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
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 Download PDFInfo
- Publication number
- JP2023518055A JP2023518055A JP2022555745A JP2022555745A JP2023518055A JP 2023518055 A JP2023518055 A JP 2023518055A JP 2022555745 A JP2022555745 A JP 2022555745A JP 2022555745 A JP2022555745 A JP 2022555745A JP 2023518055 A JP2023518055 A JP 2023518055A
- Authority
- JP
- Japan
- Prior art keywords
- data
- data structure
- parameter
- manufacturing
- time
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 162
- 238000004590 computer program Methods 0.000 title claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 102
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 230000001131 transforming effect Effects 0.000 claims abstract description 17
- 239000011521 glass Substances 0.000 claims description 26
- 238000005816 glass manufacturing process Methods 0.000 claims description 26
- 238000010801 machine learning Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 8
- 239000000047 product Substances 0.000 description 46
- 238000003860 storage Methods 0.000 description 46
- 238000004891 communication Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 12
- 230000007547 defect Effects 0.000 description 10
- 238000000576 coating method Methods 0.000 description 8
- 238000004140 cleaning Methods 0.000 description 7
- 239000011248 coating agent Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000013450 outlier detection Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000001934 delay Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000012356 Product development Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013070 change management Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000005357 flat glass Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
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]
- G05B19/41865—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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- G05B2219/32015—Optimize, process management, optimize production line
-
- 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
- G05B2219/32177—Computer assisted quality surveyance, caq
-
- 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
- G05B2219/32291—Task sequence optimization
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/40—Minimising material used in manufacturing processes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Manufacturing & Machinery (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrical Discharge Machining, Electrochemical Machining, And Combined Machining (AREA)
- Preparing Plates And Mask In Photomechanical Process (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Optical Communication System (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Drying Of Semiconductors (AREA)
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。
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。
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。
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。
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=Q3-Q1。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。
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。
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)
- 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。 - 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。 - 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。
- 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。
- 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。 - 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。
- 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。 - 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。
- 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。
- 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。 - 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。 - 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。
- 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。 - 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。 - 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。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202062990260P | 2020-03-16 | 2020-03-16 | |
US62/990,260 | 2020-03-16 | ||
US17/175,785 US11698628B2 (en) | 2020-03-16 | 2021-02-15 | System, method, and computer program product for optimizing a manufacturing process |
US17/175,785 | 2021-02-15 | ||
PCT/US2021/022341 WO2021188426A1 (en) | 2020-03-16 | 2021-03-15 | System, method, and computer program product for optimizing a manufacturing process |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023518055A true JP2023518055A (ja) | 2023-04-27 |
Family
ID=77664929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022555745A Pending JP2023518055A (ja) | 2020-03-16 | 2021-03-15 | 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 |
Country Status (12)
Country | Link |
---|---|
US (2) | US11698628B2 (ja) |
EP (1) | EP4121915A1 (ja) |
JP (1) | JP2023518055A (ja) |
KR (1) | KR20220154191A (ja) |
CN (1) | CN115380295A (ja) |
AU (1) | AU2021236602A1 (ja) |
BR (1) | BR112022017613A2 (ja) |
CA (1) | CA3170771A1 (ja) |
CO (1) | CO2022014596A2 (ja) |
IL (1) | IL296301A (ja) |
MX (1) | MX2022011501A (ja) |
WO (1) | WO2021188426A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20240086144A (ko) * | 2022-12-09 | 2024-06-18 | 주식회사 엑셈 | 전력 사용량 데이터를 처리하는 방법 및 이를 구현하는 서버 |
CN116822998B (zh) * | 2023-08-30 | 2023-11-14 | 山东太祥阀门有限公司 | 一种基于大数据的全焊接球阀生产数据分析方法 |
CN117689086B (zh) * | 2024-02-02 | 2024-04-26 | 山东国泰民安玻璃科技有限公司 | 一种中硼硅玻璃瓶的生产参数优化方法、设备及介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB9813454D0 (en) * | 1998-06-23 | 1998-08-19 | Northern Telecom Ltd | Dynamic prediction for process control |
JP2006173373A (ja) * | 2004-12-16 | 2006-06-29 | Renesas Technology Corp | 半導体製品の製造システム |
KR102205682B1 (ko) * | 2012-08-15 | 2021-01-21 | 노바 메주어링 인스트루먼츠 엘티디. | 인-시추 측정을 위한 광학 계측 |
CN104732067A (zh) * | 2015-02-26 | 2015-06-24 | 济南大学 | 一种面向流程对象的工业过程建模预测方法 |
US10866584B2 (en) | 2016-05-09 | 2020-12-15 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data processing in an industrial internet of things data collection environment with large data sets |
US11327475B2 (en) | 2016-05-09 | 2022-05-10 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for intelligent collection and analysis of vehicle data |
US10832196B2 (en) | 2018-08-31 | 2020-11-10 | Kinaxis Inc. | Analysis and correction of supply chain design through machine learning |
CN109711714B (zh) * | 2018-12-24 | 2023-01-10 | 浙江大学 | 基于并联长短期记忆网络的制造装配产品质量预测方法 |
CN110263972B (zh) * | 2019-05-15 | 2021-02-09 | 北京航空航天大学 | 产品质量预测方法及装置 |
-
2021
- 2021-02-15 US US17/175,785 patent/US11698628B2/en active Active
- 2021-03-15 AU AU2021236602A patent/AU2021236602A1/en active Pending
- 2021-03-15 JP JP2022555745A patent/JP2023518055A/ja active Pending
- 2021-03-15 EP EP21716922.6A patent/EP4121915A1/en active Pending
- 2021-03-15 MX MX2022011501A patent/MX2022011501A/es unknown
- 2021-03-15 KR KR1020227035577A patent/KR20220154191A/ko unknown
- 2021-03-15 BR BR112022017613A patent/BR112022017613A2/pt unknown
- 2021-03-15 IL IL296301A patent/IL296301A/en unknown
- 2021-03-15 CA CA3170771A patent/CA3170771A1/en active Pending
- 2021-03-15 WO PCT/US2021/022341 patent/WO2021188426A1/en active Application Filing
- 2021-03-15 CN CN202180021720.4A patent/CN115380295A/zh active Pending
-
2022
- 2022-10-14 CO CONC2022/0014596A patent/CO2022014596A2/es unknown
-
2023
- 2023-06-12 US US18/208,558 patent/US20230324888A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
KR20220154191A (ko) | 2022-11-21 |
AU2021236602A1 (en) | 2022-09-29 |
IL296301A (en) | 2022-11-01 |
US11698628B2 (en) | 2023-07-11 |
CN115380295A (zh) | 2022-11-22 |
US20210286341A1 (en) | 2021-09-16 |
WO2021188426A1 (en) | 2021-09-23 |
BR112022017613A2 (pt) | 2022-10-18 |
MX2022011501A (es) | 2022-10-07 |
CO2022014596A2 (es) | 2022-10-31 |
US20230324888A1 (en) | 2023-10-12 |
EP4121915A1 (en) | 2023-01-25 |
CA3170771A1 (en) | 2021-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2023518055A (ja) | 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 | |
Christou et al. | End-to-end industrial IoT platform for Quality 4.0 applications | |
JP7471312B2 (ja) | センサ計測データ統合 | |
US10599982B2 (en) | Internet of things based determination of machine reliability and automated maintainenace, repair and operation (MRO) logs | |
JP2020500420A (ja) | マシンラーニング基盤の半導体製造の収率予測システム及び方法 | |
Kim et al. | Analysis of long flow lines with quality and operational failures | |
CN107644297B (zh) | 一种电机系统节能量计算和验证方法 | |
Seraj et al. | Analytical research of artificial intelligent models for machining industry under varying environmental strategies: An industry 4.0 approach | |
US20220260978A1 (en) | Part, sensor, and metrology data integration | |
CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
Du et al. | An integrated system for on-line intelligent monitoring and identifying process variability and its application | |
Guo et al. | Power demand forecasting and application based on SVR | |
Hua et al. | A zero-shot prediction method based on causal inference under non-stationary manufacturing environments for complex manufacturing systems | |
CN110889260A (zh) | 用于侦测工艺参数的方法及装置、电子设备和计算机可读介质 | |
Celik et al. | Sequential Monte Carlo-based fidelity selection in dynamic-data-driven adaptive multi-scale simulations | |
Abd Elnaby et al. | Improving plastic manufacturing processes with the integration of Six Sigma and machine learning techniques: a case study | |
Mathumitha et al. | Intelligent deep learning techniques for energy consumption forecasting in smart buildings: a review | |
CN110874601A (zh) | 识别设备运行状态的方法、状态识别模型训练方法及装置 | |
Marcellus | Bayesian statistical process control | |
Shi | Data fusion for in-process quality improvement | |
Tin et al. | Incoming Work‐In‐Progress Prediction in Semiconductor Fabrication Foundry Using Long Short‐Term Memory | |
Fu | Dynamic Modeling of Influencing Factors and Change Trend of College Students' Mental Health Based on Big Data | |
TWI821666B (zh) | 服務管理系統及服務資訊流程的調適方法 | |
CN107562553A (zh) | 数据中心管理方法和设备 | |
Liu et al. | Grey Duane model for reliability growth prediction under small sample uncertain failure data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240209 |