JP7389510B2 - 製造工程のための予測工程管理 - Google Patents

Description

関連出願の相互参照
本出願は、２０１９年７月２３日に出願された「ＰＲＥＤＩＣＴＩＶＥ ＰＲＯＣＥＳＳ ＣＯＮＴＲＯＬ ＦＯＲ Ａ ＭＡＮＵＦＡＣＴＵＲＩＮＧ ＰＲＯＣＥＳＳ」という名称の米国特許出願第１６／５１９，１０２号の優先権を主張し、当該米国特許出願は、２０１９年６月２４日に出願された「ＳＹＳＴＥＭＳ， ＡＰＰＡＲＡＴＵＳ ＡＮＤ ＭＥＴＨＯＤＳ ＦＯＲ ＰＲＥＤＩＣＴＩＶＥ ＰＲＯＣＥＳＳ ＣＯＮＴＲＯＬ ＯＦ ＴＨＥ ＭＡＮＵＦＡＣＴＵＲＩＮＧ ＰＲＯＣＥＳＳ」という名称の米国仮特許出願第６２／８６５，８５９号の利益を主張し、これらの全体の内容が参照により本明細書に全体として組み込まれる。

１．技術分野
本開示は、一般的に、製造工程の予測工程管理（ＰＰＣ：ｐｒｅｄｉｃｔｉｖｅ ｐｒｏｃｅｓｓ ｃｏｎｔｒｏｌ）のためのシステム、装置および方法に関する。より詳細には、本技術は製造工程への改良点を提供し、特に、機械学習モデルを使用して行われる予測に基づいて、製造工程におけるさまざまなステーションを適応的に管理するため、および最終製造製品および工程を最適化するためのシステムおよび方法を包含する。以下でさらに詳細に説明するように、本技術のいくつかの態様は、機械学習モデルを訓練するためのシステムおよび方法を包含する。

２．はじめに
所望される設計仕様を常に満たす製品を安全に、適時におよび無駄を最小限にして製造することは、製造工程に対する一定の監視および調整を必要とする。

いくつかの態様では、開示される技術は、製造工程を監視および改良するための深層学習コントローラの使用に関する。いくつかの実施形態では、開示される技術は、深層学習コントローラで２つ以上のステーションから複数の管理値を受信して、管理値が製造工程内に配備された２つ以上のステーションで生成されるステップと、深層学習コントローラによって、管理値に基づいて、製造物品の中間または最終出力を予測するステップと、深層学習コントローラによって、製造物品に対する予測された中間または最終出力仕様が仕様内にあるかどうかを判定するステップと、深層学習コントローラによって、製造物品に対する予測された中間または最終出力が仕様内にない場合に１つまたは複数の管理入力を生成して、１つまたは複数の管理入力は、製造物品に対する中間または最終出力が仕様内となるように構成されるステップと、を含む、コンピュータ実装された方法を包含する。

別の実施形態では、開示される技術は、１つまたは複数のプロセッサと、１つまたは複数のプロセッサによって実行されるときに、１つまたは複数のプロセッサに動作を実行させる命令を記憶する非一時的メモリと、を備えるシステムであって、動作が、深層学習コントローラで２つ以上のステーションから複数の管理値を受信して、管理値が製造工程内に配備された２つ以上のステーションで生成されることと、深層学習コントローラによって、管理値に基づいて、製造物品の中間または最終出力を予測することと、深層学習コントローラによって、製造物品に対する予測された中間または最終出力が仕様内にあるかどうかを判定することと、深層学習コントローラによって、製造物品に対する予測された中間または最終出力が仕様内にない場合に１つまたは複数の管理入力を生成して、１つまたは複数の管理入力が、製造物品に対する中間または最終出力が仕様内となるように構成されることと、を含む、システムを包含する。

さらに別の実施形態では、開示される技術は、１つまたは複数のプロセッサによって実行されるときに、１つまたは複数のプロセッサに動作を実行させる命令が記憶された非一時的コンピュータ可読記憶媒体であって、動作が、深層学習コントローラで２つ以上のステーションから複数の管理値を受信して、管理値が製造工程内に配備された２つ以上のステーションで生成されることと、深層学習コントローラによって、管理値に基づいて、製造物品の中間または最終出力を予測することと、深層学習コントローラによって、製造物品に対する予測された中間または最終出力が仕様内にあるかどうかを判定することと、深層学習コントローラによって、製造物品に対する予測された中間または最終出力が仕様内にない場合に１つまたは複数の管理入力を生成して、１つまたは複数の管理入力は、製造物品に対する中間または最終出力が仕様内となるように構成されることと、を含む、非一時的コンピュータ可読記憶媒体を包含する。

本開示の上記および他の利点および特徴を得ることができる手法を説明するため、添付図面に示されるその具体的実施形態を参照することにより、上記で簡潔に記載された原理のより詳細な説明をする。これらの図面は本開示の例示的な実施形態のみを図示し、したがってその範囲に関して限定的と考慮されてはならないと理解した上で、本明細書に記載の原理が、添付図面を使用して追加的な具体性および詳細とともに記載および説明される。

統計的工程管理（ＳＰＣ：Ｓｔａｔｉｓｔｉｃａｌ Ｐｒｏｃｅｓｓ Ｃｏｎｔｒｏｌ）を使用してステーションを管理するための例示的なプロセスを示す図である。

予測工程管理（ＰＰＣ）のために構成された深層学習コントローラの例示的な実施形態を示す図である。

深層学習コントローラを訓練する例示的な方法を示す図である。

予測工程管理を実装する例示的な方法を示す図である。

予測工程管理を使用してロバストなデータ訓練セットを作成する例示的な方法を示す図である。

予測工程管理を使用して製造工程を最適化する例示的な方法を示す図である。

予測工程管理を使用して製造工程を最適化する実際のアプリケーションを示す図である。

データ出力を記録・蓄積する（ロギングする）および作成する例示的な方法を示す図である。

予測工程管理を実装することができる深層学習コントローラの実施形態の一般的構成を示す図である。

以下に記載する詳細な説明は、本技術のさまざまな構成の説明を意図しており、本技術を実施可能な唯一の構成を表すことを意図していない。添付図面は本明細書に組み込まれ、詳細な説明の一部を構成する。詳細な説明は、本技術のより十分な理解を提供する目的の具体的な詳細を含む。しかし、本技術が本明細書に記載された具体的詳細に限定されずこれらの詳細なしに実施可能であることは明白かつ明瞭である。いくつかの実例では、構造および構成要素は、本技術の概念を曖昧にすることを避けるためにブロック図形式で示される。

製造管理における画像分類の使用に関する追加的な詳細が、「ＤＥＰＬＯＹＭＥＮＴ ＯＦ ＡＮ ＩＭＡＧＥ ＣＬＡＳＳＩＦＩＣＡＴＩＯＮ ＭＯＤＥＬ ＯＮ Ａ ＳＩＮＧＬＥ－ＢＯＡＲＤ ＣＯＭＰＵＴＥＲ ＦＯＲ ＭＡＮＵＦＡＣＴＵＲＩＮＧ ＣＯＮＴＲＯＬ」という名称の米国仮特許出願第６２／８３６，２０２号によって提供されており、これは参照により本明細書に全体として組み込まれる。

組立て／製造動作を最適化する計算モデルの使用者に関する追加的な詳細が、「Ａ ＣＯＭＰＵＴＡＴＩＯＮ ＭＯＤＥＬ ＦＯＲ ＤＥＣＩＳＩＯＮ－ＭＡＫＩＮＧ ＡＮＤ ＡＳＳＥＭＢＬＹ ＯＰＴＩＭＩＺＡＴＩＯＮ ＩＮ ＭＡＮＵＦＡＣＴＵＲＩＮＧ」という名称の米国仮特許出願第６２／８３６，１９２号、および「ＤＹＮＡＭＩＣ ＴＲＡＩＮＩＮＧ ＦＯＲ ＡＳＳＥＭＢＬＹ ＬＩＮＥＳ」という名称の米国特許出願第１６／２８９，４２２号によって提供されており、これらは両方とも参照により本明細書に全体として組み込まれる。

製造工程は複雑であり、最終製品（本明細書において「最終出力」と称する）が生産されるまで、相異なる工程ステーション（または「ステーション」）によって原材料が処理されることを含む。最終工程ステーションを除いて、各工程ステーションは処理のための入力を受け取って中間出力を出力し、それが追加的な処理のために後続（下流）の工程ステーションに渡される。最終工程ステーションは処理のための入力を受け取り、最終出力を出力する。

各工程ステーションは、受け取った原材料（これは製造工程内の第１のステーションまたは後続のステーションのうちのいずれかに適用可能である）および／または前のステーションから受け取った出力（これは製造工程内の後続のステーションのうちのいずれかに適用される）に対して工程ステップのセットを実行する１つまたは複数の工具／機器を含み得る。工程ステーションの例は、コンベアベルト、射出成形機、切削機、型プレス加工機、押出し成形機、ＣＮＣフライス盤、研削盤、組立てステーション、３Ｄプリンタ、品質管理および検証ステーションを含み得るが、これらに限定されない。例示的な工程ステップは、（コンベアベルトによって実行されるように）ある場所から別の場所に出力を輸送すること；（射出成形機によって実行されるように）材料を押出し成形機に供給し、材料を溶解し、モールドキャビティを通じて材料を射出し、そこで材料を冷却しキャビティの形態に硬化すること；（切削機によって実行されるように）材料を特定の形状または長さに切削すること；（型プレス加工機によって実行されるように）材料を特定の形状にプレス加工することを含み得る。

いくつかの製造工程では、数個の工程ステーションが並列に動作し得る。換言すれば、単一の工程ステーションがその中間出力を１つまたは複数のステーション（例えば１～Ｎ個のステーション）に送ることができ、単一の工程ステーションが１～ｎ個のステーションから中間出力を受け取り、組み合わせることができる。さらに、単一の工程ステーションが製造工程の単一の反復中に受け取った原材料または中間出力に対して順次的または非順次的に同じ工程ステップまたは異なる工程ステップを実行することができる。

各工程ステーションの動作は、１つまたは複数の工程コントローラによって統制され得る。ある実装では、各工程ステーションが、その工程ステーションの動作を管理するようにプログラムされた（そのプログラミングアルゴリズムを本明細書において「管理アルゴリズム」と称する）１つまたは複数の工程コントローラ（本明細書において「ステーションコントローラ」と称する）を有する。しかし、いくつかの態様では、単一の工程コントローラが２つ以上の工程ステーションの動作を管理するように構成されてもよい。

オペレータ、または管理アルゴリズムは、各管理値に対する所望される値または値の範囲を表すステーションコントローラ設定ポイント（または「設定ポイント」または「コントローラ設定ポイント」またはＣＳＰ（ｃｏｎｔｒｏｌｌｅｒ ｓｅｔｐｏｉｎｔ））をステーションコントローラに提供することができる。ステーションの動作中に測定され得るステーションの工具／機器／工程ステップに関連づけられた属性／パラメータは、管理値またはステーション値のいずれかである。測定された属性／パラメータもまたステーションを管理するために使用される場合、それらは「管理値」である。そうでない場合、測定された属性／パラメータは「ステーション値」である。管理値またはステーション値の例は、速さ、温度、圧力、真空度、回転、電流、電圧、電力、粘性、ステーションで使用される材料／リソース、スループットレート、停止時間、有毒ガス、ステーションで実行されるステップのタイプおよびステップの順序を含むが、これらに限定されない。例は同じであるが、測定された属性／パラメータが管理値またはステーション値のいずれと考慮されるかは、個々のステーションに、および測定された属性／パラメータがステーションを管理するために使用されるかそれともステーションの動作の単なる副産物であるかに依存する。

管理アルゴリズムは、管理値を監視し、管理値を対応する設定ポイントと比較し、管理値が対応するステーションコントローラ設定ポイントに等しくない（またはその所定の範囲内にない）ときにいかなる処置をとるべきかを決定する命令をも含み得る。例えば、ステーションに対する温度の測定された現在値が設定ポイントよりも低い場合、ステーションに対する現在値の温度が設定ポイントに等しくなるまでステーションに対する熱源の温度を上昇させるために信号がステーションコントローラによって送信されてもよい。ステーションを管理するために製造工程内で使用される従来の工程コントローラは限られているが、その理由は、設定ポイントを調整し、管理値が設定ポイントからずれたときにいかなる処置をとるべきかを規定するための静的なアルゴリズム（例えば、オン／オフ管理、ＰＩ管理、ＰＩＤ管理、リード／ラグ管理）に従っているためである。従来の工程コントローラはまた、周囲条件（例えば、外部温度、湿度、露光、ステーションの摩耗）、ステーション値、中間または最終出力値、他の工程ステーションからのフィードバックなどの非管理値を分析し、関連するステーションの動作を管理するステーションコントローラの設定ポイントまたは管理アルゴリズムに対して動的な調整を行うための能力が、あったとしても限定されている。

本明細書で使用される工程値は、製造工程を構成するステーションの系列全体（またはステーションのサブセット）にわたって集計または平均されたステーション値または管理値を指す。工程値は、例えば、全スループット時間、全使用リソース、平均温度、平均速さを含み得る。

ステーション値および工程値に加えて、工程ステーションの製品出力（すなわち、中間出力または最終出力）のさまざまな特性、例えば、温度、重量、製品寸法、機械的、化学的、光学的および／または電気的性質、設計欠陥の数、欠陥タイプの有無が測定され得る。測定可能なさまざまな特性を一般的に「中間出力値」または「最終出力値」と称する。中間／最終出力値は、中間／最終出力値の単一の測定された特性、または所定の公式に従って測定および計量された中間／最終出力値に関連づけられた特性の指定されたセットに基づく全体的スコアを反映することができる。

機械的性質は、硬度、圧縮、粘着性、密度および重量を含み得る。光学的性質は、吸収、反射、透過、および屈折を含み得る。電気的性質は、電気抵抗率および伝導率を含み得る。化学的性質は、生成エンタルピー、毒性、所与の環境における化学的安定性、可燃性（燃えやすさ）、好適な酸化状態、ｐＨ（酸性／アルカリ性）、化学組成、沸点、蒸気点）を含み得る。開示される機械的、光学的、化学的および電気的性質は単なる例であり、限定的であることを意図していない。

図１に示すように、工程ステーションの中間出力に対する値および製造工程によって生産される最終出力に対する値は、統計的工程管理（ＳＰＣ）に従って評価され得る。統計を使用して、ＳＰＣは、ステーションごとに、（１）ある期間にわたりステーションによって生成される中間出力または最終出力の値と、（２）中間出力または最終出力の値の平均および平均からの標準偏差と、を追跡する。例えば、図１は、特定のステーションに対する中間出力値を示している。各ドットは、ステーションによって生産される中間出力およびその値を表し、平均（中間の黒線で表す）からのドットの距離は、その特定のステーションに対する平均から中間出力値がどの程度ずれているかを示す。上方および下方管理限界（ＵＣＬ：ｕｐｐｅｒ ｃｏｎｔｒｏｌ ｌｉｍｉｔおよびＬＣＬ：ｌｏｗｅｒ ｃｏｎｔｒｏｌ ｌｉｍｉｔ）が特定のステーションに対して定義され得る（例えば、平均の上方または下方に１つまたは複数の標準偏差）。図１は、上方および下方管理限界が平均の上方および下方の３標準偏差に設定されることを示している（破線で表す）。上方および下方管理限界は、中間／最終出力値に対して定義される上方および下方仕様限界（ＵＳＬ：ｕｐｐｅｒ ｓｐｅｃｉｆｉｃａｔｉｏｎ ｌｉｍｉｔおよびＬＳＬ：ｌｏｗｅｒ ｓｐｅｃｉｆｉｃａｔｉｏｎ ｌｉｍｉｔ）よりも通常は狭い。

いくつかの態様では、中間出力および／または最終出力に対する統計値を使用して、いつ製造物品が「仕様内」となるか、すなわち出力がある事前に指定された設計要件をいつ達成するかについて判定することができる。したがって、仕様内は、指定された設計要件または要件のセットを満たすかまたは超過する製造物品または製造物品の特性を指すことができる。例として、仕様内とみなされる製造物品は、理想またはアベレージ（平均）値からのずれが受容可能であるなどの、指定された統計要件を達成する製造物品であってもよい。

中間／最終出力に対する値が上方および下方管理限界の範囲内にある限り、工程ステーション／全体的工程が管理内と考慮され、典型的には、介入または補正処置はとられない。介入または補正処置は、典型的には、中間／最終出力に対する値が当該測定に対して定義される上方または下方管理限界を超過するときにとられる。しかし、ＳＰＣ管理は、上方／下方管理限界を超過するときにのみ介入／補正が行われるため、製造工程を改良または最適化することへの効果は限定的である。工程が管理内であるときには、調整は通常は行われない。さらに、ＳＰＣは単一のステーションを単独で評価し、多くのステーションにわたる傾向または最終製品に対する数個のステーションの影響を考慮しない。

したがって、各ステーションの入力および出力を個別に、ならびに製造工程内の他のステーションの他の入力および出力とともに考慮して、ステーションコントローラへの入力を高度に動的に調整することで、関連するステーションの動作をより良好に管理することができる新規なメカニズムが必要とされる。特に、製造工程を最適化する入力を予測して仕様内最終出力を生産するための新規なメカニズムが必要とされる。また、最終出力の設計および製造工程を改良する入力を予測するための新規なメカニズムも必要とされる。さらに、製造工程および最終出力におけるばらつきを減少させるための新規なメカニズムが必要とされる。

開示される技術の態様は、進行中の製造工程を中断することなく製造工程および結果として得られる製造製品を漸進的に改良するメカニズム（これはシステム、方法、デバイス、装置などを含み得る）を提供することによって従来の製造工程の前述の制限に対処する（本明細書において予測工程管理と称する）。したがって、開示される技術を使用して、進行中の製造工程に対する中断を引き起こすことなく、既存の製造システムおよびインフラストラクチャとの後付けおよび統合が可能である。改良は、（１）仕様内にある最終出力を着実に生産し、（２）最終出力の設計および製造工程を最適化し、（３）製造工程および最終出力におけるばらつきを減少させるために、従来のステーションコントローラを介して製造工程内の１つまたは複数の工程ステーションに動的管理を提供することによって実現される。

機械学習／人工知能（ＡＩ）モデルに基づく深層学習コントローラを使用して、管理／ステーション／工程値ならびに中間および最終出力値を評価し、ステーションコントローラの入力に対する調整を決定してもよい。当業者には理解されるように、機械学習に基づく技術は、開示される技術から逸脱することなく、所望される実装に応じて異なり得る。例えば、機械学習技術は、以下のうちの１つまたは複数を、単独で、または組合せで利用することができる：隠れマルコフモデル；回帰型ニューラルネットワーク；畳込みニューラルネットワーク（ＣＮＮ：ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）；深層学習；ベイジアンシンボリック法；強化学習、敵対的生成ネットワーク（ＧＡＮ：ｇｅｎｅｒａｌ ａｄｖｅｒｓａｒｉａｌ ｎｅｔｗｏｒｋ）；サポートベクトルマシン；画像登録法；適用可能ルールベースシステム。

機械学習モデルは、クラスタリングアルゴリズム（例えば、ミニバッチＫ平均クラスタリングアルゴリズム）、レコメンデーションアルゴリズム（例えば、ミンワイズハッシュアルゴリズム、またはユークリッド局所性鋭敏型ハッシュ（ＬＳＨ：Ｌｏｃａｌｉｔｙ－Ｓｅｎｓｉｔｉｖｅ Ｈａｓｈｉｎｇ）アルゴリズム、および／または局所外れ値因子などの異常検知アルゴリズムに基づくことも可能である。機械学習モデルは、教師あり、および／または教師なしの方法に基づくことが可能である。

また、本明細書において説明される機械学習モデルを使用して、最終出力値に最も影響力のある工程ステーション、管理／ステーション／工程値および中間出力値（「キーインフルエンサ」）を判定し、キーインフルエンサを対象とすることによって製造工程を最適化することも可能である。

図２は、図４～図７に関連して後述する予測工程管理を使用した製造工程において任意個数（本明細書において「ｎ」で表す）の処理ステーションを管理するように構成可能な例示的な深層学習コントローラ２１８を示している。図２において、製造工程のｎ個の処理ステーションが工程ステーション２２２および２４２で表されている。工程ステーションは、直列または並列に動作することができる。ユニバーサル入力２３６、経験的事前情報２３９、機能的事前情報２３８、およびｎ個のステーション（例えば、２２２および２４２）のそれぞれからの入力が、深層学習コントローラ２１８に提供され得る。

本明細書で使用される機能的事前情報は、製造工程内の各工程ステーションの機能および既知の制限に関する情報を、個別におよびまとめて指す。工程ステーションで使用される工具／機器に対する仕様はすべて機能的事前情報として考慮される。例示的な機能的事前情報は、ネジが回転することができる最小および最大速さを有するネジ駆動押出し成形機；その加熱および冷却能力に基づいて達成可能な最高および最低温度を有する温度管理システム；破裂する前に閉じ込める最大圧力を有する圧力容器；燃焼前に到達可能な最高温度を有する可燃性液体、を含み得るが、これらに限定されない。機能的事前情報は、製造工程を構成する個別のステーションがそれらの機能を実行する順序をも含み得る。いくつかの実施形態では、数個のステーションが並列に動作し、後続のステーションでそれらの中間出力を組み合わせることができる。

本明細書で使用される経験的事前情報は、例えば同一または類似の製造工程を実行すること；同一または類似のステーションを動作させること；同一または類似の中間／最終出力を生産すること、による事前の経験によって得られる情報を指す。いくつかの実施形態では、経験的事前情報は、受容可能な最終出力値または受容不可能な最終出力値を含み得る。受容可能な最終出力値は、最終出力が「仕様内」と考えられる最終出力値の上限、下限または範囲を指す。換言すれば、受容可能な最終出力値は、設計仕様を満たす、すなわち仕様内にある最終出力値に対するパラメータを記述する。逆に、受容不可能な最終出力値は、最終出力が「仕様外」である最終出力値の上限／下限または範囲を指す（すなわち、設計仕様を満たさない最終出力値に対するパラメータを記述する）。例えば、事前の経験に基づいて、パイプを封止するために使用されるＯリングがある特定の圧縮特性を有する場合にのみ封止することが既知である場合がある。この情報を使用して、Ｏリング最終出力に対する受容可能／受容不可能な圧縮値を確定することができる。換言すれば、受容可能な圧縮値を有するすべてのＯリング最終出力はそれらの封止機能を実行することができるが、受容不可能な圧縮値を有するすべてのＯリング最終出力はそれらの封止機能を実行することができない。受容可能な中間出力値は、ステーションごとに定義されることが可能であり、他のステーションによる補正処置を必要とすることなく、仕様内にある最終出力を最終的に結果として生じることができる中間出力に対するパラメータを定義する中間出力値の上限／下限または範囲を指す。受容不可能な中間出力値は、同じくステーションごとに定義されることが可能であり、別のステーションで補正処置がとられなければ仕様内にない最終出力を最終的に結果として生じる中間出力に対するパラメータを定義する中間出力値の上限／下限または範囲を指す。同様に、受容可能／受容不可能なパラメータが、製造工程に関連する他の変数に対して定義することができる：
経験的事前情報は、受容可能および受容不可能な製造性能メトリックをも含み得る。製造性能メトリックは、製造工程の複数の反復のうちの１つまたは複数の態様（例えば、指定された期間の生産量、指定された期間の生産休止時間、指定された期間または指定された個数の最終出力のために使用されたリソース、指定された期間の仕様内にない製品の割合、特定のオペレータに対する生産量、指定された個数の最終出力に関連する材料コスト）を計算する。

本明細書で使用されるユニバーサル入力は、特定の工程ステーションに固有な値ではなく、製造工程全体の態様に固有な値、例えば、日付、時刻、周囲温度、湿度または製造工程に影響し得る他の環境条件、オペレータ、オペレータの技術レベル、工程で使用される原材料、原材料に固有の特性のうち特に色、粘性、粒径などの原材料仕様、原材料の固有のロット番号およびコスト、各ステーションに対する機器／工具の保有期間、生産作業順序番号、バッチ番号、ロット番号、仕上げ製品番号および仕上げ製品シリアル番号などの識別番号、を指す。

なお、機能的事前情報、経験的事前情報およびユニバーサル入力のそれぞれについて提供される例は、これらの例を分類するための一方法を表し、他の好適な分類が使用可能であることに留意されたい。例えば、深層学習コントローラ２１８に提供される入力を分類するための別の方法は、工程前入力（例えば、経験的事前情報、機能的事前情報、材料特性、スケジューリング要件）；工程内入力（例えば、ユニバーサル入力、管理値、ステーション値、中間値、最終出力値、工程値）；工程後入力（例えば、製造性能メトリックおよび他の分析）である。

各工程ステーションは、１つまたは複数の関連するステーションコントローラによって管理され得る（例えば、ステーションコントローラ２２０が工程ステーション２２２を管理し、ステーションコントローラ２４０が工程ステーション２４２を管理する）。他の実施形態では、単一のステーションコントローラが複数の工程ステーションを管理し得る。深層学習コントローラ２１８は、予測工程管理に基づく管理入力（２２６および２４６で表す）を各工程ステーションコントローラに提供することができる。受信された管理入力（例えば、２２６および２４６）に応答して、各ステーションコントローラは、ステーションの管理値（例えば、管理値２２５および２４５）を調節するためのコマンドを提供する１つまたは複数の管理信号（例えば、２２１および２４１）を提供することができる。各ステーションは、中間出力（例えば、２２４および２４４）を出力し、中間出力は中間出力値（それぞれ２３４ａおよび２４４ａ）を有する。処理ステーションからのすべての中間出力値および最終出力値が深層学習コントローラ２１８に提供される。各ステーションはまた、深層学習コントローラ２１８にステーション値（例えば、２２８および２４８）をも出力する。図２は、中間出力２２４が１～ｎ個の後続のステーションに送信される（ステップ２５０）ことも示している。後続のステーションは、単一のステーションまたはｎ個の複数のステーションを表し得る。図２に示すステーション２４２は、１～ｎ個の前のステーションから中間入力を受信する（ステップ２６０）ことができる。

理解されるように、深層学習コントローラ２１８、ステーションコントローラおよび工程ステーションの間の通信は、１つまたは複数の他のデバイスと通信するため、および／またはコンピュータネットワークとデータをやりとりするための能力を提供する任意の好適な通信技術を使用することができる。例として、実装される通信技術は、アナログ技術（例えば、リレーロジック）、デジタル技術（例えば、ＲＳ２３２、イーサーネット、またはワイヤレス）、ネットワーク技術、例えば、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、インターネット、Ｂｌｕｅｔｏｏｔｈ技術、ニアフィールド通信技術、セキュアＲＦ技術、および／または任意の他の好適な通信技術を含み得るが、これらに限定されない。

いくつかの実施形態では、オペレータ入力が、任意の好適な入力デバイス（例えば、キーボード、マウス、ジョイスティック、タッチ、タッチスクリーンなど）を使用して、深層学習コントローラ２１８、および／またはステーションコントローラまたは工程ステーションのうちのいずれかに通信され得る。

いくつかの実施形態では、１つまたは複数の工程ステーションが、例えば、特定の命令を実行する人間のオペレータによって手動で操作され得る。電子的なステーションコントローラの代わりに、オペレータが命令のセットに従い、その命令は手動で、または電子的手段を介して（例えば、ビデオまたはコンピュータディスプレイを介して）提供され得る。例えば、手動ステーションで、オペレータはワイヤを特定の長さに切断し、切断されたワイヤの長さを測定する機能を実行することができる。切断されたワイヤの長さなどの手動フィードバックが、深層学習コントローラ２１８に提供され得る。本明細書に記載される予測工程管理を使用して、深層学習コントローラ２１８は、ワイヤが所望される長さ仕様に切断されたかどうかを判定し、切断工程への改良点を提供することができ、その改良点は例えば、手動ステーションのオペレータへの命令のセットの形態で提供される。

図３は、開示される主題のいくつかの実施形態による、深層学習コントローラ２１８を条件づけ（訓練）するプロセス３００を提供する。

ステップ３１０で、製造工程内の各ステーションコントローラに対する設定ポイント、アルゴリズムおよび他の管理入力が従来の方法を使用して初期化され得る。さらに、管理アルゴリズム／オペレータは、初期管理／ステーション値を提供することができる。管理アルゴリズム、初期設定ポイント値、および初期管理／ステーション値は深層学習コントローラ２１８に提供され得る（ステップ３１５）。

なお、ステーションコントローラに提供される管理値、管理アルゴリズム、設定ポイントおよび任意の他の情報（例えば、工程タイミング、機器命令、警報アラート、緊急停止）をまとめて「ステーションコントローラ入力」または「管理入力」と称することに留意されたい。

さらに、機能的事前情報２３８、経験的事前情報２３９およびユニバーサル入力２３６のような他の入力が深層学習コントローラ２１８に提供され得る。

ステップ３２５で、製造工程は、従来の管理方法を使用してすべての工程ステーションを通じて反復される。上述のように、本明細書で説明される工程ステーションは直列または並列に動作することができる。さらに、単一のステーションが、単一の工程ステップを複数回（順次的または非順次的に）、または製造工程の単一の反復に対して相異なる工程ステップを（順次的または非順次的に）、実行することができる。工程ステーションは、中間出力を、または最終ステーションである場合には最終出力を生成する。中間出力は、最終出力が生成されるまで、製造工程内の後続（下流）のステーションに伝達される。

工程が各ステーションを通じて反復されると、個別のステーションに関連するすべての値（例えば、管理値）；個別のステーション（例えば、ステーション値、中間／最終出力値）、または複数のステーション（例えば、工程値）の出力に関連するすべての値が測定または計算され、深層学習コントローラ３１８の機械学習アルゴリズムを条件づけするために提供される（ステップ３２７および３２８）。

いくつかの実施形態では、従来の管理下にある製造工程に対する製造性能メトリック（例えば、指定された期間の生産量、指定された期間の生産休止時間、指定された期間または指定された個数の最終出力のために使用されたリソース、指定された期間の仕様内にない製品の割合、特定のオペレータに対する生産量、指定された個数の最終出力に関連する材料コスト）が計算され、深層学習コントローラ２１８に提供され得る（ステップ３２９）。

図示されていないが、工程ステーションから受信された管理値または他の管理入力に応答してステーションコントローラによってとられる任意の処置が深層学習コントローラ２１８に提供され得る。このような処置は、温度、速さなどを調整することを含み得る。さらに、受容可能な設定ポイント、受容可能な中間／最終出力値、受容可能な管理／ステーション／工程値からのずれもまた計算され、深層学習コントローラ２１８に提供され得る。

なお、深層学習コントローラ２１８へのすべての入力は、電子的にまたはオペレータによる手動の手段を介して入力され得ることに留意されたい。

深層学習コントローラ２１８の機械学習モデルの条件づけ（ステップ２３５）は、教師なし学習方法を通じて達成され得る。深層学習コントローラ２１８に入力される機能的事前情報２３８、経験的事前情報２３９、ユニバーサル入力２３６以外に、深層学習コントローラ２１８は、製造工程の反復中（例えば、ステップ３２８および３２９）に収集する受信データを単に分析することによって推論を行う。他の実施形態では、深層学習コントローラ２１８は、教師あり学習方法、または教師あり方法および教師なし方法の組合せもしくは類似の機械学習方法を介して条件づけされ得る。さらに、深層学習コントローラ２１８の訓練は、シミュレートされたデータまたは類似の製造工程からのデータを深層学習コントローラ２１８に提供することによって強化され得る。一実施形態では、深層学習コントローラ２１８は、深層学習コントローラ２１８を類似の製造工程内に実装し、目的の製造工程における実装中に深層学習コントローラを微調整することによって条件づけされ得る。すなわち、深層学習コントローラ２１８の訓練は、深層学習コントローラ２１８が目的の製造工程に配備される前に実行される訓練工程を使用して実行され得る。

機械学習モデルの条件づけに基づいて、深層学習コントローラ２１８は、最終出力値が受容可能か否か（すなわち、最終出力が「仕様内」であるか否か）を判定する最終出力の特性に対する値（「期待値」または「ＥＶ（ｅｘｐｅｃｔｅｄ ｖａｌｕｅ）」）を予測することができる（ステップ３４２）。深層学習コントローラ２１８は、例えば、予測における統計的信頼性の尺度を提供するために、ある時点における、または特定の期間にわたるその予測に対する信頼性レベルを提供することができる。いくつかの態様では、信頼性レベルは、予測に対する精度の数値的確率として表現されてもよく、他の態様では、信頼性レベルは間隔または確率範囲として表現されてもよい。ステップ３４３で、深層学習コントローラ２１８は、期待値を最終出力の指定された特性の実際の測定値（「実際の値」または「ＡＶ（ａｃｔｕａｌ ｖａｌｕｅ）」）と比較することができる。

いくつかの態様では、深層学習コントローラ２１８は、ステーションごとに出力特性に関するＥＶ予測を実行するように構成され得る。すなわち、深層学習コントローラ２１８は、特定のステーションにおける出力に関するＥＶ予測を行い、その後に、それらの予測をそのステーションで観測された実際の出力と比較することができる。代替的に、ＥＶ予測は、所望される実装に応じて２つ以上のステーションによって実行される組み合わされた処理から結果として生じる出力に対して行われ得る。

製造工程が各ステーションを通じて進行し、深層学習コントローラ２１８が追加的な情報を受信すると、深層学習コントローラ２１８は、信頼性レベルとともにその期待値を修正することができる。深層学習コントローラ２１８の予測が、指定された期間にわたって所定の閾値信頼性レベルで正しい場合、深層学習コントローラ２１８は、深層学習コントローラ２１８が工程ステーションの動作を管理する準備ができているという信号を提供することができる。

いくつかの実施形態では、深層学習コントローラ２１８は、ステーションコントローラの初期化後、製造工程の反復（すなわち、製造工程内のすべてのステーションを通じて進行すること）の最初に、および製造工程の過程にわたって、任意の管理入力が不満足なステーション性能を引き起こすか、または工程性能に影響する（すなわち、受容不可能な工程性能を引き起こす）かどうかを予測することもできる。深層学習コントローラ２１８は、その予測に対する信頼性レベルを提供することができる。深層学習コントローラ２１８は、深層学習コントローラ２１８の予測が正しかったかどうかを判定することができる。さらなる実施形態では、深層学習コントローラ２１８の予測が、期待された最終出力値および予測されたステーション／工程性能の両方に関して、指定された期間にわたって、オペレータによって定義される閾値信頼性レベルである場合、深層学習コントローラ２１８は、深層学習コントローラ２１８が工程ステーションの動作を管理する準備ができているという信号を提供することができる。

図４は、予測工程管理を使用して製造工程を管理する例示的なプロセスを示している。

深層学習コントローラ２１８は、その条件づけされた機械学習アルゴリズム（図３に関連して説明した）を使用して、製造工程の工程ステーションに関連づけられたステーションコントローラに対する管理入力を計算する。計算された管理入力に基づいて、深層学習コントローラ２１８は、その予測に対する信頼性レベルとともに、製造工程に対する最終出力の期待値（ＥＶ）を予測することができる（ステップ４０５）。深層学習コントローラ２１８が、閾値信頼性レベルで、期待値が仕様内となると判定した場合（ステップ４１５）、深層学習コントローラ２１８は、製造工程の工程ステーションに関連づけられたステーションコントローラに、計算された管理入力を出力することができる（ステップ４２０）。深層学習コントローラ２１８は、製造工程の最初に、またはその全体にわたって連続的に、管理入力を計算し、計算された管理入力を１つまたは複数のステーションコントローラに提供することができる。管理入力は、直列順序でステーションコントローラに提供される必要はなく、並列に、または仕様内にある最終出力を生産するのに好適な任意の順序で、１つまたは複数のステーションコントローラに提供され得る。深層学習コントローラ２１８から管理入力を受信した各ステーションコントローラは、その関連するステーションに管理値を管理する（例えば、受信された設定ポイントに管理値が一致するように管理値を制御する）ための管理信号を送信することができる。機械学習アルゴリズムは、ＰＰＣの実装全体にわたって改良され続ける（ステップ３３５）。さらに、機能的および経験的事前情報はＰＰＣの全体にわたって動的に更新され得る。

ステップ４３０で、製造工程はすべての工程ステーションを通じて直列または並列に進行する。工程が各ステーションを通じて反復されると、個別のステーションに関連するすべての値（例えば、管理値）；個別のステーション（例えば、ステーション値、中間／最終出力値）、または複数のステーション（例えば、工程値）の出力に関連するすべての値が測定または計算され、深層学習コントローラ２１８の機械学習アルゴリズムを条件づけするために提供されることが可能である（ステップ４３２）。さらに、予測工程管理下にある製造工程に対する製造性能メトリックが計算され、深層学習コントローラ２１８に提供されることが可能である（ステップ４３２）。ＰＰＣの下で計算された工程値および製造性能メトリックは、予測工程管理によって提供される改良点を決定するために、従来の管理下で計算された工程値および製造性能メトリックと比較され得る。

図４に示すプロセス全体にわたって、深層学習コントローラ２１８は、最終出力に対する期待値（ＥＶ）を予測し、最終出力に対する期待値が仕様内にあるかどうかを判定し、その予測に対する信頼性レベルを決定してから、期待される最終値を実際の最終値と比較することによってその予測に対するフィードバックを提供することができる（ステップ４４５）。さらに、深層学習コントローラ２１８は、最終出力が仕様内にないと判定した場合、最終出力に対する予測される期待値が仕様内にあるように、管理入力に対する調整を計算することができる。

いくつかの態様では、深層学習コントローラ２１８は、ステーションごとに中間出力に関するＥＶ予測を実行するように構成され得る。すなわち、深層学習コントローラ２１８は、特定のステーションにおける出力に関するＥＶ予測を行い、中間出力に対するＥＶが仕様内にあるかどうかを判定し、その予測に対する信頼性レベルを決定した後、それらの予測をそのステーションで観測された実際の出力と比較することができる。代替的に、ＥＶ予測は、所望される実装に応じて、２つ以上のステーションによって実行された組み合わされた処理の結果として生じる出力に対して行われ得る。さらに、深層学習コントローラ２１８は、中間出力が仕様内にないと判定した場合、中間出力に対する予測される期待値が仕様内にあるように、管理入力に対する調整を計算することができる。

なお、深層学習コントローラ２１８によって決定される信頼性レベルが所定の閾値を下回る場合、製造工程の管理は、図３に関連して説明した従来の管理に戻ることができる。

いくつかの実施形態では、深層学習コントローラ２１８はまた、ステーション／管理／工程または中間出力値のいずれかが受容不可能であるかどうかを監視し、ステーションコントローラ入力に対してさらに調整を行うか、またはステーションコントローラ入力を調整することによって問題点を修復することができない場合にはアラートを生成することもできる。

ステーションが製造工程を通じて動作しながら受信するデータに基づいて、深層学習コントローラ２１８は、１つまたは複数のステーションコントローラに対する管理入力を調整することができる。さらなる実施形態では、深層学習コントローラ２１８は、製造工程の工程ステーションを通じての反復の開始前にステーションコントローラ入力を初期化するだけでなく、工程自体の期間中にステーションコントローラ入力を調整すること（「フィードフォワード管理」）も可能である。特に、製造工程内の前のステーションから受信された情報に基づいて、深層学習コントローラ２１８は、工程内の後のステーションに関連する管理入力に変更を行うことができる。例えば、深層学習コントローラ２１８は、特定のステーションの中間出力に欠陥があるかどうかを判定した場合、深層学習コントローラ２１８は、最終出力が仕様内にあるように、後続のステーションでとられることが可能な何らかの補正処置があるかどうかを判定することができる。深層学習コントローラ２１８は、管理／ステーション／工程値および／または中間／最終出力値に関するフィードバックに基づいて、リアルタイムで現在および前の処理ステーションに変更を行うことも可能である（「フィードバック管理」）。各ステーションをリアルタイムで動的に管理し、上流で生じた誤差、誤計算、望ましくない条件または不測の結果を補償するために下流のステーションコントローラに調整を行うこの能力は、仕様内の最終出力を製造する可能性を増大させる。さらに、広範囲の最終出力が仕様内と考えられ得るが、同一または類似の品質である最終出力を製造し、受容可能な最終出力値のより狭い範囲内に類似の最終出力値を有することが望ましい場合がある。フィードバックおよびフィードフォワード管理は、深層学習コントローラの予測能力とともに、深層学習コントローラ２１８がステーションコントローラを調整して、一貫した品質の最終出力値および類似の最終出力値を生成することを可能にする。

製造工程のどのパラメータが最終出力値または工程性能に最も影響するか（「キーインフルエンサ」）を識別することが有用である。深層学習コントローラ２１８は、製造工程のすべてのパラメータ（例えば、１つまたは複数の管理値、１つまたは複数のステーション値、１つまたは複数の工程値、１つまたは複数のステーション、１つまたは複数の中間出力またはこれらの任意の組合せ）を考慮することができ、その機械学習アルゴリズムのうちの１つまたは複数を使用して、キーインフルエンサを識別することができる。いくつかの態様では、深層学習コントローラ２１８は、教師なし機械学習技術を使用して１つまたは複数のキーインフルエンサを発見することができ、例えば、各キーインフルエンサは、さまざまなステーション出力、最終出力、および／または工程性能の特性に影響を及ぼす１つまたは複数のパラメータ（またはパラメータの組合せ）に関連づけられる。理解されるように、キーインフルエンサおよびそれらに関連づけられたパラメータの発見は、キーインフルエンサまたはパラメータを明示的にラベル付けし、識別し、またはさもなければ人間のオペレータに出力することを必要とすることなく、深層学習コントローラ２１８の動作および訓練を通じて実行され得る。

いくつかの手法では、深層学習コントローラ２１８は、最終出力値または工程性能に対する製造工程の各パラメータの影響を重要度の順にランク付けすることができる。キーインフルエンサは、打ち切りランク付け（例えば、最終出力値に影響をする製造工程の上位５個の態様）、影響力の最小レベル（例えば、最終出力値に少なくとも２５％寄与する製造工程のすべての態様）；または任意の他の好適な基準に基づいて識別され得る。いくつかの態様では、キー影響力特性は、例えば、対応する特性に対する影響力の重みに相関する定量的スコアに関連づけられてもよい。

深層学習コントローラ２１８は、製造工程全体にわたって、キーインフルエンサを連続的に計算することができる（ステップ４４６）。

いくつかの実施形態では、図５に関連して説明するように、キーインフルエンサを使用して、深層学習コントローラ２１８を訓練するためのより頑丈な（ロバストな）データセットを構築するのを助けることができる。

従来の製造では、目標は平均からの指定された標準的な変動の範囲内にある中間出力値を生成することであるため、製造工程から生成されるデータは限定される。結果として、管理入力、管理／ステーション／工程値の範囲もまた、それらがすべて平均からの指定された範囲内にある中間出力値を生成するように設計されているため、限定される。これに対して、本開示の下では、最終出力が仕様内にある限り、中間出力値は平均からの特定の範囲内にある必要はない。いくつかの実施形態では、深層学習コントローラの予測がより正確になるにつれて、深層学習コントローラ２１８は管理入力に対する変更を意図的に行い、従来の製造工程管理（例えば、ＳＰＣ）の下での管理内工程の通常の揺らぎを超過し得るが、仕様内にある最終出力を依然として生成する中間出力値を生成するための条件を作成することができる。これは、深層学習コントローラ２１８がパターンを検出し、特定のステーション、ステーション／管理／工程値、および中間出力値が最終出力値にどのように影響するか（例えば、最終出力が仕様内にあるか否か）を判定するためのよりロバストなデータ訓練セットを作成する。ロバストなデータセットの作成は、生産環境における深層学習コントローラ２１８の実装の期間中およびその前の両方で行うことができる。

図５は、よりロバストなデータセットを作成する例示的なプロセスを示している。いくつかの実施形態では、深層学習コントローラ２１８は、平均からの指定された範囲を超過し得る中間出力値を生成するために１つまたは複数のステーションコントローラへの既知のコントローラ入力（例えば、管理設定ポイント）を調整することができる。例えば、深層学習コントローラ２１８は、条件づけされた後（ステップ３３５）、仕様内にある最終出力値を結果として生じる各ステーションコントローラに対する少なくともいくつかの管理入力を知っている。いくつかの実施形態では、深層学習コントローラ２１８は、１つまたは複数のステーションコントローラを選択し、選択されたステーションコントローラへの既知の管理入力（例えば、設定ポイント）を所定の閾値だけ変更することができる（例えば、新たな設定ポイント＝元の設定ポイント＋元の設定ポイントの１％）（ステップ５１０）。深層コントローラ２１８は、新たに計算された管理入力を、その予測に対する信頼性レベルとともに使用して、製造工程に対する最終出力の期待値（ＥＶ）を予測することができる（ステップ５１５）。深層学習コントローラ２１８が、閾値信頼性レベルで、期待値が仕様内にあると判定した場合（ステップ５１７）、深層学習コントローラ２１８は、選択されたステーションコントローラに調整された管理入力を提供することができる（ステップ５２０）。深層学習コントローラ２１８はまた、予測された期待値を実際の最終出力値（ＡＶ）と比較して、その予測に対するフィードバックを提供し、管理入力をさらに調整することもできる（ステップ５２５）。

一例示的実施形態では、材料公差に関連する管理入力が意図的に変更されることが可能であり、深層学習コントローラ２１８を使用して、仕様内の最終製品を生産するために他の管理入力にどのような調整を行うべきかを決定することができる。深層学習コントローラ２１８をこのように訓練することにより、新たな材料が製造工程に予想外に導入されるときに、深層学習コントローラ２１８は、オペレータ入力を必要とすることなく、独力で管理入力を適応させることができる。同様に、管理アルゴリズムに対して調整（例えば、ウイルスまたは他の攻撃を模擬する調整）を意図的に行い、深層学習コントローラ２１８を使用して、仕様内の最終製品を生産するために他の管理入力にどのような調整を行うべきかを決定することができる。これらの変化を意図的に導入することにより、製造工程の期間中に予想外に管理アルゴリズムに対して調整が行われるときに、深層学習コントローラ２１８は、オペレータ入力を必要とすることなく、独力で管理入力を適応させることができる。

いくつかの実施形態では、深層学習コントローラ２１８は、最初にキーインフルエンサを決定し（図４に関連して説明したステップ４４６）、キーインフルエンサに関連する管理入力を変更することができる。他の実施形態では、深層学習コントローラ２１８は、すべてのステーションコントローラに対する管理入力を変更し、または所定の公式に従ってステーションコントローラを選択することができる。ロバストなデータセットを作成するため、深層学習コントローラ２１８は、製造工程を通じて反復するたびに、特定のステーションコントローラに関連する管理入力を調整することを継続することができる（ステップ５２８）。例えば、深層学習コントローラ２１８は、キーインフルエンサに関連する設定ポイントを１％だけ調整し、製造工程を通じて１回または複数回反復することができる。後続の反復で、深層学習コントローラ２１８は、キーインフルエンサに関連する設定ポイントをさらに１％だけ調整し、製造工程を通じて１回または複数回反復することができる。深層学習コントローラ２１８は、調整された設定ポイントを使用した製造工程に対する期待値が閾値信頼性レベルで仕様内にある最終出力値を結果として生じる限り、調整を行い続けることができる。各反復の期間中、図４に関連して説明したように、ステーション／管理値、中間／最終出力値、工程値および製造性能メトリックが生成され（ステップ４３０）、深層学習コントローラ２１８の機械学習アルゴリズムを条件づけるために（ステップ３３５）、ならびに機能的および経験的事前情報を動的に更新するために使用される。

次の例は、管理入力（例えば、特定のステーションに対する温度設定ポイント）を変更することによってロバストなデータセットを作成することをさらに例示する。この例では、特定のステーションに対する設定ポイント温度は９５°であり、ステーションの実際の温度は９２°～９８°の間（すなわち、設定ポイント温度の上下に３°）で揺らぐ。９５°での設定ポイント温度および実際のステーション温度の対応する±３°の揺らぎはすべて、仕様内にある最終出力値を結果として生じる。そして、深層学習コントローラ２１８は、無視できる量（例えば、±０．５°）だけ温度設定ポイントを調整した場合にも依然として仕様内にある最終出力値を結果として生じるかどうかを予測することができる。深層学習コントローラ２１８が、調整された温度設定ポイントを使用して製造工程に対して閾値信頼性レベルで仕様内の最終出力値を予測した場合、深層学習コントローラ２１８は、±０．５°だけ温度設定ポイントを調整する。設定ポイントから±３°の同じステーション温度揺らぎを仮定すると、実際のステーション温度は、設定ポイントが９５．５°のとき９２．５°～９８．５°にわたり、設定ポイントが９４．５°のとき９１．５°～９７．５°にわたる。深層学習コントローラ２１８は、最終出力値を温度範囲９１．５°～９８．５°にわたる期待される出力値と比較し、最終出力値が仕様内にあると正しく予測したかどうかを判定することができる。温度設定ポイントが±０．５°だけ調整されたため、結果として生じるデータセットは、９２°～９８°という元の温度範囲よりも広い温度範囲である９１．５°～９８．５°をカバーする。

なお、ステーションコントローラ設定ポイントを変更する代わりに、設定ポイントを変更する同じ目標を達成するステーションコントローラへの他の管理入力（例えば、管理値）を修正することによって、ステーションの管理値を変更することができる。例えば、以下を仮定する。すなわち、ステーションコントローラに対する設定ポイントが１００度であり、実際のステーション温度値（すなわち、管理値）が１００度であり、目標はステーションの実際の温度値を２度だけ上昇させることであると仮定する。温度設定ポイントを１０２度に上昇させてその変更を達成する代わりに、深層学習コントローラ２１８は、実際の温度値の下方に２度だけステーションコントローラに提供する管理値を変更して（例えば、管理値を１００度から９８度に変更する）、ステーションコントローラにステーション温度を２度だけ上昇させることにより、所望される２度のステーション温度上昇（すなわち、１０２度）を達成することができる。既存のステーション管理が設定ポイントを変更することを許容しないときには、設定ポイントの代わりに管理値を変更することが必要になるかもしれない。

いくつかの実施形態では、図６に関連して説明するように、キーインフルエンサを使用して最終出力または工程値を最適化することができる。

最も重要なステーション、ステーション／管理／工程値、最終出力値または工程性能に影響を及ぼす中間出力値が識別された後、リソース割当ておよび工程最適化はキーインフルエンサを対象とすることができる。例えば、工程にわずかに影響する大量のデータを収集する代わりに、データリソース（例えば、収集、処理および記憶）は、キーインフルエンサに関連するデータ（「キュレートされたデータ」）に対して大部分割り当てられることが可能である。さらに、キュレートされたデータ（製造工程から入手可能なすべてのデータのサブセット）は、キーインフルエンサに対して最適化を行うために機械学習アルゴリズムに提供され、訓練例の量を低減し、キュレートされたデータを処理するために利用可能なリソースを増大させることができる。さらに、機械学習アルゴリズムは、工程全体の代わりにキーインフルエンサを最適化することに向けられ、機械学習アルゴリズムが考慮しなければならない可能な状態および処置を低減し、リソースをより効率的かつ高度に割り当てることができる。例えば、強化学習において、状態および処置空間は、エージェントが認識し得る可能な状態およびエージェントに利用可能な処置の範囲を定義する。キーインフルエンサに対してのみ強化学習を使用することにより、状態および処置空間が縮小され、アルゴリズムはより扱いやすくなる。

いくつかの実施形態では、オペレータが、（例えば、最小量の電力またはリソース、最高速のスループット、最小数の欠陥、最大の引っ張り強度を使用して）最適化したい最終出力または工程値の１つまたは複数の特性を指定することができる。深層学習コントローラ２１８は、キーインフルエンサを対象とする強化学習のような機械学習モデルを実行し、最終出力の指定された特性（「最適な設計値」）および／または指定された工程値（「最適の工程値」）のために最適化することができる。

図６は、本開示のいくつかの実施形態に従って、所望される最適な設計または工程値を達成するために、最適な設計／工程値を指定し、深層学習コントローラを使用してキーインフルエンサを管理および最適化するプロセスを示している。

６００で、所望される最適な設計／工程値が深層学習コントローラ２１８に提供される。例えば、最小量の電力またはリソース、最高速のスループット、最小数の欠陥、最大の引っ張り強度などを使用して、仕様内の最終出力を生成する。

６０５に示すように、深層学習コントローラ２１８は、仕様内の製品を駆動するキーインフルエンサを決定し（図４も参照）、所望される最適な設計または工程値を達成するために、各キーインフルエンサを管理するための管理入力（「最適な管理入力」）を予測することができる。深層学習コントローラ２１８は、最適な管理入力を使用して製造工程に対する最終出力の期待値を決定し、期待値が仕様内にあり、所望される最適な設計または工程値を達成するかどうかを予測する（ステップ６１５）。深層学習コントローラ２１８はまた、最適な管理入力が最適な設計または工程値を結果として生じる信頼性レベルをも計算することができる（ステップ６１５）。深層学習コントローラ２１８は、製造工程の最初に、またはその全体にわたって連続的に、最適な管理入力を関連するステーションコントローラに提供することができる（ステップ６２０）。最適な管理入力は、直列順序でステーションコントローラに提供される必要はなく、並列に、または所望される最適な設計または工程値を達成する最終出力を生産するのに好適な任意の順序で、１つまたは複数のステーションコントローラに提供され得る。

他の実施形態では、仕様内にある最終出力に対するパラメータが、所望される最適な設計／工程値に一致するように更新される。例えば、最終出力に対する仕様内の引っ張り強度が４０～９０メガパスカル（ＭＰａ）であり、最終出力に対する最適な引っ張り強度が７０～９０ＭＰａであると判定される場合、仕様内のパラメータは７０～９０ＭＰａに更新され得る。深層学習コントローラ２１８は、キーインフルエンサに関連するステーションコントローラに対する計算された管理入力が更新された仕様パラメータ（すなわち、７０～９０ＭＰａ）を達成する信頼性レベルを予測し、決定することができる。深層学習コントローラ２１８は、計算された管理入力が更新された仕様パラメータを所定閾値を上回る信頼性レベルで達成すると予測したとき、関連するステーションコントローラを更新することができる。

なお、深層学習コントローラ２１８は、図３に関連して説明したように他のステーションコントローラに管理入力を提供することを継続することができるが、最適化はキーインフルエンサに関連するステーションコントローラのみを対象とすることに留意されたい。いくつかの実施形態では、深層学習コントローラ２１８は、キーインフルエンサだけでなく、任意のステーション、ステーション／管理／工程値または中間出力値に関連するステーションコントローラを最適化することができる。

深層学習コントローラ２１８はまた、期待値を実際の値と比較して、その予測に対するフィードバックを提供し、管理入力をさらに調整することもできる（ステップ５４５）。いくつかの実施形態では、工程が開始しすべてのステーションを通過すると、キーインフルエンサに関連する測定値および最終出力に対する測定値のみが収集され、深層学習コントローラ２１８に提供される。他の実施形態では、深層学習コントローラ２１８は、すべての工程ステーションからデータを収集することを継続することができる。そのデータを使用してキーインフルエンサに対する管理入力を連続的に改良することで、最適な設計／工程値が着実に、高い信頼性レベルで達成される。

なお、所望される最適な設計／工程値はいつでも変更することができることに留意されたい。さらに、キーインフルエンサとして適格なものに対する基準を変更することによって、新たなキーインフルエンサを計算することができる（例えば、第１の基準は仕様内の最終出力を駆動する上位５個のステーションをキーインフルエンサとして分類するかもしれないが、更新された基準は仕様内の最終出力を駆動する上位３個のステーションのみをキーインフルエンサとして分類するかもしれない）。さらに、深層学習コントローラ２１８がある期間にわたってある特定の信頼性レベルで最適な設計／工程値を達成するための管理入力を予測した後、深層学習コントローラ２１８は、キーインフルエンサのうちのいずれが所望される最適化を駆動するためのキーインフルエンサであるかを識別し、キーインフルエンサのうちのサブセットのみを対象とすることで、機械学習アルゴリズムが考慮しなければならない可能な処置／状態をさらに低減し、そのサブセットにリソースをより効率的に割り当てることができる。

さらなる実施形態では、深層学習コントローラ２１８は、製造工程の工程ステーションを通じての反復を開始する前にキーインフルエンサに対するステーションコントローラ入力を初期化するだけでなく、工程自体の期間中にも管理入力を調整する。特に、工程内の前のステーションから受信された情報に基づいて、深層学習コントローラ２１８は、最適な設計／工程値が達成されることを保証するために、工程内の後のステーションに関連する管理入力に変更を行うことができる。深層学習コントローラ２１８はまた、工程を通じて進行し後続のステーションからデータを受信しながら、工程内の前のステーションを調整することもできる。

いくつかの実施形態では、最適な設計または工程値を達成しようとする製造工程に対する製造性能メトリックが計算され、深層学習コントローラ２１８に提供されることが可能である（ステップ６３２）。これらの製造性能メトリックを、ＰＰＣに対する製造性能メトリックおよび／または従来の管理に対する製造性能メトリックと比較して、設計および／または工程を最適化することによって提供される改良点を判定することができる。

深層学習コントローラ２１８によって適応され実装され得る可能な処置／状態を低減する製造システム最適化の例が、「Ａｄａｐｔｉｖｅ Ｍｅｔｈｏｄｓ ａｎｄ Ｒｅａｌ－Ｔｉｍｅ Ｄｅｃｉｓｉｏｎ Ｍａｋｉｎｇ ｆｏｒ Ｍａｎｕｆａｃｔｕｒｉｎｇ Ｃｏｎｔｒｏｌ」という名称の米国仮特許出願第６２／８３６，１９９号に記載され、参照により本明細書に全体として組み込まれる。開示される方法は単なる一例であり、限定的であることを意図していない。

本開示の深層学習コントローラ２１８によって適応され実装され得る機械学習アルゴリズムが考慮しなければならない可能な処置／状態を低減する製造システム最適化の別の例が、「ＴＲＡＮＳＦＥＲ ＬＥＡＲＮＩＮＧ ＡＰＰＲＯＡＣＨ ＴＯ ＭＵＬＴＩ－ＣＯＭＰＯＮＥＮＴ ＭＡＮＵＦＡＣＴＵＲＩＮＧ ＣＯＮＴＲＯＬ」という名称の米国仮特許出願第６２／８３６，２１３号に記載され、参照により本明細書に全体として組み込まれる。開示される方法は単なる一例であり、限定的であることを意図していない。

図７は、最終出力の設計／工程を最適化するために予測工程管理を適用することができる例示的な製造システムを示している。具体的には、３Ｄ製造システムはいくつかの工程ステーション（例えば、ステーション７００～７５０）を有することができ、各工程ステーションは工程ステップ（例えば、最終出力を結果として生じる材料の押出し層を堆積する）を実行することができる。図６で説明したように予測工程管理を使用して、オペレータは、何に対して（例えば、最終出力の引っ張り強度）最適化したいかを指定することができる（ステップ６００）。さらに、深層学習コントローラ２１８は、最終出力の引っ張り強度に影響するキーインフルエンサ（例えば、層当たり堆積される材料の量に対する変化および押出し成形機速度管理に対する変化）を決定することができる（ステップ６０５）。深層学習コントローラ２１８は、機械学習アルゴリズム（例えば、強化学習）を実行することによって、機械学習アルゴリズムが考慮しなければならない可能な処置／状態を低減することができ、それによりキーインフルエンサのみを最適化し、他の管理属性（例えば、押出し成形機ノズル温度、プリントヘッドの印刷パターンなどを最適化しない。さらに）、深層学習コントローラ２１８は、どの押出し層（例えば、層４および５）が引っ張り強度に最も影響を及ぼすかを識別し、それらの層を堆積するステーション（例えば、ステーション４および５）に対するキーインフルエンサを最適化することができる。

なお、いくつかの実施形態では、図４～図７で説明した予測工程管理に関連して、従来のステーションコントローラはオフにされることが可能であり、深層学習コントローラ２１８が直接に工程ステーションを管理することができる。

さらに、予測工程管理のいくつかの実施形態では、図８に示すように、データロギングモジュール８１０が、深層学習コントローラ２１８からデータを受信し、そのデータを分析し、レポート、電子メール、アラート、ログファイルまたは他のデータ出力を生成する（ステップ８１５）ように構成され得る。例えば、データロギングモジュール８１０は、受信されたデータにおいて所定のトリガイベントを探索し、それらのトリガイベントに関連づけられた関連するデータを示すレポート、電子メール、アラート、ログファイルまたは他のデータ出力を生成する（ステップ８１５）ようにプログラムされ得る。例えば、設定ポイントまたは他の管理入力を調整することがトリガイベントとして定義されることが可能であり、以下のデータ、すなわち、調整された設定ポイントまたは他の管理入力の名称、影響されたステーション、日付および時刻、調整された管理入力に関連する信頼性レベル、調整された管理入力が仕様内の最終出力または最適な設計／工程値を達成したかどうか、調整が行われた理由、が報告され得る。別の例では、最適な設計／工程値を達成したか否かがトリガイベントとして定義されることが可能であり、以下のデータ、すなわち、キーインフルエンサに対する管理入力、日付および時刻、任意の報告された停止、管理入力に対する信頼性レベル、スループット時間、消費されたリソース、関連するオペレータ、が報告され得る。他の好適なトリガが定義されることが可能であり、他の好適なデータが報告され得る。データロギングモジュールはまた、従来の管理を使用して製造工程の期間中に収集された工程値、最終出力値、製造性能メトリックを、予測性能管理を使用して製造工程の期間中に収集された工程値、最終出力値、製造性能メトリックと比較することもできる。いくつかの実施形態では、データロギングモジュール８１０は、深層学習コントローラ２１８内に含まれ得る。

図９は、開示される主題のいくつかの実施形態に従って、予測工程管理を実装することができる深層学習コントローラ２１８の実施形態の一般的構成を示している。深層学習コントローラ２１８は、さまざまな構成要素がバス９０５を介して結合された、局所化されたコンピューティングシステムとして示されているが、さまざまな構成要素および機能的な計算ユニット（モジュール）は別個の物理的または仮想的システムとして実装され得ると理解される。例えば、１つまたは複数の構成要素および／またはモジュールは、クラウド環境内にインスタンス化された仮想プロセス（例えば、仮想マシンまたはコンテナ）を使用するなどにより、物理的に別個のリモートデバイス内に実装され得る。

深層学習コントローラ２１８は、処理ユニット（例えば、ＣＰＵおよび／またはプロセッサ）９１０と、読出し専用メモリ（ＲＯＭ）９２０およびランダムアクセスメモリ（ＲＡＭ）９２５などのシステムメモリ９１５を含むさまざまなシステム構成要素を処理ユニット９１０に結合するバス９０５とを含み得る。処理ユニット９１０は、Ｍｏｔｏｒｏｌａ系のマイクロプロセッサまたはＭＩＰＳ系のマイクロプロセッサからのプロセッサなどの１つまたは複数のプロセッサを含み得る。代替的実施形態では、処理ユニット９１０は、深層学習コントローラ２１８の動作を制御し予測工程管理を実行するための特別に設計されたハードウェアであり得る。適切なソフトウェアまたはファームウェアの制御下で動作するとき、処理モジュール９１０は、本明細書に記載されるＰＰＣのさまざまな機械学習アルゴリズムおよび計算を実行することができる。

メモリ９１５は、メモリキャッシュ９１２などの相異なる性能特性を有するさまざまなメモリ形式を含み得る。プロセッサ９１０は記憶デバイス９３０に結合されることが可能であり、記憶デバイス９３０は、１つまたは複数の機能モジュールおよび／またはデータベースシステムを実装するために必要なソフトウェアおよび命令を記憶するように構成され得る。これらのモジュールおよび／またはデータベースシステムのそれぞれは、プロセッサ９１０およびソフトウェア命令が実際のプロセッサ設計に組み込まれた特殊目的プロセッサを制御するように構成され得る。

深層学習コントローラ２１８とのオペレータの対話を可能にするため、入力デバイス９４５は、音声用マイクロフォン、ジェスチャまたはグラフィカル入力のためのタッチ感知スクリーン、キーボード、マウス、モーション入力などのような任意個数の入力メカニズムを表し得る。出力デバイス９３５もまた、当業者に既知のいくつかの出力メカニズム（例えば、プリンタ、モニタ）のうちの１つまたは複数であり得る。いくつかの実例では、マルチモーダルシステムにより、オペレータが複数種類の入力を提供して深層学習コントローラ２１８と通信することが可能となる。通信インタフェース９４０は、オペレータ入力およびシステム出力、ならびにステーションコントローラ、工程ステーション、データロギングモジュール、ならびにすべての関連するセンサおよび画像キャプチャデバイスなどの製造工程を構成する他の構成要素から受信されそれらに送信されるすべての電子的入力を一般的に統制および管理することができる。特定のハードウェア構成上で動作することへの制限はないため、ここでの基本的機能は、それらが展開される際の改良されたハードウェアまたはファームウェア構成で容易に置換され得る。深層コントローラ２１８から出力されるデータは、視覚的に表示され、印刷され、またはファイル形式で生成されて、記憶デバイス９３０に記憶され、またはさらなる処理のために他の構成要素に送信されることが可能である。

通信インタフェース９４０は、インタフェースカード（「ラインカード」と称することもある）として提供され得る。一般的に、インタフェースカードは、ネットワークを通じてデータパケットの送信および受信を制御し、ときにはルータとともに使用される他の周辺機器をサポートする。提供され得るインタフェースのうちには、イーサーネットインタフェース、フレームリレーインタフェース、ケーブルインタフェース、ＤＳＬインタフェース、トークンリングインタフェースなどがある。さらに、高速トークンリングインタフェース、ワイヤレスインタフェース、イーサーネットインタフェース、ギガビットイーサーネットインタフェース、ＡＴＭインタフェース、ＨＳＳＩインタフェース、ＰＯＳインタフェース、ＦＤＤＩインタフェースなどのさまざまな超高速インタフェースが提供され得る。一般的に、これらのインタフェースは、適切な媒体との通信に適したポートを含み得る。いくつかの場合、インタフェースはまた、独立のプロセッサを含んでもよく、いくつかの実例では、揮発性ＲＡＭを含んでもよい。独立のプロセッサは、パケット交換、媒体制御および管理などの通信集約的なタスクを制御してもよい。通信集約的なタスクのために別個のプロセッサを提供することにより、これらのインタフェースは、処理ユニット９１０が予測工程管理を実装するために必要な機械学習および他の計算を効率的に実行することを可能にする。通信インタフェース９４０は、ステーションコントローラ、工程ステーション、データロギングモジュール、ならびにすべての関連するセンサおよび画像キャプチャデバイスなどの製造工程を構成する他の構成要素と通信するように構成され得る。

製造工程に関連するセンサは、ＰＰＣの実装前に存在したセンサおよびＰＰＣによって使用される任意の追加的な測定を実行するために追加された任意の新たなセンサを含み得る。１つまたは複数のセンサが、各ステーション内に含まれ、または各ステーションに結合され得る。センサを使用して、ステーション値、管理値、中間および最終出力値などの、製造工程によって生成される値を測定することができる。さらに、センサによって提供される情報は、深層学習コントローラ２１８によって、または深層学習コントローラ２１８の外部のモジュールによって使用されて、工程値および性能製造メトリックを計算することができる。例示的なセンサは、位置および速さを検出する回転エンコーダ；近接、圧力、温度、レベル、流れ、電流および電圧を検出するセンサ；存在または移動終端限界などの状態を検出するリミットスイッチを含み得るが、これらに限定されない。センサは、本明細書で使用される場合、検知デバイスおよび信号調節の両方を含む。例えば、検知デバイスは、ステーションまたは管理値に反応し、信号調節器は、その反応を深層学習コントローラによって使用され解釈され得る信号に変換する。温度に反応するセンサの例は、ＲＴＤ、熱電対および白金抵抗プローブである。歪みゲージセンサは特に圧力、真空度、重量、距離変化に反応する。近接センサは、物体が相互からのある特定の距離または指定されたｔａｒｔの範囲内にあるときに反応する。これらの例のすべてで、反応は、深層学習コントローラ２１８によって使用され得る信号に変換されなければならない。多くの場合、センサの信号調節機能は、深層学習コントローラ２１８によって解釈されるデジタル信号を生成する。信号調節器は、特にアナログ信号またはＴＴＬ信号をも生成することができる。

いくつかの実施形態では、深層学習コントローラ２１８は、１つまたは複数の処理ステーションに結合され中間および最終出力の画像を監視し取り込むことが可能なビデオカメラなどのさまざまな画像キャプチャデバイスによって受信される画像を処理する画像処理デバイス９７０を含み得る。これらの画像は、通信インタフェース９４０を介して深層学習コントローラ２１８に送信され、画像処理デバイス９７０によって処理されることが可能である。画像は、中間および最終出力値を計算するために深層学習コントローラ２１８によって使用され得る、欠陥の個数および種類、出力寸法、スループットなどのデータを提供するために処理され得る。いくつかの実施形態では、画像処理デバイスは、深層学習コントローラ２１８の外部にあり、通信インタフェース９４０を介して深層学習コントローラ２１８に情報を提供することができる。

記憶デバイス９３０は非一時的メモリであり、磁気カセット、フラッシュメモリカード、固体メモリデバイス、デジタル多用途ディスク、カートリッジ、ランダムアクセスメモリ（ＲＡＭ）８２５、読出し専用メモリ（ＲＯＭ）８２０、およびそれらの混成などの、コンピュータによってアクセス可能なデータを記憶することができるハードディスクまたは他の種類のコンピュータ可読媒体であり得る。

実際には、記憶デバイス９３０は、深層学習コントローラ２１８への入力データおよび深層学習コントローラ２１８からの出力データ、例えば機能的事前情報、経験的事前情報、ユニバーサル入力；工程前入力；工程内入力および工程後入力、を受信、記憶および更新するように構成され得る。

いくつかの実施形態では、任意の好適なコンピュータ可読媒体が、本明細書に記載された機能および／またはプロセスを実行する命令を記憶するために使用され得る。例えば、いくつかの実施形態では、コンピュータ可読媒体は一時的または非一時的であり得る。例えば、非一時的コンピュータ可読媒体は、非一時的磁気媒体（ハードディスク、フロッピーディスクなど）、非一時的光学媒体（コンパクトディスク、デジタルビデオディスク、ブルーレイディスクなど）、非一時的半導体媒体（フラッシュメモリ、電気的プログラム可能読出し専用メモリ（ＥＰＲＯＭ）、電気的消去可能プログラム可能読出し専用メモリ（ＥＥＰＲＯＭ）など）、送信中に一過性でもなく永続性の様相を欠くこともない任意の好適な媒体、および／または任意の好適な有体物媒体などの媒体を含み得る。別の例として、一時的コンピュータ可読媒体は、ネットワーク上、導線、半導体、光ファイバ、回路、および送信中に一過性であり永続性のいかなる様相も欠く任意の好適な媒体、および／または任意の好適な無体物媒体内の信号を含み得る。

本明細書に記載されるさまざまなシステム、方法、およびコンピュータ可読媒体は、クラウドネットワーク環境の一部として実装され得る。本文書で使用される場合、クラウドベースのコンピューティングシステムは、可視化されたコンピューティングリソース、ソフトウェアおよび／または情報をクライアントデバイスに提供するシステムである。コンピューティングリソース、ソフトウェアおよび／または情報は、エッジデバイスがネットワークなどの通信インタフェースを通じてアクセス可能な集中化されたサービスおよびリソースを維持することによって可視化され得る。クラウドは、サービスとしてのソフトウェア（ＳａａＳ：ｓｏｆｔｗａｒｅ ａｓ ａ ｓｅｒｖｉｃｅ）（例えば、コラボレーションサービス、電子メールサービス、エンタープライズリソースプランニングサービス、コンテンツサービス、通信サービスなど）、サービスとしてのインフラストラクチャ（ＩａａＳ：ｉｎｆｒａｓｔｒｕｃｔｕｒｅ ａｓ ａ ｓｅｒｖｉｃｅ）（例えば、セキュリティサービス、ネットワーキングサービス、システム管理サービスなど）、サービスとしてのプラットフォーム（ＰａａＳ：ｐｌａｔｆｏｒｍ ａｓ ａ ｓｅｒｖｉｃｅ）（例えば、ウェブサービス、ストリーミングサービス、アプリケーション開発サービスなど）、およびサービスとしてのデスクトップ（ＤａａＳ：ｄｅｓｋｔｏｐ ａｓ ａ ｓｅｒｖｉｃｅ）、サービスとしての情報技術管理（ＩＴａａＳ：ｉｎｆｏｒｍａｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ｍａｎａｇｅｍｅｎｔ ａｓ ａ ｓｅｒｖｉｃｅ）、サービスとしてのマネージドソフトウェア（ＭＳａａＳ：ｍａｎａｇｅｄ ｓｏｆｔｗａｒｅ ａｓ ａ ｓｅｒｖｉｃｅ）、サービスとしてのモバイルバックエンド（ＭＢａａＳ：ｍｏｂｉｌｅ ｂａｃｋｅｎｄ ａｓ ａ ｓｅｒｖｉｃｅ）などの他の種類のサービスを提供することができる。

本明細書に記載される例の提供（および「など」、「例えば」、「含む」などとして表現される条項）は、特許請求の範囲に記載される主題を特定の例に限定するものと解釈されるべきではなく、むしろ、それらの例は多くの可能な態様のうちの一部のみを例示することを意図している。当業者には理解されるように、メカニズムという用語がハードウェア、ソフトウェア、ファームウェア、またはそれらの任意の好適な組合せを包含し得る。

上記の説明から明らかなように特に別段の断りがない限り、明細書全体にわたって、「判定する」、「提供する」、「識別する」、「比較する」などのような用語を利用した説明は、コンピュータシステムメモリもしくはレジスタまたは他のそのような情報ストレージ、送信もしくは表示デバイス内で物理的（電子的）な量として表現されるデータを操作および変換する、コンピュータシステムまたは類似の電子コンピューティングデバイスのアクションおよびプロセスを指すと理解される。本開示のいくつかの態様は、アルゴリズムの形態で本明細書に記載されるプロセスステップおよび命令を含む。なお、本開示のプロセスステップおよび命令は、ソフトウェア、ファームウェアまたはハードウェアにおいて具現化されることが可能であり、ソフトウェアにおいて具現化される場合には、リアルタイムのネットワークオペレーティングシステムによって使用される異なるプラットフォーム上に所在するようにダウンロードされ、そのプラットフォームから運用されることが可能であることに留意されるべきである。

本開示はまた、本明細書の動作を実行する装置にも関する。この装置は、要求される目的のために特別に構築されてもよく、またはコンピュータによってアクセス可能なコンピュータ可読媒体上に記憶されたコンピュータプログラムによって選択的に活性化または再構成される汎用コンピュータを備えてもよい。このようなコンピュータプログラムは、以下のものに限定されないが、フロッピーディスク、光ディスク、ＣＤ－ＲＯＭ、光磁気ディスクを含む任意の種類のディスク、読出し専用メモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、ＥＰＲＯＭ、ＥＥＰＲＯＭ、磁気または光カード、特定用途向け集積回路（ＡＳＩＣ）、または電子的命令を記憶するのに適した任意の種類の非一時的コンピュータ可読記憶媒体などのコンピュータ可読記憶媒体に記憶され得る。さらに、本明細書において言及されるコンピュータは、単一のプロセッサを含んでもよく、または計算能力向上のために複数プロセッサ設計を使用するアーキテクチャであってもよい。

本明細書に提示されるアルゴリズムおよび動作は、いかなる特定のコンピュータまたは他の装置にも固有に関係していない。さまざまな汎用システムもまた、本明細書の教示によるプログラムとともに使用されてもよく、または要求される方法ステップおよびシステム関連アクションを実行するように、より特殊化された装置を構築することが便利な場合もある。多様なこれらのシステムのために要求される構造は、均等な変形例とともに当業者には明らかであろう。さらに、本開示は何らかの特定のプログラミング言語を参照して記載されていない。理解されるように、本明細書に記載される本開示の教示を実装するために多様なプログラミング言語が使用可能であり、特定の言語への任意の言及は、本開示の実施可能性および最良実施態様の開示のために提供されている。

さまざまな実施形態の論理的動作は、（１）汎用コンピュータ内のプログラム可能な回路上で動作するコンピュータ実装されたステップ、動作、または手続きのシーケンス、（２）特定用途のプログラム可能な回路上で動作するコンピュータ実装されたステップ、動作、または手続きのシーケンス、および／または（３）プログラム可能な回路内の相互接続されたマシンモジュールもしくはプログラムエンジン、として実装される。システム３００は、記載された方法の全部または一部を実施することが可能であり、記載されたシステムの一部であることが可能であり、および／または記載された非一時的コンピュータ可読記憶媒体内の命令に従って動作することが可能である。このような論理的動作は、モジュールのプログラミングに従って特定の機能を実行するためにプロセッサ３６３を制御するように構成されたモジュールとして実装され得る。

開示されるプロセス内のステップのいかなる特定の順序または階層も、例示的な手法の一例示であると理解される。設計の選好に基づいて、プロセス内のステップの特定の順序または階層は並べ替えられてもよく、または例示されたステップのうちの一部のみが実行されてもよいと理解される。ステップのうちの一部が同時に実行されてもよい。例えば、いくつかの状況では、マルチタスク動作および並列処理が有利であり得る。さらに、上述の実施形態におけるさまざまなシステム構成要素の分離は、すべての実施形態におけるそのような分離を要求するものと理解されるべきではなく、記載されるプログラム構成要素およびシステムは一般に、単一のソフトウェア製品内に一緒に統合され、または複数のソフトウェア製品にパッケージ化されることが可能であると理解されるべきである。

予測工程管理の装置、方法およびシステムについて、これらの例示的な実施形態を具体的に参照して説明した。しかし、明らかなように、上記の明細書に記載された開示の思想および範囲内でさまざまな変形および変更がなされてもよく、そのような変形および変更は均等の範囲であり本開示の一部とみなされるべきである。

開示の陳述
陳述１：深層学習コントローラで２つ以上のステーションから複数の管理値を受信して、前記管理値が製造工程内に配備された前記２つ以上のステーションで生成されることと、前記深層学習コントローラによって、前記管理値に基づいて、製造物品の中間または最終出力に対する期待値を予測することと、前記深層学習コントローラによって、前記製造物品に対する前記予測された期待値が仕様内にあるかどうかを判定することと、前記深層学習コントローラによって、前記製造物品に対する前記予測された期待値が仕様内にない場合に１つまたは複数の管理入力を生成して、前記１つまたは複数の管理入力が、前記製造物品に対する中間または最終出力が仕様内となるように構成されることと、を含む、コンピュータ実装された方法。

陳述２：前記１つまたは複数の管理入力に関連づけられた信頼性レベルが所定閾値を超過する場合に１つまたは複数のステーションコントローラに前記１つまたは複数の管理入力を出力することをさらに含む、陳述１に記載のコンピュータ実装された方法。

陳述３：前記１つまたは複数のステーションコントローラに前記１つまたは複数の管理入力を出力することが、第１のステーションに関連づけられた第１のステーションコントローラに第１の管理入力を提供することと、第２のステーションに関連づけられた第２のステーションコントローラに第２の管理入力を提供することをさらに含み、前記第２のステーションが前記製造工程内で前記第１のステーションの下流にある、陳述１から２のいずれかに記載のコンピュータ実装された方法。

陳述４：前記製造物品の前記中間または最終出力を予測することが、前記製造工程に関連づけられた１つまたは複数のキーインフルエンサを識別することと、前記１つまたは複数のキーインフルエンサのうちの少なくとも１つに関連づけられた１つまたは複数の管理入力を調整することと、をさらに含む、陳述１から３のいずれかに記載のコンピュータ実装された方法。

陳述５：前記製造物品に対する前記予測された期待値が仕様内にある場合に、前記１つまたは複数のステーションコントローラによる前記製造工程の管理を許可することをさらに含む、陳述１から４のいずれかに記載のコンピュータ実装された方法。

陳述６：前記深層学習コントローラで複数のステーション値を受信することをさらに含み、前記ステーション値は前記１つまたは複数のステーションに関連づけられ、前記製造物品の前記期待値を予測することが前記ステーション値にさらに基づく、陳述１から５のいずれかに記載のコンピュータ実装された方法。

陳述７：前記複数の管理値が、速さ、温度、圧力、真空度、回転、電流、電圧、抵抗、または電力のうちの１つまたは複数を含む、陳述１から６に記載のコンピュータ実装された方法。

陳述８：１つまたは複数のプロセッサと、前記１つまたは複数のプロセッサによって実行されるときに、前記１つまたは複数のプロセッサに動作を実行させる命令を記憶する非一時的メモリと、を備えるシステムであって、前記動作が、深層学習コントローラで２つ以上のステーションから複数の管理値を受信して、前記管理値が製造工程内に配備された前記２つ以上のステーションで生成されることと、前記深層学習コントローラによって、前記管理値に基づいて、製造物品の中間または最終出力に対する期待値を予測することと、前記深層学習コントローラによって、前記製造物品に対する前記予測された期待値が仕様内にあるかどうかを判定することと、前記深層学習コントローラによって、前記製造物品に対する前記予測された期待値が仕様内にない場合に１つまたは複数の管理入力を生成して、前記１つまたは複数の管理入力が、前記製造物品に対する中間または最終出力が仕様内となるように構成されることと、を含む、システム。

陳述９：前記プロセッサが、前記１つまたは複数の管理入力に関連づけられた信頼性レベルが所定閾値を超過する場合に１つまたは複数のステーションコントローラに前記１つまたは複数の管理入力を出力すること、を含む動作を実行するようにさらに構成される、陳述８に記載のシステム。

陳述１０：前記１つまたは複数のステーションコントローラに前記１つまたは複数の管理入力を出力することが、第１のステーションに関連づけられた第１のステーションコントローラに第１の管理入力を提供することと、第２のステーションに関連づけられた第２のステーションコントローラに第２の管理入力を提供することとをさらに含み、前記第２のステーションが前記製造工程内で前記第１のステーションの下流にある、陳述８から９のいずれかに記載のシステム。

陳述１１：前記製造物品の前記期待値を予測することが、前記製造工程に関連づけられた１つまたは複数のキーインフルエンサを識別することと、前記１つまたは複数のキーインフルエンサのうちの少なくとも１つに関連づけられた１つまたは複数の管理入力を調整することと、をさらに含む、陳述８から１０のいずれかに記載のシステム。

陳述１２：前記製造物品に対する前記予測された期待値が仕様内にある場合に、前記１つまたは複数のステーションコントローラによる前記製造工程の管理を許可することをさらに含む、陳述８から１１のいずれかに記載のシステム。

陳述１３：前記プロセッサが、前記深層学習コントローラで複数のステーション値を受信すること、を含む動作を実行するようにさらに構成され、前記ステーション値は前記１つまたは複数のステーションに関連づけられ、前記製造物品の前記期待値を予測することが前記ステーション値にさらに基づく、陳述８から１２のいずれかに記載のシステム。

陳述１４：前記複数の管理値が、速さ、温度、圧力、真空度、回転、電流、電圧、抵抗、または電力のうちの１つまたは複数を含む、陳述８から１３のいずれかに記載のシステム。

陳述１５：１つまたは複数のプロセッサによって実行されるときに、前記１つまたは複数のプロセッサに動作を実行させる命令が記憶された非一時的コンピュータ可読記憶媒体であって、前記動作が、深層学習コントローラで２つ以上のステーションから複数の管理値を受信して、前記管理値は製造工程内に配備された前記２つ以上のステーションで生成されることと、前記深層学習コントローラによって、前記管理値に基づいて、製造物品の中間または最終出力に対する期待値を予測することと、前記深層学習コントローラによって、前記製造物品に対する前記予測された期待値が仕様内にあるかどうかを判定することと、前記深層学習コントローラによって、前記製造物品に対する前記予測された期待値が仕様内にない場合に１つまたは複数の管理入力を生成して、前記１つまたは複数の管理入力は、前記製造物品に対する前記中間または最終出力が仕様内となるように構成されることと、を含む、非一時的コンピュータ可読記憶媒体。

陳述１６：前記１つまたは複数の管理入力に関連づけられた信頼性レベルが所定閾値を超過する場合に１つまたは複数のステーションコントローラに前記１つまたは複数の管理入力を出力すること、を含む動作を前記１つまたは複数のプロセッサに実行させるように構成された命令をさらに含む、陳述１５に記載の非一時的コンピュータ可読記憶媒体。

陳述１７：前記１つまたは複数のステーションコントローラに前記１つまたは複数の管理入力を出力することが、第１のステーションに関連づけられた第１のステーションコントローラに第１の管理入力を提供することと、第２のステーションに関連づけられた第２のステーションコントローラに第２の管理入力を提供することをさらに含み、前記第２のステーションが前記製造工程内で前記第１のステーションの下流にある、陳述１５から１６のいずれかに記載の非一時的コンピュータ可読記憶媒体。

陳述１８：前記製造物品の前記期待値を予測することが、前記製造工程に関連づけられた１つまたは複数のキーインフルエンサを識別することと、前記１つまたは複数のキーインフルエンサのうちの少なくとも１つに関連づけられた１つまたは複数の管理入力を調整することと、をさらに含む、陳述１５から１７のいずれかに記載の非一時的コンピュータ可読記憶媒体。

陳述１９：前記製造物品に対する前記予測された期待値が仕様内にある場合に、前記１つまたは複数のステーションコントローラによる前記製造工程の管理を許可すること、を含む動作を前記１つまたは複数のプロセッサに実行させるように構成された命令をさらに含む、陳述１５から１８のいずれかに記載の非一時的コンピュータ可読記憶媒体。

陳述２０：前記深層学習コントローラで複数のステーション値を受信すること、を含む動作を前記１つまたは複数のプロセッサに実行させるように構成された命令をさらに含み、前記ステーション値は前記１つまたは複数のステーションに関連づけられ、前記製造物品の前記期待値を予測することが前記ステーション値にさらに基づく、陳述１５から１９のいずれかに記載の非一時的コンピュータ可読記憶媒体。

Claims (20)

1. 深層学習コントローラで第１の処理ステーションから第１の管理値セットを受信して、前記第１の管理値セットが、製造工程内に配備された前記第１の処理ステーションで生成され、前記第１の管理値セットが前記第１の処理ステーションの属性であることと、
   前記深層学習コントローラによって、前記第１の管理値セットに基づいて、処理ステーション下流における製造物品の中間出力に対する期待値を予測することと、
   前記深層学習コントローラによって、前記製造物品に対する前記予測された期待値が仕様内にないことを判定することと、
   前記判定に基づき、前記深層学習コントローラによって、１つまたは複数の管理入力を生成して、前記１つまたは複数の管理入力が、前記製造物品に対する前記中間出力または最終出力が仕様内となるように構成されることと、
   生成された前記１つまたは複数の管理入力に従い、前記製造工程内において、さらに後のステップのために、前記第１の処理ステーションから前記処理ステーション下流に前記製造物品を移動させることと、
   前記深層学習コントローラで第２の管理値セットを受信して、前記第２の管理値セットが、前記処理ステーション下流で生成され、前記第２の管理値セットが前記処理ステーション下流の属性であることと、
   前記深層学習コントローラにより、第２の処理ステーション下流における
   第２の中間出力、または
   前記第１の管理値セット及び前記第２の管理値セットに基づく前記製造物品の更新された最終出力
   に対する第２の期待値を予測することと、
   を含む、コンピュータ実装された方法。
2. 前記１つまたは複数の管理入力を前記処理ステーション下流の第１のステーションコントローラに出力することをさらに含む、請求項１に記載のコンピュータ実装された方法。
3. 前記処理ステーション下流に前記１つまたは複数の管理入力を出力することが、
   前記処理ステーション下流に関連づけられた前記第１のステーションコントローラに第１の管理入力を提供することと、
   前記第２の処理ステーション下流に関連づけられた第２のステーションコントローラに第２の管理入力を提供することをさらに含み、
   前記第２の処理ステーション下流が前記製造工程内で前記第１の処理ステーションの下流にある、請求項２に記載のコンピュータ実装された方法。
4. 前記製造物品の前記中間出力または最終出力を予測することが、
   前記製造工程に関連づけられた１つまたは複数のキーインフルエンサを識別することと、
   前記１つまたは複数のキーインフルエンサのうちの少なくとも１つに関連づけられた１つまたは複数の管理入力を調整することと、
   をさらに含む、請求項１に記載のコンピュータ実装された方法。
5. 前記製造物品に対する前記予測された第２の期待値が仕様内にある場合に、前記製造工程の管理を許可することをさらに含む、請求項１に記載のコンピュータ実装された方法。
6. 前記深層学習コントローラで複数のステーション値を受信することをさらに含み、前記複数のステーション値は前記第１の処理ステーションに関連づけられ、
   前記製造物品の前記中間出力または最終出力を予測することが前記複数のステーション値にさらに基づく、請求項１に記載のコンピュータ実装された方法。
7. 前記第１の管理値セットが、速さ、温度、圧力、真空度、回転、電流、電圧、抵抗、または電力のうちの１つまたは複数を含む、請求項１に記載のコンピュータ実装された方法。
8. １つまたは複数のプロセッサと、
   前記１つまたは複数のプロセッサによって実行されるときに、前記１つまたは複数のプロセッサに動作を実行させる命令を記憶する非一時的メモリと、
   を備えるシステムであって、前記動作が、
   深層学習コントローラで第１の処理ステーションから第１の管理値セットを受信して、前記第１の管理値セットが製造工程内に配備された前記第１の処理ステーションで生成され、前記第１の管理値セットが前記第１の処理ステーションの属性であることと、
   前記深層学習コントローラによって、前記第１の管理値セットに基づいて、処理ステーション下流における製造物品の中間出力または最終出力を予測することと、
   前記深層学習コントローラによって、前記製造物品に対する前記予測された中間出力または最終出力が仕様内にないことを判定することと、
   前記判定に基づき、前記深層学習コントローラによって、１つまたは複数の管理入力を生成して、前記１つまたは複数の管理入力は、前記製造物品に対する前記中間出力または最終出力が仕様内となるように構成されることと、
   生成された前記１つまたは複数の管理入力に従い、前記製造工程内において、さらに後のステップのために、前記第１の処理ステーションから前記処理ステーション下流に前記製造物品を移動させることと、
   前記深層学習コントローラで第２の管理値セットを受信して、前記第２の管理値セットが、前記処理ステーション下流で生成され、前記第２の管理値セットが前記処理ステーション下流の属性であることと、
   前記深層学習コントローラにより、第２の処理ステーション下流における
   第２の中間出力、または
   前記第１の管理値セット及び前記第２の管理値セットに基づく前記製造物品の更新された最終出力
   に対する第２の期待値を予測することと、
   を含む、システム。
9. 前記プロセッサが、
   前記処理ステーション下流の第１のステーションコントローラに前記１つまたは複数の管理入力を出力すること、
   を含む動作を実行するようにさらに構成される、請求項８に記載のシステム。
10. 前記１つまたは複数の管理入力を前記処理ステーション下流に出力することが、
    前記処理ステーション下流に関連づけられた前記第１のステーションコントローラに第１の管理入力を提供することと、
    前記第２の処理ステーション下流に関連づけられた第２のステーションコントローラに第２の管理入力を提供することとをさらに含み、
    前記第２の処理ステーション下流が前記製造工程内で前記第１の処理ステーションの下流にある、請求項９に記載のシステム。
11. 前記製造物品の前記中間出力または最終出力を予測することが、
    前記製造工程に関連づけられた１つまたは複数のキーインフルエンサを識別することと、
    前記１つまたは複数のキーインフルエンサのうちの少なくとも１つに関連づけられた１つまたは複数の管理入力を調整することと、
    をさらに含む、請求項８に記載のシステム。
12. 前記製造物品に対する前記予測された第２の期待値が仕様内にある場合に、前記製造工程の管理を許可することをさらに含む、請求項８に記載のシステム。
13. 前記プロセッサが、
    前記深層学習コントローラで複数のステーション値を受信すること、
    を含む動作を実行するようにさらに構成され、前記複数のステーション値は前記第１の処理ステーションに関連づけられ、
    前記製造物品の前記期待値を予測することが前記複数のステーション値にさらに基づく、請求項８に記載のシステム。
14. 前記第１の管理値セットが、速さ、温度、圧力、真空度、回転、電流、電圧、抵抗、または電力のうちの１つまたは複数を含む、請求項８に記載のシステム。
15. １つまたは複数のプロセッサによって実行されるときに、前記１つまたは複数のプロセッサに動作を実行させる命令が記憶された非一時的コンピュータ可読記憶媒体であって、前記動作が、
    深層学習コントローラで第１の処理ステーションから第１の管理値セットを受信して、前記第１の管理値セットは製造工程内に配備された前記第１の処理ステーションで生成され、前記第１の管理値セットが前記第１の処理ステーションの属性であることと、
    前記深層学習コントローラによって、前記第１の管理値セットに基づいて、処理ステーション下流における製造物品の中間出力に対する期待値を予測することと、
    前記深層学習コントローラによって、前記製造物品に対する前記予測された期待値が仕様内にないことを判定することと、
    前記判定に基づき、前記深層学習コントローラによって、１つまたは複数の管理入力を生成して、前記１つまたは複数の管理入力は、前記製造物品に対する中間出力または最終出力が仕様内となるように構成されることと、
    生成された前記１つまたは複数の管理入力に従い、前記製造工程内において、さらに後のステップのために、前記第１の処理ステーションから前記処理ステーション下流に前記製造物品を移動させることと、
    前記深層学習コントローラで第２の管理値セットを受信して、前記第２の管理値セットが、前記処理ステーション下流で生成され、前記第２の管理値セットが前記処理ステーション下流の属性であることと、
    前記深層学習コントローラにより、第２の処理ステーション下流における
    第２の中間出力、または
    前記第１の管理値セット及び前記第２の管理値セットに基づく前記製造物品の更新された最終出力
    に対する第２の期待値を予測することと、
    を含む、非一時的コンピュータ可読記憶媒体。
16. 前記１つまたは複数の管理入力を前記処理ステーション下流の第１のステーションコントローラに出力すること、
    を含む動作を前記１つまたは複数のプロセッサに実行させるように構成された命令をさらに含む、請求項１５に記載の非一時的コンピュータ可読記憶媒体。
17. 前記１つまたは複数の管理入力を前記処理ステーション下流に出力することが、
    前記処理ステーション下流に関連づけられた前記第１のステーションコントローラに第１の管理入力を提供することと、
    前記第２のステーション下流に関連づけられた第２のステーションコントローラに第２の管理入力を提供することをさらに含み、
    前記第２のステーション下流が前記製造工程内で前記第１の処理ステーションの下流にある、請求項１６に記載の非一時的コンピュータ可読記憶媒体。
18. 前記製造物品の前記中間出力または最終出力を予測することが、
    前記製造工程に関連づけられた１つまたは複数のキーインフルエンサを識別することと、
    前記１つまたは複数のキーインフルエンサのうちの少なくとも１つに関連づけられた１つまたは複数の管理入力を調整することと、
    をさらに含む、請求項１５に記載の非一時的コンピュータ可読記憶媒体。
19. 前記製造物品に対する前記予測された第２の期待値が仕様内にある場合に、前記製造工程の管理を許可すること、
    をさらに含む、請求項１５に記載の非一時的コンピュータ可読記憶媒体。
20. 前記深層学習コントローラで複数のステーション値を受信すること、
    をさらに含み、前記複数のステーション値は前記第１の処理ステーションに関連づけられ、
    前記製造物品の前記中間出力または最終出力を予測することが前記複数のステーション値にさらに基づく、請求項１５に記載の非一時的コンピュータ可読記憶媒体。
    

Images