れ値、は、自動的に修正され得る。第２のカテゴリにおいて、データ処置及びエンジニアリングが、製品セグメント化、プロセス時間遅延、プロセス・データ構成要素編成、及びプロセス動的抽出を含むが、これらに限定されない、プロセスに特有なものとして適用され得る。第３のカテゴリにおいて、新しいプロセス変数が、プロセス特徴エンジニアリングを使用して、生成され得る。新しい変数は、ＡＩモデリング及びインテリジェント・アクション生成のために必要なプロセス特徴を効果的に明らかにし得るプロセス洞察及び隠されたダイナミクスを表し得る。

いくつかの非限定的実施例又は態様において、製造プロセスは、以下の段階に従って、最適化され得る：（ｉ）データ次元変換、（ｉｉ）外れ値データ削除、（ｉｉｉ）データ・インピュテーション、及び（ｉｖ）クリーニング・サイクル・プロセス識別及び製品層属性を含む、プロセス・データ特徴エンジニアリング。

データ次元変換
製造プロセスにおいて、製品は、製品が修正、処置、組み立て、及び／又は同類のことを行われ得る様々なゾーンを通して輸送され得る。それは、製造プロセスにおける品質変数とプロセス変数との間の因果関係を決定することは有利であり得、そして、ゾーンにおける及び／又はゾーン間の速度及び／又は輸送時間遅延は、品質変数とプロセス変数との関係の正確な決定に影響し得る。たとえば、ガラス製造プロセスにおいて、品質変数とプロセス変数との間の原因と結果の決定は、ガラス・コーティング製造プロセスの本質により複雑化され得る。それぞれのライン速度を有する様々なコーティング・プロセス・セグメント（たとえば、洗浄機ゾーン、コーティング・ゾーンなど）を通してロード・エンドからガラス板が輸送されることにより、コーティング機位置又はゾーンに沿った原因と結果の正しい解釈に影響を及ぼし得る、ガラス製品品質変数及びプロセス変数の間の輸送時間遅延が、生成されることになる。記載されているシステム及び方法は、データ・マトリクスを時系列データ構造から位置次元データ構造に変換する方法を含んで、因果関係の正確な識別を提供する。

製造プロセスの最後に測定される製品品質変数と製造プロセスに沿って測定されるプロセス変数との間にタイム・ラグ（たとえば、数分）が存在し得る。ゾーン位置は、個々のゾーン・パラメータとそれらの効果、たとえば、欠陥、との関係を識別するために、示され得る。ゾーン位置は、時系列データ構造から位置次元データ構造へのデータ・マトリクス次元変換を適用することによって、示され得る。基準点が、製造プロセス内のある位置において選択され得、時間遅延が、プロセス・フローの方向に沿った位置において計算され得る。各個々のゾーンの位置は、時系列データを位置次元データへと変換するために位置に印を付けるために使用され得る。変換が実装された後、プロセス変数と品質変数との相関関係が位置依存になるように、モデリングのために使用されるデータは、時間非依存になり得る。各ゾーンのタイム・ラグ計算のための一般化された方程式は、以下でもよい：

ここで、Δｔは、ゾーンのタイム・ラグを示し、Ｌは、製品移動方向におけるゾーンの長さを示し、ｖは、ライン速度を示す。データ・マトリクス次元変換は、ライン速度の関数であると考えられ得る。

製造プロセスのすべてのゾーンにわたるタイム・ラグ補償を実装するために、時間遅延は、２つのカテゴリにおいて計算され得る：（１）個々のゾーン遅延と、（２）ゾーン遅延基準点までの品質（たとえば、欠陥）検査走査の間の時間遅延。ゾーン遅延基準点（たとえば、基準タイム・スタンプ）が、個々のゾーンにおいて定義され得る。個々のゾーンのタイム・ラグについて使用される方程式は、以下のようになり得る：
式２
ΔＫｎ＝Ｔｒ＋ｎ×Δｔ
ここで、ΔＫｎは、ゾーン数ｎの合計タイム・ラグを示し、たとえば、ｎ＝１から１０である。Ｔｒは、個々のゾーンにおける基準タイム・スタンプを示す。品質（たとえば、欠陥）検査走査位置とゾーン遅延基準点との間のタイム・ラグは、相互相関関数を使用することによって、計算され得る。

外れ値検出及び削除
外れ値は、データ・セットの観察の大部分から外れた極値を含み得る。データ・セットにおける外れ値は、偏った及び／又は誤解を与える情報でデータを汚染する危険がある。外れ値は、計器エラー、実験手順エラー、及び／又は他のヒューマン／機器エラーによって生み出される有意なデータ変更形態を示し得る。外れ値検出は、製造プロセスにおいて製品の測定されたパラメータに従って、分類され得る。ガラス・コーティングの実例において、外れ値検出は、以下を含むが、これらに限定されない、カテゴリの変数に従って、分類され得る：（ｉ）温度、（ｉｉ）生産ライン速度（製品によって異なり得る）、（ｉｉｉ）プロセス・イベント時間、（ｉｖ）電気アーキング、（ｖ）プロセス気体流、（ｖｉ）電圧、（ｖｉｉ）電流、（ｖｉｉｉ）電力、（ｉｘ）プロセス圧力、及び／又は同類のもの。

外れ値識別及び検出の第１のステップは、製品変更及びプロセス・クリーニングなどのイベントによって製造プロセスに導入され得る外れ値を決定することを含み得る。外れ値識別及び検出の第２のステップは、ロバスト統計方法を使用して外れ値にラベルを付けることを含み得る。第１のステップにおいて、システムは、電源オフ・ゾーン及び電源オン・ゾーンを識別し得る。製品変更中、異なる製造ゾーンは、電源オフ又は電源オンでもよく、そこで、電源オフ・ゾーンは、主としてゼロと等しい製品変数値を生み出す。電源オフ・ゾーンを最初にフィルタで除去せずに、ゼロ値のパラメータの余剰は、測定された統計的分布を薄める及び非対称にし得る。デジタル・フラグが、製品及びプロセス・クリーニングなどのイベントを識別するために導入され得る。第２のステップにおいて、外れ値が、たとえば、四分位範囲（ＩＱＲ：interquartile range）法を使用することによって、ラベル付けされ得る。ＩＱＲは、ミッドスプレッドとも呼ばれることがあり、第三四分位数と第一四分位数との差、又は上位四分位数と下位四分位数との差と等しい統計的ばらつきの尺度であり得る、たとえば、ＩＱＲ＝Ｑ_３－Ｑ_１。電源オフ・ゾーンを最初に調整することなしに、ＩＱＲは、電源オフ・ゾーンからのゼロ値のパラメータの余剰を所与として、外れ値として正常生産データ値を識別し得る。電源オフ・ゾーンを加味した後、ＩＱＲは、値の通常の統計的分布の外の外れ値を適切に識別することができる。

欠測データ・インピュテーション
たとえば、機器故障などのプロセス・イベントに起因して、製造プロセス・データ・セットが空であるときに、欠測データが生じ得る。欠測データ・セグメントが、十分に大きい（たとえば、許容閾値を超える）場合、欠測データは除去され得る（たとえば、空の列が削除される）。欠測データ・セグメントが十分に小さい（たとえば、許容閾値内）である場合、欠測データがインピュートされ得る。いくつかの非限定的な実施例又は態様において、欠測データ・セグメントの許容閾値は、合計データ・セットの５％に設定され得る。

欠測値インピュテーションは、以下を含み得るがこれらに限定されない１つ又は複数の変数カテゴリに従って、実行され得る：（ｉ）定数値変数、（ｉｉ）確率的変数、（ｉｉｉ）条件的変数、及び／又は同類のもの。第１のカテゴリにおいて、定数値変数（たとえば、プロセス設定点変数）は、欠測値を統計的平均データ（たとえば、可変列平均）及び／又は隣接する値（たとえば、隣接する記録からの定数値）に置き換えることによって、インピュートされ得る。第２のカテゴリにおいて、確率的変数は、データ列の間の相関関係を分析すること及び線形モデルを使用して、たとえば、データの低次元概算を使用して、推定を生成することによって、インピュートされ得る。第３のカテゴリにおいて、条件的変数は、欠測データを有する各変数が、欠測値を埋める前にデータにおける他の変数を条件的に使用して、モデル化される、連鎖方程式による多変量インピュテーション（ＭＩＣＥ：multivariate imputation by chained equation）を使用してインピュートされ得る。ＭＩＣＥは、記入値を決定するためにデータ・セットにわたる複数のパスを行うことを含み得る。

いくつかの非限定的実施例又は態様において、前のデータ記録からの定数値は、欠測データ値を有するデータ記録へとインピュートされ得る。欠測データを分解することは、機械学習モデルが連続的データ・セット（たとえば、切断されたデータ・セグメントを有さない）を必要とするときに、そのようなモデルが動作することを可能にする。

図
ここで図１を参照すると、非限定的実施例又は態様による製造プロセスを最適化するためのシステム８００が示されている。システム８００は、インクラウド・データ・アーキテクチャのプロセス・フローを含む。システム８００は、データを生成及び／又は記憶し得る１つ又は複数のコンピューティング・デバイスを含み得る、複数のデータ・ソースを含み得る。システム８００は、制御データ・ソース８０２（たとえば、センサ及び機械制御のデータを提供する）及びプロセス・データ・ソース８０４（たとえば、キー・プロセス・パラメータ制御ループのデータを提供する）を含む、複数のオン・プレミス・データ・ソース８０２、８０４を含み得る。オン・プレミス・データ・ソース８０２、８０４は、入力ストレージ・システム８１８を含み得る、クラウド計算システム（たとえば、Ｍｉｃｒｏｓｏｆｔ Ａｚｕｒｅ）と通信し得る。オン・プレミス・データ・ソース８０２、８０４は、通信ネットワーク８１６を使用して（たとえば、セルフ・ホスト型統合実行時間サービスを使用して）、クラウド計算システムと通信し得る。システム８００はさらに、リレーショナル・データベース管理システム８０６（たとえば、ＳＱＬサーバ）を含み得る。リレーショナル・データベース管理システム８０６は、生産制御データ・ソース８０８、欠陥測定データ・ソース８１０、及び分析研究室データ・ソース８１２を含み得る。リレーショナル・データベース管理システム８０６のデータ・ソース８０８、８１０、８１２は、通信ネットワーク８１６を介して入力ストレージ・システム８１８と通信し得る。システム８００はまた、通信ネットワーク８１６を介して入力ストレージ・システム８１８と通信し得る、オフライン欠陥分析データ・ソース８１４を含み得る。

システム８００は、入力ストレージ・システム８１８を含み得、そこで、１つの、複数の、又はすべての未加工データ記憶及びデータ検証プロセスが実施され得る。入力ストレージ・システム８１８は、システム・ホスト（たとえば、データ・レイク）によって操作され得る。入力ストレージ・システム８１８は、複数の入力データ表８２０及び入力データ検索表８２２を含み得る。システム８００は、出力ストレージ・システム８２４を含み得、そこで、１つの、複数の、又はすべての処理されたデータ・セット及びインテリジェント分析の結果が、履歴データ検索のために記憶され得る。入力ストレージ・システム８１８は、データ分析のために使用され得る、１つ又は複数の機械学習サービスと関連し得る。ビジネス・ケース・ベースのクリーニング・プロセス８３２の後の機械学習モデル結果８３０及びデータ・セットは、入力ストレージ・システム８１８から出力ストレージ・システム８２４に通信され得る。

ここで図２を参照すると、非限定的実施例による本明細書に記載のシステム及び方法を実装及び実行するためのコンピューティング・デバイス９００の例示的構成要素の図が示されている。コンピューティング・デバイス９００は、以下の１つ又は複数のコンピューティング・デバイスを含むが、これらに限定されない、図１のシステム８００の１つ又は複数のコンピューティング・デバイスに対応し得る：制御データ・ソース８０２、プロセス・データ・ソース８０４、リレーショナル・データベース管理システム８０６、生産制御データ・ソース８０８、欠陥測定データ・ソース８１０、分析研究室データ・ソース８１２、オフライン欠陥分析データ・ソース８１４、通信ネットワーク８１６、入力ストレージ・システム８１８、出力ストレージ・システム８２４、及び／又は前述のデバイスを制御するための１つ又は複数のシステム。いくつかの非限定的実施例において、デバイス９００は、図２に示されたものに対して付加的構成要素、より少数の構成要素、異なる構成要素、又は異なって配置された構成要素を含み得る。デバイス９００は、バス９０２、プロセッサ９０４、メモリ９０６、ストレージ構成要素９０８、入力構成要素９１０、出力構成要素９１２、及び通信インターフェース９１４を含み得る。バス９０２は、デバイス９００の構成要素間の通信を可能にする構成要素を含み得る。いくつかの非限定的実施例において、プロセッサ９０４は、ハードウェア、ファームウェア、又はハードウェア及びソフトウェアの組合せにおいて実装され得る。たとえば、プロセッサ９０４は、機能を実行するようにプログラム又は構成され得る、プロセッサ（たとえば、中央処理装置（ＣＰＵ：central processing unit）、グラフィックス・プロセッシング・ユニット（ＧＰＵ）、アクセラレイティッド・プロセッシング・ユニット（ＡＰＵ）など）、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ）、及び／又は任意の処理構成要素（たとえば、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）など）を含み得る。メモリ９０６は、プロセッサ９０４によって使用するための情報及び／又は命令を記憶する、ランダム・アクセス・メモリ（ＲＡＭ）、リード・オンリ・メモリ（ＲＯＭ）、及び／又は別のタイプの動的若しくは静的記憶デバイス（たとえば、フラッシュ・メモリ、磁気メモリ、光メモリなど）を含み得る。

続けて図２を参照すると、ストレージ構成要素９０８は、デバイス９００の動作及び使用に関連する情報及び／又はソフトウェアを記憶し得る。たとえば、ストレージ構成要素９０８は、ハード・ディスク（たとえば、磁気ディスク、光ディスク、光磁気ディスク、ソリッド・ステート・ディスクなど）及び／又は別のタイプのコンピュータ可読媒体を含み得る。入力構成要素９１０は、たとえば、ユーザ入力（たとえば、タッチ・スクリーン・ディスプレイ、キーボード、キーパッド、マウス、ボタン、スイッチ、マイクロフォンなど）を介して、情報をデバイス９００が受信することを可能にする構成要素を含み得る。加えて、又は別法として、入力構成要素９１０は、情報を検知するためのセンサ（たとえば、グローバル・ポジショニング・システム（ＧＰＳ：global positioning system）構成要素、加速度計、ジャイロスコープ、アクチュエータなど）を含み得る。出力構成要素９１２は、デバイス９００（たとえば、ディスプレイ、スピーカ、１つ又は複数の発光ダイオード（ＬＥＤ：light emitting diode）など）から出力情報を提供する構成要素を含み得る。通信インターフェース９１４は、デバイス９００が、たとえば、ワイヤード接続、ワイヤレス接続、又はワイヤード接続及びワイヤレス接続の組合せを介して、他のデバイスと通信することを可能にする送受信器のような構成要素（たとえば、送受信器、別個の受信器及び送信器など）を含み得る。通信インターフェース９１４は、デバイス９００が別のデバイスから情報を受信する及び／又は情報を別のデバイスに提供することを可能にし得る。たとえば、通信インターフェース９１４は、イーサネット（登録商標）・インターフェース、光インターフェース、同軸インターフェース、赤外線インターフェース、無線周波数（ＲＦ:radio frequency）インターフェース、ユニバーサル・シリアル・バス（ＵＳＢ:universal serial bus）インターフェース、Ｗｉ－Ｆｉ（登録商標）インターフェース、セルラ・ネットワーク・インターフェース、及び／又は同類のものを含み得る。

デバイス９００は、本明細書に記載の１つ又は複数のプロセスを実行し得る。デバイス９００は、コンピュータ可読媒体、たとえば、メモリ９０６及び／又はストレージ構成要素９０８、によって記憶されたソフトウェア命令を実行するプロセッサ９０４に基づいて、これらのプロセスを実行し得る。コンピュータ可読媒体は、任意の非一時的メモリ・デバイスを含み得る。メモリ・デバイスは、単一の物理記憶デバイスの内部に位置するメモリ空間又は複数の物理記憶デバイスにわたって広がるメモリ空間を含む。ソフトウェア命令は、通信インターフェース９１４を介して別のコンピュータ可読媒体から又は別のデバイスからメモリ９０６及び／又はストレージ構成要素９０８に読み込まれ得る。実行されるとき、メモリ９０６及び／又はストレージ構成要素９０８に記憶されたソフトウェア命令は、本明細書に記載の１つ又は複数のプロセスをプロセッサ９０４に実行させ得る。加えて、又は別法として、ハードワイヤード回路が、本明細書に記載の１つ又は複数のプロセスを実行するために、ソフトウェア命令の代わりに又はソフトウェア命令と組み合わせて使用され得る。したがって、本明細書に記載の実施例は、ハードウェア回路及びソフトウェアのいずれかの特定の組合せに限定されない。「プログラムされた又は構成された」という用語は、本明細書では、１つ又は複数のデバイスでのソフトウェア、ハードウェア回路、又はその任意の組合せの配置を参照する。

ここで図３を参照すると、非限定的実施例又は態様による製造プロセスを最適化するためのプロセス１０００が示されている。プロセス１０００の１つ又は複数のステップは、プロセス１０００の１つ又は複数の他のステップの１つ又は複数の同じコンピューティング・デバイスによって、実行され得る。プロセス１０００の１つ又は複数のステップは、通信ネットワーク８１６、入力ストレージ・システム８１８、出力ストレージ・システム８２４、及び／又は図１のシステム８００のデバイスを制御するための他のシステムの１つ又は複数のコンピューティング・デバイスによって、実行され得る。

ステップ１００２において、製造データが受信され得る。たとえば、入力ストレージ・システム８１８は、製品を製造するための製造プロセスに関連する製造データを受信し得る。製造データは、製造プロセスの１つ又は複数の段階（たとえば、生産段階、組み立て段階、処置段階など）に関連する１つ又は複数のデータ・ソースからのデータを含み得る。製造データは、１つ又は複数のプロセス・パラメータ値及び１つ又は複数の品質パラメータ値を含む、複数のパラメータの値を含み得る。プロセス・パラメータは、製造プロセスの段階の１つ又は複数の測定可能な（たとえば、値を有する）特徴及び／又は態様（たとえば、処理速度、処理温度、処理圧力など）を含み得る。品質パラメータは、製造されている製品の１つ又は複数の測定可能な（たとえば、値を有する）特徴及び／又は態様を含み得る。いくつかの非限定的実施例又は態様において、製造プロセスは、ガラス製造プロセスを含み得、製品は、コーティングされたガラス製品を含み得る。いくつかの非限定的実施例又は態様において、製造データの複数のパラメータは、以下を含み得るが、これらに限定されない：温度、イベント時間、電気アーキング、気体流、電圧、電流、電力、圧力、又はその任意の組合せ。

ステップ１００４において、時系列データ構造が生成され得る。たとえば、入力ストレージ・システム８１８は、製造データを含む時系列データ構造を生成することができ、そこで、複数のパラメータの各パラメータは、時系列データ構造における時間（たとえば、製造プロセス及び／又は製品のパラメータの測定の）に関連する。いくつかの非限定的実施例又は態様において、時系列データ構造は、各パラメータが時間列に依存し、それに従って順番に配列された、データ表でもよい。

ステップ１００６において、時系列データ構造が変換され得る。たとえば、入力ストレージ・システム８１８は、時系列データ構造を位置次元データ構造に変換し得る。変換は、複数の段階に関連するタイミング・データに基づき得る。複数のパラメータの各パラメータは、位置次元データ構造における少なくとも１つの位置に関連し得る。いくつかの非限定的実施例又は態様において、位置次元データ構造は、各パラメータが製造プロセスにおける位置に依存し、それに従って配置された、データ表でもよい。

ステップ１００８において、１つ又は複数のプロセス・パラメータ値の新しい値が決定され得る。たとえば、入力ストレージ・システム８１８は、位置次元データ構造及び少なくとも１つのアルゴリズムに基づいて、１つ又は複数のプロセス・パラメータ値の新しい値を決定し得る。少なくとも１つのアルゴリズムは、モデル（たとえば、ランダム・フォレスト・モデル、ニューラル・ネットワークなど）及び少なくとも１つのユーザ入力値に基づいて新しい値を出力するように構成された機械学習アルゴリズムを含み得る。

ステップ１０１０において、製造プロセスが最適化され得る。たとえば、入力ストレージ・システム８１８は、ステップ１００８の生成された新しい値に基づいて製造プロセスを最適化し得る。製造プロセスの最適化は、製造される製品（たとえば、その品質）又は製造される製品のボリュームの改善（たとえば、製造の経済性、未加工入力消費の削減、冗長な繰り返されるステップの削減など）を含み得る。いくつかの非限定的実施例又は態様において、入力ストレージ・システム８１８は、たとえば、１つ又は複数のプロセス制御システムの変更を行うことによって、１つ又は複数のプロセス・パラメータの変更（たとえば、プロセス・パラメータを最適化する）のための提案を生成するために、１つ又は複数の機械学習モデルを実行し得る。いくつかの非限定的実施例又は態様において、ガラス製造プロセスの最適化は、ガラス製品における欠陥（たとえば、部分的に溶けた砂粒子、小さいグラス・バブルなど）の数の削減、平板及びコーティングされたガラス製品を溶かす及び製作するためのエネルギー使用量の削減、製造廃棄物（たとえば、不合格のガラス、切り取り及び縁取りトリム損失など）の削減、ガラス厚さ分布の最適化、製品切り替え中の材料の損失の削減、棚卸し及び供給変更管理、及び／又は同類のものを含み得る。

ここで図４を参照すると、非限定的実施例又は態様による製造プロセスを最適化するためのプロセス１１００が示されている。プロセス１１００の１つ又は複数のステップは、プロセス１１００の１つ又は複数の他のステップの１つ又は複数の同じコンピューティング・デバイスによって実行され得る。プロセス１１００の１つ又は複数のステップは、通信ネットワーク８１６、入力ストレージ・システム８１８、出力ストレージ・システム８２４、及び／又は図１のシステム８００のデバイスを制御するための他のシステムの１つ又は複数のコンピューティング・デバイスによって、実行され得る。示されたプロセス１１００は、時系列データ構造を位置次元データ構造に変換する方法を表し得る。

ステップ１１０２において、複数のパラメータの各パラメータのゾーンが識別され得る。たとえば、入力ストレージ・システム８１８は、複数のパラメータの各パラメータのゾーン（たとえば、製造ゾーン）を識別し得る。ステップ１１０４において、時間遅延係数が決定され得る。たとえば、入力ストレージ・システム８１８は、各パラメータについて、パラメータのゾーンの長さ（たとえば、メートルの数）及びゾーンのライン速度（たとえば、メートル／秒の値）に基づいて時間遅延係数を決定し得る。ステップ１１０６において、位置次元データ構造が生成され得る。たとえば、入力ストレージ・システム８１８は、時系列データ構造、各パラメータのゾーン、及び各パラメータの時間遅延係数に基づいてデータ・マトリクス変換を使用して、位置次元データ構造を生成し得る。以下の表は、時間アラインメント（たとえば、表２のアラインメントの前、表３のアラインメントの後）が、ガラス・コーティングの製造プロセスにおいて実装される、データ・マトリクス変換の結果の非限定的実施例又は態様を示す。列は、コーティング・ゾーン・プロセス条件を表し、行は、リアルタイム・シリーズのタイム・スタンプを表す。

ここで図５を参照すると、非限定的実施例又は態様による製造プロセスを最適化するためのプロセス１２００が示されている。プロセス１２００の１つ又は複数のステップは、プロセス１２００の１つ又は複数の他のステップの１つ又は複数の同じコンピューティング・デバイスによって、実行され得る。プロセス１２００の１つ又は複数のステップは、通信ネットワーク８１６、入力ストレージ・システム８１８、出力ストレージ・システム８２４、及び／又は図１のシステム８００のデバイスを制御するための他のシステムの１つ又は複数のコンピューティング・デバイスによって、実行され得る。示されたプロセス１２００は、機械学習モデル及び／又はデータ・マトリクス変換プロセスへの入力のデータのクリーニング／処理の方法を表し得る。

ステップ１２０２において、１つ又は複数の外れ値が、検出され得る。たとえば、入力ストレージ・システム８１８は、時系列データ構造又は位置次元データ構造において１つ又は複数の外れ値パラメータ値を検出し得る。外れ値検出は、四分位範囲方法を使用して、実施され得る。外れ値検出は、電源オフ・ゾーン及び電源オン・ゾーンを識別することによって、容易にされ得、そこで、電源オフ・ゾーンは、データ分布を非対称にすることになるゼロのパラメータ値を生み出し得る。

ステップ１２０４において、１つ又は複数の外れ値が、取り除かれ得る。たとえば、入力ストレージ・システム８１８は、時系列データ構造又は位置次元データ構造から１つ又は複数の外れ値パラメータ値を取り除き得る。さらなる実例として、電源オフ・ゾーンのゼロ値のパラメータが、それぞれのデータ構造から取り除かれ得る。

ここで図６を参照すると、非限定的実施例又は態様による製造プロセスを最適化するためのプロセス１３００が示されている。プロセス１３００の１つ又は複数のステップは、プロセス１３００の１つ又は複数の他のステップの１つ又は複数の同じコンピューティング・デバイスによって、実行され得る。プロセス１３００の１つ又は複数のステップは、通信ネットワーク８１６、入力ストレージ・システム８１８、出力ストレージ・システム８２４、及び／又は図１のシステム８００のデバイスを制御するための他のシステムの１つ又は複数のコンピューティング・デバイスによって、実行され得る。示されたプロセス１３００は、機械学習モデル及び／又はデータ・マトリクス変換プロセスへの入力のデータのクリーニング／処理の方法を表し得る。

ステップ１３０２において、空のデータ項目のセットが識別され得る。たとえば、入力ストレージ・システム８１８は、時系列データ構造又は位置次元データ構造において空のデータ項目のセットを識別し得る。空のデータ項目のセットは、所与の時間及び／又は位置について測定されたデータを欠いている行及び／又は列の連続的セットでもよい。ステップ１３０４において、欠測データの割合が決定され得る。たとえば、入力ストレージ・システム８１８は、空のデータ項目のセットのサイズ（たとえば、行及び／又は列の数、データ・サイズなど）を時系列データ構造又は位置次元データ構造のサイズ（たとえば、セット全体の行及び／又は列、セット全体のデータ・サイズなど）と比較することによって、欠測データの割合を決定し得る。

ステップ１３０６において、欠測データの割合が所定の閾値と比較され得る。たとえば、入力ストレージ・システム８１８は、欠測データの決定された割合を所定の許容閾値（たとえば、欠測データの閾値サイズ）と比較し得る。所定の許容閾値は、機械学習モデル及び／又はユーザ入力によって決定され得る。所定の許容閾値は、超えられた場合に、欠測データ項目行及び／又は列が、インピュートされたデータで埋められるのではなくて、削除されるべきであることを示す、欠測データの閾値サイズを表し得る。いくつかの非限定的実施例又は態様において、所定の許容閾値は、５％であってよい（たとえば、欠測データは、時系列データ構造又は位置次元データ構造の５％未満でもよい）。

ステップ１３０８において、欠測データの割合が所定の許容閾値を満たす（たとえば、未満である、以下である、など）ことに応答して、欠測データはインピュートされ得る。たとえば、入力ストレージ・システム８１８は、空のデータ項目のセットにデータをインピュートし得る。いくつかの非限定的実施例又は態様において、隣接する（たとえば、前の、次の）データ記録（たとえば、行及び／又は列）からの定数値が、欠測データ値を有するデータ記録へとインピュートされ得る。加えて又は別法として、機械学習モデルは、履歴データに基づいて空のデータ項目のセットの欠測値を予測し得る。

ステップ１３１０において、欠測データの割合が所定の許容閾値を満たさない（たとえば、より大きい、以上である、など）ことに応答して、空のデータ項目のセットが削除され得る。たとえば、入力ストレージ・システム８１８は、空のデータ項目のセットを時系列データ構造又は位置次元データ構造から削除し得る。

実施例は、例示を目的として詳細に説明されているが、そのような詳細は単に例示を目的としていること、及び、本開示は、開示された実施例に限定されず、それどころか、添付の特許請求の範囲の趣旨及び範囲内にある変更形態及び同等の配置を包含するものであることが、理解されるべきである。たとえば、本開示は、任意の実施例の１つ又は複数の特徴は任意の他の実施例の１つ又は複数の特徴と結合され得ることを可能な限り企図しているということが、理解されるべきである。

Claims (15)

1. 製造プロセスを最適化するためのコンピュータ実施方法であって、
   製品を製造するための製造プロセスに関連する製造データを、少なくとも１つのプロセッサで、受信することであって、前記製造データが、前記製造プロセスの複数の段階に関連する複数のデータ・ソースからのデータを含み、前記製造データが、少なくとも１つのプロセス・パラメータ値及び少なくとも１つの品質パラメータ値を含む複数のパラメータの値を含む、受信することと、
   前記製造データを含む時系列データ構造を、少なくとも１つのプロセッサで、生成することであって、前記複数のパラメータの各パラメータが、前記時系列データ構造における時間と関連している、生成することと、
   前記複数の段階に関連するタイミング・データに基づいて、少なくとも１つのプロセッサで、前記時系列データ構造を位置次元データ構造に変換することであって、前記複数のパラメータの各パラメータが、少なくとも１つの位置に関連している、変換することと、
   前記位置次元データ構造及び少なくとも１つのアルゴリズムに基づいて、前記少なくとも１つのプロセス・パラメータ値の新しい値を、少なくとも１つのプロセッサで、決定することと、
   前記新しい値に基づいて前記製造プロセスを最適化することと
   を含む、コンピュータ実施方法。
2. 前記時系列データ構造を前記位置次元データ構造に変換することが、
   前記複数のパラメータの各パラメータのゾーンを、少なくとも１つのプロセッサで、識別することと、
   各パラメータについて、前記パラメータの前記ゾーンの長さ及び前記ゾーンのライン速度に基づいて時間遅延係数を決定することと、
   前記時系列データ構造、各パラメータの前記ゾーン、及び各パラメータの前記時間遅延係数に基づいてデータ・マトリクス変換を使用して前記位置次元データ構造を、少なくとも１つのプロセッサで、生成することと
   を含む、請求項１に記載のコンピュータ実施方法。
3. 前記製造プロセスが、ガラス製造プロセスを含み、前記製品が、コーティングされたガラス製品を含む、請求項１又は２に記載のコンピュータ実施方法。
4. 前記複数のパラメータが、温度、イベント時間、電気アーキング、気体流、電圧、電流、電力、圧力、又はその任意の組合せを含む、請求項３に記載のコンピュータ実施方法。
5. 前記時系列データ構造又は前記位置次元データ構造において少なくとも１つの外れ値パラメータ値を、少なくとも１つのプロセッサで、検出することと、
   前記少なくとも１つの外れ値パラメータ値を、少なくとも１つのプロセッサで、取り除くことと
   をさらに含む、請求項１から４までのいずれかに記載のコンピュータ実施方法。
6. 前記少なくとも１つのアルゴリズムが、モデル及び少なくとも１つのユーザ入力値に基づいて前記新しい値を出力するように構成された機械学習アルゴリズムを含む、請求項１から５までのいずれかに記載のコンピュータ実施方法。
7. 前記時系列データ構造又は前記位置次元データ構造において空のデータ項目のセットを、少なくとも１つのプロセッサで、識別することと、
   前記空のデータ項目のセットのサイズを前記時系列データ構造又は前記位置次元データ構造のサイズと比較することによって欠測データの割合を、少なくとも１つのプロセッサで、決定することと、
   前記欠測データの割合を所定の許容閾値と、少なくとも１つのプロセッサで、比較すること
   をさらに含む、請求項１から６までのいずれかに記載のコンピュータ実施方法。
8. 前記欠測データの割合が前記所定の許容閾値を満たしていないことに応答して、前記空のデータ項目のセットを前記時系列データ構造又は前記位置次元データ構造から削除することをさらに含む、請求項７に記載のコンピュータ実施方法。
9. 前記欠測データの割合が前記所定の許容閾値を満たしていることに応答して、前記空のデータ項目のセットにデータをインピュートすることをさらに含む、請求項７又は８に記載のコンピュータ実施方法。
10. 製造プロセスを最適化するためのシステムであって、
    製品を製造するための製造プロセスに関連する製造データを受信することであって、前記製造データが、前記製造プロセスの複数の段階に関連する複数のデータ・ソースからのデータを含み、前記製造データが、少なくとも１つのプロセス・パラメータ値及び少なくとも１つの品質パラメータ値を含む複数のパラメータの値を含む、受信することと、
    前記製造データを含む時系列データ構造を生成することであって、前記複数のパラメータの各パラメータが前記時系列データ構造における時間と関連している、生成することと、
    前記複数の段階に関連するタイミング・データに基づいて前記時系列データ構造を位置次元データ構造に変換することであって、前記複数のパラメータの各パラメータが、少なくとも１つの位置に関連している、変換することと、
    前記位置次元データ構造及び少なくとも１つのアルゴリズムに基づいて前記少なくとも１つのプロセス・パラメータ値の新しい値を決定することと、
    前記新しい値に基づいて前記製造プロセスを最適化することと
    を行うようにプログラム又は構成された少なくとも１つのプロセッサ
    を備える、システム。
11. 前記時系列データ構造を前記位置次元データ構造に変換することが、
    前記複数のパラメータの各パラメータのゾーンを識別することと、
    各パラメータについて、前記パラメータの前記ゾーンの長さ及び前記ゾーンのライン速度に基づいて時間遅延係数を決定することと、
    前記時系列データ構造、各パラメータの前記ゾーン、及び各パラメータの前記時間遅延係数に基づいてデータ・マトリクス変換を使用して前記位置次元データ構造を生成することと
    を含む、請求項１０に記載のシステム。
12. 前記複数のパラメータが、温度、イベント時間、電気アーキング、気体流、電圧、電流、電力、圧力、又はその任意の組合せを含む、請求項１０又は１１に記載のシステム。
13. 前記少なくとも１つのプロセッサがさらに、
    前記時系列データ構造又は前記位置次元データ構造において少なくとも１つの外れ値パラメータ値を検出することと、
    前記少なくとも１つの外れ値パラメータ値を取り除くことと
    を行うようにプログラムされた又は構成された、請求項１０から１２までのいずれかに記載のシステム。
14. 製造プロセスを最適化するためのコンピュータ・プログラム製品であって、プログラム命令を含む少なくとも１つの非一時的コンピュータ可読媒体を備え、前記プログラム命令は、少なくとも１つのプロセッサによって実行されたとき、
    製品を製造するための製造プロセスに関連する製造データを受信することであって、前記製造データが、前記製造プロセスの複数の段階に関連する複数のデータ・ソースからのデータを含み、前記製造データが、少なくとも１つのプロセス・パラメータ値及び少なくとも１つの品質パラメータ値を含む複数のパラメータの値を含む、受信することと、
    前記製造データを含む時系列データ構造を生成することであって、前記複数のパラメータの各パラメータが前記時系列データ構造における時間と関連している、生成することと、
    前記複数の段階に関連するタイミング・データに基づいて前記時系列データ構造を位置次元データ構造に変換することであって、前記複数のパラメータの各パラメータが、少なくとも１つの位置に関連している、変換することと、
    前記位置次元データ構造及び少なくとも１つのアルゴリズムに基づいて前記少なくとも１つのプロセス・パラメータ値の新しい値を決定することと、
    前記新しい値に基づいて前記製造プロセスを最適化することと
    を、前記少なくとも１つのプロセッサに行わせる、コンピュータ・プログラム製品。
15. 前記時系列データ構造を前記位置次元データ構造に変換することが、
    前記複数のパラメータの各パラメータのゾーンを識別することと、
    各パラメータについて、前記パラメータの前記ゾーンの長さ及び前記ゾーンのライン速度に基づいて時間遅延係数を決定することと、
    前記時系列データ構造、各パラメータの前記ゾーン、及び各パラメータの前記時間遅延係数に基づいてデータ・マトリクス変換を使用して前記位置次元データ構造を生成することと
    を含む、請求項１４に記載のコンピュータ・プログラム製品。

Images