KR102668950B1

KR102668950B1 - 제조 공정을 위한 예측 공정 제어

Info

Publication number: KR102668950B1
Application number: KR1020217039615A
Authority: KR
Inventors: 존 비. 풋맨; 매튜 씨. 풋맨; 바딤 핀스키; 다마스 리모즈
Original assignee: 나노트로닉스 이미징, 인코포레이티드
Priority date: 2019-06-24
Filing date: 2020-06-23
Publication date: 2024-05-23
Also published as: EP3948458A1; TW202115510A; EP3948458A4; US20210318674A1; US20230315071A1; US20200401119A1; CN113994286A; JP7389510B2; US20230367301A1; US11156992B2; JP2024020354A; US11709483B2; JP2022537811A; US11156991B2; US20210311465A1; US20200401120A1; WO2020263783A1; US11669078B2; KR20220005077A

Abstract

개시된 기술의 양태는 제조 공정을 모니터링하고 개선하기 위한 딥 러닝 제어기의 용도를 포함한다. 일부 양태에서, 개시된 기술의 방법은, 딥 러닝 제어기에서 둘 이상의 스테이션으로부터 다수의 제어 값을 수신하는 단계로서, 제어 값은 제조 공정에 배치된 둘 이상의 스테이션에서 생성되는, 단계와, 제어 값을 기반으로 제조 물품의 중간 또는 최종 출력에 대한 기대 값을 예측하는 단계, 및 제조 물품에 대해 예측된 기대 값이 사양 내에 있는지를 결정하는 단계를 포함한다. 일부 양태에서 공정은, 제조 물품에 대해 예측된 기대 값이 사양 내에 있지 않는 경우, 제어 입력을 생성하는 단계를 더 포함할 수 있다. 시스템 및 컴퓨터 판독 가능 매체가 또한 제공된다.

Description

제조 공정을 위한 예측 공정 제어

관련 출원에 대한 교차 참조

본 출원은 2019년 6월 24일 출원된 "제조 공정의 예측 공정 제어를 위한 시스템, 장치 및 방법(SYSTEMS, APPARATUS AND METHODS FOR PREDICTIVE PROCESS CONTROL OF THE MANUFACTURING PROCESS)"라는 명칭의 미국 특허 출원 제62/865,859호의 이익을 주장하는, 2019년 7월 23일 출원된 "제조 공정을 위한 예측 공정 제어(PREDICTIVE PROCESS CONTROL FOR A MANUFACTURING PROCESS)"라는 명칭의 미국 특허 출원 제16/519,102호에 대한 우선권을 주장하며, 이들의 전체 내용 전부가 본원에 참조로 포함된다.

본 개시는 일반적으로 제조 공정의 예측 공정 제어(PPC)를 위한 시스템, 장치 및 방법에 관한 것이다. 보다 구체적으로, 주제 기술은 제조 공정에 대한 개선을 제공하고, 특히 기계 학습 모델을 사용하여 이루어진 예측을 기반으로 최종 제조 제품 및 공정을 최적화할 뿐만 아니라, 제조 공정의 다양한 스테이션을 적응적으로 제어하기 위한 시스템 및 방법을 포함한다. 아래에서 더 자세히 논의하는 바와 같이, 기술의 일부 양태는 기계 학습 모델을 훈련시키기 위한 시스템 및 방법을 포함한다.

원하는 설계 사양을 일관되게 충족하는 제품을 안전하고 시기 적절하며 최소한의 낭비로 제조하기 위해서는, 제조 공정에 대한 지속적인 모니터링 및 조정이 필요하다.

본 발명은 원하는 설계 사양을 일관되게 충족하는 제품을 안전하고 시기 적절하며 최소한의 낭비로 제조하기 위한 제조 공정을 위한 예측 공정 제어를 제공하는 것을 목적으로 한다.

일부 양태에서, 개시된 기술은 제조 공정을 모니터링하고 개선하기 위한 딥 러닝 제어기(deep learning controller)의 용도에 관한 것이다. 일부 실시형태에서, 개시된 기술은, 딥 러닝 제어기에서 둘 이상의 스테이션으로부터 다수의 제어 값을 수신하는 단계로서, 제어 값은 제조 공정에 배치된 둘 이상의 스테이션에서 생성되는, 단계와, 딥 러닝 제어기에 의해, 제어 값을 기반으로 제조 물품의 중간 또는 최종 출력을 예측하는 단계와, 딥 러닝 제어기에 의해, 제조 물품에 대해 예측된 중간 또는 최종 출력 사양이 사양 내(in-specification)에 있는지를 결정하는 단계, 및 제조 물품에 대해 예측된 중간 또는 최종 출력이 사양 내에 있지 않는 경우, 딥 러닝 제어기에 의해 하나 이상의 제어 입력을 생성하는 단계로서, 하나 이상의 제어 입력은 제조 물품에 대한 중간 또는 최종 출력이 사양 내에 있도록 구성되는, 단계를 포함하는 컴퓨터 구현 방법을 포함한다.

또 다른 실시형태에서, 개시된 기술은 하나 이상의 프로세서, 및 명령을 저장하는 비일시적 메모리를 갖는 시스템을 포함하며, 상기 명령은, 하나 이상의 프로세서에 의해 실행될 때, 하나 이상의 프로세서로 하여금, 딥 러닝 제어기에서 둘 이상의 스테이션으로부터 다수의 제어 값을 수신하는 단계로서, 제어 값은 제조 공정에 배치된 둘 이상의 스테이션에서 생성되는, 단계와, 딥 러닝 제어기에 의해, 제어 값을 기반으로 제조 물품의 중간 또는 최종 출력을 예측하는 단계와, 딥 러닝 제어기에 의해, 제조 물품에 대해 예측된 중간 또는 최종 출력이 사양 내에 있는지를 결정하는 단계, 및 제조 물품에 대해 예측된 중간 또는 최종 출력이 사양 내에 있지 않는 경우, 딥 러닝 제어기에 의해 하나 이상의 제어 입력을 생성하는 단계로서, 하나 이상의 제어 입력은 제조 물품에 대한 중간 또는 최종 출력이 사양 내에 있도록 구성되는, 단계를 포함하는 동작을 수행하도록 한다.

또 다른 실시형태에서, 개시된 기술은 내부에 저장된 명령을 포함하는 비일시적 컴퓨터 판독 가능 저장 매체를 포함하고, 상기 명령은, 하나 이상의 프로세서에 의해 실행될 때, 하나 이상의 프로세서로 하여금, 딥 러닝 제어기에서 둘 이상의 스테이션으로부터 다수의 제어 값을 수신하는 단계으로서, 제어 값은 제조 공정에 배치된 둘 이상의 스테이션에서 생성되는, 단계와, 딥 러닝 제어기에 의해, 제어 값을 기반으로 제조 물품의 중간 또는 최종 출력을 예측하는 단계와, 딥 러닝 제어기에 의해, 제조 물품에 대해 예측된 중간 또는 최종 출력이 사양 내에 있는지를 결정하는 단계, 및 제조 물품에 대해 예측된 중간 또는 최종 출력이 사양 내에 있지 않는 경우, 딥 러닝 제어기에 의해 하나 이상의 제어 입력을 생성하는 단계로서, 하나 이상의 제어 입력은 제조 물품에 대한 중간 또는 최종 출력이 사양 내에 있도록 구성되는, 단계를 포함하는 동작을 수행하도록 한다.

본 개시의 상기한 및 기타 이점 및 특징이 달성될 수 있는 방식을 설명하기 위해, 위에서 간략하게 설명한 원리의 보다 구체적인 설명이 첨부된 도면에 도시된 특정 실시형태를 참조하여 제공될 것이다. 이들 도면은 본 개시의 예시적인 실시형태만을 도시하고 따라서 이들의 범위를 제한하는 것으로 간주되어서는 안 된다는 조건 하에, 본원의 원리는 첨부 도면의 사용을 통해 더욱 구체적이고 상세하게 기술되고 설명된다, 도면에서:
도 1은 통계적 공정 제어(Statistical Process Control, SPC)를 사용하여 스테이션을 제어하기 위한 예시적인 공정을 도시한다.
도 2는 예측 공정 제어(PPC)를 위해 구성된 딥 러닝 제어기의 예시적인 실시형태를 도시한다.
도 3은 딥 러닝 제어기를 훈련시키기 위한 예시적인 방법을 도시한다.
도 4는 예측 공정 제어를 구현하기 위한 예시적인 방법을 도시한다.
도 5는 예측 공정 제어를 사용하여 강력한 데이터 훈련 세트를 생성하기 위한 예시적인 방법을 도시한다.
도 6은 예측 공정 제어를 사용하여 제조 공정을 최적화하기 위한 예시적인 방법을 도시한다.
도 7은 예측 공정 제어를 사용하여 제조 공정을 최적화하는 실제 응용을 도시한다.
도 8은 데이터 출력을 기록하고 생성하기 위한 예시적인 방법을 도시한다.
도 9는 예측 공정 제어를 구현할 수 있는 딥 러닝 제어기의 실시형태의 일반적인 구성을 나타낸다.

아래에 제시된 상세한 설명은 주제 기술의 다양한 구성에 대해 설명하기 위한 것이며, 주제 기술이 실시될 수 있는 유일한 구성을 나타내기 위한 것은 아니다. 첨부된 도면은 본원에 포함되며 상세한 설명의 일부를 구성한다. 상세한 설명은 주제 기술에 대한 보다 철저한 이해를 제공하기 위한 목적으로 구체적인 세부 사항을 포함한다. 그러나, 주제 기술은 본원에 제시된 구체적인 세부 사항에 한정되지 않고, 이러한 세부 사항 없이 실시될 수 있음은 명확하고 명백할 것이다. 경우에 따라, 주제 기술의 개념을 모호하게 하는 것을 피하기 위해 구조와 구성요소가 블록도 형태로 도시된다.

제조 제어에서 이미지 분류의 사용과 관련된 추가 세부 사항은, 본원에 그 전체가 참조로 포함되는, "제조 제어를 위한 단일 보드 컴퓨터 상의 이미지 분류 모델 배치(DEPLOYMENT OF AN IMAGE CLASSIFICATION MODEL ON A SINGLE-BOARD COMPUTER FOR MANUFACTURING CONTROL)"라는 명칭의 미국 가출원 제62/836,202호에 의해 제공된다.

조립/제조 작업을 최적화하기 위한 계산 모델의 사용자에 관한 추가 세부 사항은, 본원에 그 전체가 참조로 포함되는, "제조의 의사 결정 및 조립 최적화를 위한 컴퓨팅 모델(A COMPUTATION MODEL FOR DECISION-MAKING AND ASSEMBLY OPTIMIZATION IN MANUFACTURING)"이라는 명칭의 미국 가특허 출원 제 62/836,192호 및 "조립 라인을 위한 동적 훈련(DYNAMIC TRAINING FOR ASSEMBLY LINES)"이라는 명칭의 미국 특허 출원 제16/289,422호에 의해 제공된다.

제조 공정은 복잡하고, 최종 제품(본원에서 "최종 출력"이라 함)이 생산될 때까지 다양한 공정 스테이션(또는 "스테이션")에 의해 가공되는 원료를 포함한다. 최종 공정 스테이션을 제외하고, 각각의 공정 스테이션은 가공을 위한 입력을 수신하고 추가 가공을 위해 후속(하류) 공정 스테이션을 따라 전달되는 중간 출력을 출력한다. 최종 공정 스테이션은 가공을 위한 입력을 수신하고 최종 출력을 출력한다.

각각의 공정 스테이션은 수신된 원료(이는 제조 공정의 제 1 스테이션 또는 임의의 후속 스테이션에 적용될 수 있음) 및/또는 이전 스테이션으로부터 수신된 출력(이는 제조 공정의 모든 후속 스테이션에 적용됨)에 대해 일련의 공정 단계를 수행하는 하나 이상의 도구/장비를 포함할 수 있다. 공정 스테이션의 예는 컨베이어 벨트, 사출 성형 프레스, 절단기, 다이 스탬핑 기계, 압출기, CNC 밀, 그라인더, 조립 스테이션, 3D 프린터, 품질 관리 및 검증 스테이션을 포함할 수 있지만 이에 한정되지 않는다. 예시적인 공정 단계는, 출력을 한 위치로부터 다른 위치로 운반하는 단계(컨베이어 벨트에 의해 수행됨); 재료를 압출기로 공급하고, 재료를 용융시키고, 금형 캐비티를 통해 재료를 사출하는 단계로서, 재료가 냉각되어 캐비티의 구성에 맞게 경화되는 단계(사출 성형 프레스에 의해 수행됨); 재료를 특정 형태나 길이로 절단하는 단계(절단기에 의해 수행됨); 재료를 특정 형태로 프레싱하는 단계(다이 스탬핑 기계에 의해 수행됨)를 포함할 수 있다.

일부 제조 공정에서, 여러 공정 스테이션이 병렬로 실행될 수 있다. 다시 말해서, 단일 공정 스테이션은 중간 출력을 하나 이상의 스테이션(예를 들어, 1 내지 N 개의 스테이션)으로 전송할 수 있고, 단일 공정 스테이션은 1 내지 n 개의 스테이션으로부터 중간 출력을 수신하고 결합할 수 있다. 또한, 단일 공정 스테이션은 제조 공정의 한번의 반복 동안 수신된 원료 또는 중간 출력에 대해 순차적으로 또는 비순차적으로 동일한 공정 단계 또는 상이한 공정 단계를 수행할 수 있다.

각각의 공정 스테이션의 동작은 하나 이상의 공정 제어기에 의해 통제될 수 있다. 일부 구현형태에서, 각각의 공정 스테이션은 공정 스테이션의 동작을 제어하도록 프로그램된(프로그래밍 알고리즘은 본원에서 "제어 알고리즘"이라고 함) 하나 이상의 공정 제어기(본원에서 "스테이션 제어기"라고 함)를 갖는다. 그러나, 일부 양태에서, 단일 공정 제어기가 둘 이상의 공정 스테이션의 동작을 제어하도록 구성될 수 있다.

조작자 또는 제어 알고리즘은 각각의 제어 값에 대한 원하는 값/또는 값 범위를 나타내는 스테이션 제어기 설정점(station controller setpoint)(또는 "설정점" 또는 "제어기 설정점" 또는 CSP)을 스테이션 제어기에 제공할 수 있다. 스테이션의 동작 중에 측정될 수 있는 스테이션의 도구/장비/공정 단계와 관련된 속성/매개변수는 제어 값 또는 스테이션 값이다. 측정된 속성/매개변수가 스테이션을 제어하는 데에도 사용되는 경우, 이들은 "제어 값"이다. 그렇지 않으면, 측정된 속성/매개변수는 "스테이션 값"이다. 제어 또는 스테이션 값의 예는 속도, 온도, 압력, 진공, 회전, 전류, 전압, 전력, 점도, 스테이션에서 사용되는 재료/자원, 처리 속도, 정전 시간, 유독 가스, 스테이션에서 수행되는 단계의 유형 및 단계 순서를 포함하지만 이에 한정되지 않는다. 예들은 동일하지만, 측정된 속성/매개변수가 제어 값 또는 스테이션 값으로 간주되는지 여부는, 특정 스테이션에 따라 그리고 측정된 속성/매개변수가 스테이션을 제어하는 데 사용되는지 아니면 단순히 스테이션 동작의 부산물인지 여부에 의존할 것이다.

제어 알고리즘은 또한 제어 값을 모니터링하고, 제어 값을 대응하는 설정점과 비교하고, 제어 값이 대응하는 스테이션 제어기 설정점과 동일하지 않을 때(또는 이의 정의된 범위 내에 있지 않을 때) 취할 조치를 결정하기 위한 명령을 포함할 수 있다. 예를 들어, 스테이션에 대해 측정된 현재 온도 값이 설정점 미만인 경우 스테이션에 대한 현재 온도 값이 설정점과 동일할 때까지 스테이션에 대한 열원(heat source)의 온도를 증가시키도록 스테이션 제어기에 의해 신호가 전송될 수 있다. 스테이션을 제어하기 위해 제조 공정에서 사용되는 기존의 공정 제어기는 제한적인데, 이들 공정 제어기는 설정점을 조정하고, 제어 값이 설정점에서 벗어날 때 취해야 할 조치를 규정하기 위한 정적 알고리즘(예를 들어, 온/오프 제어, PI 제어, PID 제어, 리드/래그(Lead/Lag) 제어)을 따르기 때문이다. 기존의 공정 제어기는 또한 주변 조건(예를 들어, 외부 온도, 습도, 광 노출, 스테이션의 마모), 스테이션 값, 중간 또는 최종 출력 값, 다른 공정 스테이션으로부터의 피드백과 같은 비제어 값을 분석하고, 관련된 스테이션의 동작을 제어하는 스테이션 제어기의 설정점 또는 제어 알고리즘을 동적으로 조정하는 기능이 있다고 하더라도 제한적이다.

본원에서 사용된 공정 값은, 제조 공정의 일부인 스테이션의 전체 시리즈(또는 스테이션의 하위 집합)에 걸쳐 집계되거나 평균화되는 스테이션 값 또는 제어 값을 말한다. 공정 값은 예를 들어 총 처리 시간, 사용된 총 자원, 평균 온도, 평균 속도를 포함할 수 있다.

스테이션 및 공정 값 외에도, 예를 들어, 온도, 중량, 제품 치수, 기계적, 화학적, 광학적 및/또는 전기적 특성, 설계 결함의 수, 결함 유형의 유무와 같은 공정 스테이션의 제품 출력(즉, 중간 출력 또는 최종 출력)의 다양한 특성이 측정될 수 있다. 측정될 수 있는 다양한 특성은 일반적으로 "중간 출력 값" 또는 "최종 출력 값"이라고 한다. 중간/최종 출력 값은 중간/최종 출력의 하나의 측정된 특성 또는 미리 정의된 공식에 따라 측정되고 가중치가 부여된 중간/최종 출력과 관련된 지정된 특성 세트를 기반으로 하는 합계 점수를 반영할 수 있다.

기계적 특성을 경도, 압축, 점착성, 밀도 및 중량을 포함할 수 있다. 광학적 특성은 흡수, 반사, 투과 및 굴절을 포함할 수 있다. 전기적 특성은 전기 저항과 전도도를 포함할 수 있다. 화학적 특성은 형성 엔탈피, 독성, 주어진 환경에서의 화학적 안정성, 가연성(연소 능력), 바람직한 산화 상태, pH(산도/알칼리도), 화학적 조성, 비등점, 증기점을 포함할 수 있다. 개시된 기계적, 광학적, 화학적 및 전기적 특성은 단지 예일 뿐이며 제한하고자 하는 것은 아니다.

도 1에 도시된 바와 같이, 공정 스테이션의 중간 출력에 대한 값 및 제조 공정에 의해 생성된 최종 출력에 대한 값은 통계적 공정 제어(SPC)에 따라 평가될 수 있다. 통계를 사용하여, SPC는 (1) 일정 기간 동안 스테이션에서 생성된 중간 출력 또는 최종 출력의 값; 및 (2) 중간 또는 최종 출력 값의 평균 및 평균으로부터의 표준 편차를 스테이션별로 추적한다. 예를 들어, 도 1은 특정 스테이션에 대한 중간 출력 값을 도시하고 있다. 각각의 점은 스테이션에 의해 생성된 중간 출력과 그 값을 나타내며, 평균으로부터 점까지의 거리(가운데에 검은색 선으로 나타냄)는 중간 출력 값이 해당 특정 스테이션에 대해 평균으로부터 얼마나 벗어났는지를 보여준다. 특정 스테이션에 대해 상한 및 하한 제어 한계(UCF 및 ECU)가 정의될 수 있다(예를 들어, 평균 위 또는 아래의 하나 이상의 표준 편차). 도 1은 상한 및 하한 제어 한계가 평균 위아래의 세 개의 표준 편차에서 설정되었음을 보여준다(점선으로 나타냄). 상한 및 하한 제어 한계는 일반적으로 중간/최종 출력 값에 대해 정의된 상한 및 하한 사양 한계(USE 및 USE)보다 좁다.

일부 양태에서, 중간 출력 및/또는 최종 출력에 대한 통계치는, 제조 물품이 "사양 내"에 있는 때, 즉 출력이 사전 지정된 특정 설계 요건을 달성한 때에 대한 결정을 내리는 데 사용될 수 있다. 이와 같이, 사양 내는, 지정된 설계 요건 또는 요건 세트를 충족하거나 초과하는 제조 물품 또는 제조 물품의 특성을 나타낼 수 있다. 예를 들어, 사양 내에 있는 것으로 간주되는 제조 물품은, 이상치 또는 평균(중간) 값으로부터의 허용 가능한 편차를 갖는 것과 같이, 지정된 통계적 요건을 달성하는 것일 수 있다.

중간/최종 출력에 대한 값이 상한 및 하한 제어 한계 내에 있는 한, 공정 스테이션/전체 공정은 제어 상태에 있는 것으로 간주되고, 일반적으로 어떠한 개입 또는 시정 조치도 취해지지 않을 것이다. 중간/최종 출력에 대한 값이 해당 측정에 대해 정의된 상한 또는 하한 제어 한계를 초과할 때, 일반적으로 개입 또는 시정 조치가 취해진다. 그러나, SPC 제어는 제조 공정을 개선하거나 최적화하는 것에 미치는 영향이 제한적인데, 상한/하한 제어 한계가 초과될 경우에만 개입/시정이 발생하기 때문이다. 공정이 제어 상태에 있을 때, 일반적으로 조정은 이루어지지 않는다. 또한, SPC는 단일 스테이션을 개별적으로 평가하고, 여러 스테이션의 추세 또는 여러 스테이션이 함께 최종 제품에 미치는 영향은 고려하지 않는다.

따라서, 스테이션 제어기에 대한 입력을 지능적이고 동적으로 조정하여 관련된 스테이션의 동작을 더 잘 제어하기 위해, 제조 공정의 각각의 스테이션에 대한 입력과 출력을 개별적으로, 그리고 다른 스테이션에 대한 다른 입력과 출력과 함께 고려할 수 있는 새로운 메커니즘이 필요하다. 특히, 사양 내에 있는 최종 출력을 생산하기 위해 제조 공정을 최적화할 입력을 예측하기 위한 새로운 메커니즘이 필요하다. 최종 출력의 설계 및 제조 공정을 개선할 입력을 예측하기 위한 새로운 메커니즘이 또한 필요하다. 제조 공정 및 최종 출력의 변동성을 줄이기 위한 새로운 메커니즘이 또한 필요하다.

개시된 기술의 양태는 진행 중인 제조 공정(본원에서는 예측 공정 제어라고 함)을 방해하지 않으면서 제조 공정 및 결과적인 제조 제품을 점진적으로 개선하기 위한 메커니즘(시스템, 방법, 장치, 기구 등을 포함할 수 있음)을 제공함으로써 종래의 제조 공정의 상기한 한계를 해결한다. 이와 같이, 개시된 기술은 진행 중인 제조 공정을 방해하지 않으면서 기존 제조 시스템 및 인프라를 개조하고 통합하기 위해 사용될 수 있다. 개선은 (1) 사양 내에 있는 최종 출력을 일관되게 생산하고; (2) 최종 출력의 설계 및 제조 공정을 최적화하며; (3) 제조 공정 및 최종 출력의 변동성을 감소시키기 위해, 종래의 스테이션 제어기를 통해 제조 공정에서 하나 이상의 공정 스테이션에 동적 제어를 제공함으로써 실현된다.

제어/스테이션/공정 값과 중간 및 최종 출력 값을 평가하고, 스테이션 제어기의 입력에 대한 조정을 결정하기 위해 기계 학습/인공 지능(AI) 모델을 기반으로 하는 딥 러닝 제어기가 사용될 수 있다. 본 기술 분야의 숙련자가 알 수 있는 바와 같이, 기계 학습 기반 기술은 개시된 기술을 벗어나지 않으면서 원하는 구현형태에 따라 변할 수 있다. 예를 들어, 기계 학습 기술은 다음 중 하나 이상을 단독으로 또는 조합하여 활용할 수 있다: 은닉 마르코프 모델(hidden Markov model); 순환 신경망(recurrent neural network); 합성곱 신경망(convolutional neural network, CNN); 딥 러닝(deep learning); 베이지안 기호법(Bayesian symbolic method); 강화 학습(reinforcement learning), 생성적 적대적 신경망(general adversarial network, GAN); 서포트 벡터 머신(support vector machine); 이미지 정합 방법(image registration method); 적용 가능한 규칙 기반 시스템(applicable rule-based system).

기계 학습 모델은 또한 클러스터링 알고리즘(예를 들어, 미니-배치 K-평균 클러스터링 알고리즘(Mini-batch K-means clustering algorithm)), 추천 알고리즘(예를 들어, 미니와이즈 해싱 알고리즘(Miniwise Hashing algorithm), 또는 유클리드 지역 민감성 해싱(Euclidean Locality-Sensitive Hashing, LSH) 알고리즘), 및/또는 국소 이상치 인자(Local outlier factor)와 같은 이상 탐지 알고리즘을 기반으로 할 수 있다. 기계 학습 모델은 또한 지도 및/또는 비지도 방법을 기반으로 할 수 있다.

본원에 논의된 바와 같이, 기계 학습 모델은 또한 최종 출력 값("주요 영향 인자(influencer)")에 가장 큰 영향을 미치는 공정 스테이션, 제어/스테이션/공정 값 및 중간 출력 값을 결정하고, 주요 영향 인자를 표적으로 함으로써 제조 공정을 최적화하기 위해 사용될 수 있다.

도 2는 도 4 내지 도 7과 관련하여 나중에 논의되는 예측 공정 제어를 사용하여 제조 공정에서 임의의 수(본원에서 "n" 개라고 함)의 가공 스테이션을 제어하도록 구성될 수 있는 예시적인 딥 러닝 제어기(218)를 도시하고 있다. 도 2에서, 제조 공정의 n개의 가공 스테이션은 공정 스테이션(222, 242)으로 도시되어 있다. 공정 스테이션은 직렬 또는 병렬로 작동할 수 있다. 범용 입력(236), 경험적 프라이어(experiential prior, 239), 기능적 프라이어(functional prior, 238) 및 n 개의 스테이션(예를 들어, 222 및 242) 각각으로부터의 입력이 딥 러닝 제어기(218)에 제공될 수 있다.

본원에서 사용된 기능적 프라이어는 제조 공정에서 개별적으로 및 집합적으로 각각의 공정 스테이션의 기능 및 알려진 제한에 관한 정보를 의미한다. 공정 스테이션에서 사용되는 도구/장비에 대한 사양은 모두 기능적 프라이어로 간주된다. 예시적인 기능적 프라이어는: 스크류가 회전할 수 있는 최소 및 최대 속도를 갖는 스크류 구동 압출기; 가열 및 냉각 기능을 기반으로 달성할 수 있는 최대 및 최소 온도를 갖는 온도 제어 시스템; 폭발하기 전에 수용할 수 있는 최대 압력을 갖는 압력 용기; 연소 전에 도달할 수 있는 최대 온도를 갖는 가연성 액체를 포함할 수 있지만 이에 한정되지 않는다. 기능적 프라이어는 또한 제조 공정의 일부인 개별 스테이션들이 기능을 수행하는 순서를 포함할 수 있다. 일부 실시형태에서, 여러 스테이션이 병렬로 실행될 수 있고, 후속 스테이션에서 이들의 중간 출력을 결합할 수 있다.

본원에서 사용된 경험적 프라이어는, 예를 들어 동일하거나 유사한 제조 공정을 수행하는 것; 동일하거나 유사한 스테이션을 작동시키는 것; 동일하거나 유사한 중간/최종 출력을 생성하는 것과 관련된 사전 경험에 의해 획득된 정보를 의미한다. 일부 실시형태에서, 경험적 프라이어는 허용 가능한 최종 출력 값 또는 허용 불가능한 최종 출력 값을 포함할 수 있다. 허용 가능한 최종 출력 값은 최종 출력이 "사양 내"에 있는 것으로 간주되는 최종 출력 값의 상한, 하한 또는 범위를 의미한다. 다시 말해서, 허용 가능한 최종 출력 값은 설계 사양을 충족하는, 즉 사양 내에 있는 최종 출력 값에 대한 매개변수를 설명한다. 반대로, 허용 불가능한 최종 출력 값은 최종 출력이 "사양 내"에 있지 않는 최종 출력 값의 상한/하한 또는 범위를 의미한다(즉, 설계 사양을 충족하지 않는 최종 출력 값에 대한 매개변수 설명한다). 예를 들어, 사전 경험을 기반으로, 파이프를 밀봉하는 데 사용되는 O-링은 특정 압축 특성이 있는 경우에만 밀봉함을 알 수 있다. 이러한 정보는 O-링 최종 출력에 대한 허용 가능한/허용 불가능한 압축 값을 설정하는 데 사용할 수 있다. 즉, 허용 가능한 압축 값을 갖는 모든 O-링 최종 출력은 밀봉 기능을 수행할 수 있는 반면, 허용 불가능한 압축 값을 갖는 모든 O-링 최종 출력은 밀봉 기능을 수행할 수 없다. 스테이션별로 정의될 수 있는 허용 가능한 중간 출력 값은, 다른 스테이션에 의한 시정 조치를 필요로 하지 않고, 궁극적으로 사양 내에 있는 최종 출력을 생성할 수 있는 중간 출력에 대한 매개변수를 정의하는 중간 출력 값의 상한/하한 또는 범위를 의미한다. 스테이션에 의해서도 정의될 수 있는 허용 불가능한 중간 출력 값은, 또 다른 스테이션에서 시정 조치가 취해지지 않는 한 궁극적으로 사양 내에 있지 않는 최종 출력을 생성할 중간 출력에 대한 매개변수를 정의하는 중간 출력 값의 상한/하한 또는 범위를 의미한다. 마찬가지로, 제조 공정과 관련된 다른 변수에 대해 허용 가능한/허용 불가능한 매개변수가 정의될 수 있다.

허용 가능한 제어/스테이션/설정점 값	만족스러운 스테이션 성능에 대한 매개변수를 정의하는 또는 이를 나타내는, 각각의 유형의 제어/스테이션 값 및 설정점에 대해 스테이션별로 정의된 값의 상한/하한 또는 범위. 만족스러운 성능이란, (1) 스테이션의 성능 그 자체(예를 들어, 처리 속도가 너무 늦지 않다, 정전, 유독 가스 또는 다른 유해한 상태가 없다, 자원이 효율적으로 사용되고 있다); 및/또는 (2) 다른 스테이션에 의한 시정 조치를 필요로 하지 않고, 사양 내에 있는 최종 출력이 달성될 수 있도록 하는 제어/스테이션/설정점 값을 말한다.
허용 불가능한 제어/스테이션 설정 값	불만족스러운 스테이션 성능에 대한 매개변수를 정의하는 또는 이를 나타내는, 각각의 유형의 제어/스테이션 값 및 설정점에 대해 스테이션별로 정의된 값의 상한/하한 또는 범위. 불만족스러운 성능이란, (1) 스테이션의 성능 그 자체(예를 들어, 처리 속도가 너무 늦다, 정전, 유독 가스 또는 다른 유해한 상태가 있다, 자원이 효율적으로 사용되고 있지 않다); 및/또는 (2) 다른 스테이션에 의한 시정 조치가 취해지지 않으면, 사양 내에 있는 최종 출력이 달성될 수 없도록 하는 제어/스테이션/설정점 값을 말한다.
허용 가능한 공정 성능	제조 공정의 만족스러운 성능에 대한 매개변수를 정의하는 또는 이를 나타내는, 각각의 유형의 공정 값에 대한 값의 상한/하한 또는 범위. 만족스러운 성능이란, (1) 공정의 기능 그 자체(예를 들어, 처리 속도가 너무 늦지 않다, 정전, 유독 가스 또는 다른 유해한 상태가 없다, 자원이 효율적으로 사용되고 있다); 및/또는 (2) 사양 내에 있는 최종 출력이 달성될 수 있도록 하는 공정 값을 말한다.
허용 불가능한 공정 성능	불만족스러운 공정 성능에 대한 매개변수를 정의하는 또는 이를 나타내는, 각각의 유형의 공정 값에 대해 정의된 값의 상한/하한 또는 범위. 불만족스러운 성능이란, (1) 공정 성능 그 자체(예를 들어, 처리 속도가 너무 늦다, 정전, 유독 가스 또는 다른 유해한 상태가 있다, 자원이 효율적으로 사용되고 있지 않다); 및/또는 (2) 사양 내에 있는 최종 출력이 달성될 수 없도록 하는 공정 값을 말한다.

경험적 프라이어는 또한 허용 가능한 및 허용 불가능한 제조 성능 메트릭을 포함할 수 있다. 제조 성능 메트릭은 제조 공정의 여러 반복에 대한 하나 이상의 측면(예를 들어, 특정 기간 동안의 생산량, 특정 기간 동안의 생산 중단 시간, 특정 기간 동안 사용된 자원 또는 특정 수의 최종 출력, 특정 기간 동안 사양 내에 있지 않는 제품의 비율, 특정 조작자에 대한 생산량, 특정 수의 최종 출력과 관련된 재료비)을 계산한다.

본원에서 사용된 범용 입력은 특정 공정 스테이션에 고유한 값을 의미하는 것이 아니라, 전체 제조 공정의 측면, 예를 들어 날짜, 시간, 주변 온도, 습도 또는 제조 공정에 영향을 줄 수 있는 기타 환경 조건, 조작자, 조작자의 기술 수준, 공정에 사용된 원료, 색상, 점도, 입자 크기와 같은 원료 사양, 특히 원료에 고유한 기타 특성, 원료의 특정 로트 번호 및 비용, 각각의 스테이션에 대한 장비/도구의 사용 기간, 생산 작업 주문 번호, 배치 번호, 로트 번호, 완제품 번호 및 완제품 일련 번호와 같은 식별 정보를 의미한다.

기능적 프라이어, 경험적 프라이어 및 범용 입력 각각에 대해 제공된 예는 이러한 예를 분류하는 한 가지 방법을 나타내며, 다른 적절한 분류가 사용될 수 있음에 주목한다. 예를 들어, 딥 러닝 제어기(218)에 제공되는 입력을 분류하는 또 다른 방법은: 공정 전(in-process input) 입력(예를 들어, 경험적 프라이어, 기능적 프라이어, 재료 특성, 일정 요건); 공정 중(in-process) 입력(예를 들어, 범용 입력, 제어 값, 스테이션 값, 중간 값, 최종 출력 값, 공정 값) 공정 후(post-process) 입력(예를 들어, 제조 성능 메트릭 및 기타 분석정보)이다.

각각의 공정 스테이션은 하나 이상의 관련된 스테이션 제어기에 의해 제어될 수 있다(예를 들어, 스테이션 제어기(220)는 공정 스테이션(222)을 제어하고 스테이션 제어기(240)는 공정 스테이션(242)을 제어한다). 다른 실시형태에서, 단일 스테이션 제어기이 다수의 공정 스테이션을 제어할 수 있다. 딥 러닝 제어기(218)는 예측 공정 제어를 기반으로 하는 제어 입력(226 및 246으로 도시됨)을 각각의 공정 스테이션 제어기에 제공할 수 있다. 수신된 제어 입력(예를 들어, 226 및 246)에 대응하여, 각각의 스테이션 제어기는 스테이션의 제어 값(예를 들어, 제어 값(225 및 245))을 조절하기 위한 명령을 제공하는 하나 이상의 제어 신호(예를 들어, 221 및 241)를 제공할 수 있다. 각각의 스테이션은 중간 출력 값(각각 234a 및 244a)을 갖는 중간 출력(예를 들어, 224 및 244)을 출력한다. 가공 스테이션의 모든 중간 출력 값과 최종 출력 값은 딥 러닝 제어기(218)에 제공된다. 각각의 스테이션은 또한 스테이션 값(예를 들어, 228 및 248)을 딥 러닝 제어기(218)에 출력한다. 도 2는 또한, 단일 스테이션 또는 n개의 여러 스테이션을 나타낼 수 있는 1 내지 n개의 후속 스테이션으로 중간 출력(224)이 전송(단계 250)되는 것을 도시하고 있다. 도 2에 도시된 바와 같이, 스테이션(242)은 1 내지 n개의 이전 스테이션으로부터 중간 입력을 수신(단계 260)할 수 있다.

딥 러닝 제어기(218), 스테이션 제어기 및 공정 스테이션 간의 통신은, 하나 이상의 다른 장치와 통신하고 및/또는 컴퓨터 네트워크와 데이터를 거래하는 기능을 제공하는 임의의 적절한 통신 기술을 사용할 수 있을 것으로 생각된다. 예를 들어, 구현된 통신 기술은 아날로그 기술(예를 들어, 릴레이 로직), 디지털 기술(예를 들어, RS232, 이더넷 또는 무선), 네트워크 기술(예를 들어, 근거리 통신망(LAN), 광역 통신망(WAN), 인터넷), 블루투스 기술, 근거리 통신 기술, 보안 RF 기술, 및/또는 다른 적절한 통신 기술을 포함할 수 있지만 이에 한정되지 않는다.

일부 실시형태에서, 조작자 입력은 임의의 적합한 입력 장치(예를 들어, 키보드, 마우스, 조이스틱, 터치, 터치 스크린 등)를 사용하여 딥 러닝 제어기(218), 및/또는 스테이션 제어기 또는 공정 스테이션에 전달될 수 있다.

일부 실시형태에서, 하나 이상의 공정 스테이션은 예를 들어 특정 명령을 실행하는 인간 조작자에 의해 수동으로 작동될 수 있다. 전자 스테이션 제어기 대신에, 조작자는 수동으로 또는 전자 수단(예를 들어, 비디오 또는 컴퓨터 디스플레이를 통해)을 통해 제공될 수 있는 일련의 명령을 따른다. 예를 들어, 수동 스테이션에서, 조작자는 와이어를 특정 길이로 절단하고 절단된 와이어의 길이를 측정하는 기능을 수행할 수 있다. 절단된 와이어의 길이와 같은 수동 피드백은 딥 러닝 제어기(218)에 제공될 수 있다. 본원에 설명된 예측 공정 제어를 사용하여, 딥 러닝 제어기(218)는 와이어가 원하는 길이 사양으로 절단되었는지 여부를 결정하고, 예를 들어 수동 스테이션의 조작자에게 일련의 지침 형태로 제공되는 절단 공정에 대한 개선 사항을 제공할 수 있다.

도 3은 개시된 주제의 일부 실시형태에 따라 딥 러닝 제어기(218)를 훈련시키기 위한 공정(300)을 제공한다.

단계 310에서, 제조 공정의 각각의 스테이션 제어기에 대한 설정점, 알고리즘 및 기타 제어 입력은 종래의 방법을 사용하여 초기화될 수 있다. 또한, 제어 알고리즘/조작자는 초기 제어/스테이션 값을 제공할 수 있다. 제어 알고리즘, 초기 설정점, 및 초기 제어/스테이션 값은 딥 러닝 제어기(218)에 제공될 수 있다(단계 315).

스테이션 제어기에 제공되는 제어 값, 제어 알고리즘, 설정점 및 기타 정보(예를 들어, 공정 타이밍, 장비 지침, 알람 경보, 비상 정지)는 집합적으로 "스테이션 제어기 입력" 또는 " 제어 입력"이라고 지칭될 것임에 주목한다.

또한, 기능적 프라이어(238), 경험적 프라이어(239) 및 범용 입력(236)과 같은 다른 입력이 딥 러닝 제어기(218)에 제공될 수 있다.

단계 325에서, 제조 공정은 종래의 제어 방법을 사용하여 모든 공정 스테이션을 통해 반복된다. 위에서 논의된 바와 같이, 본원에 논의된 공정 스테이션은 직렬로 또는 병렬로 작동할 수 있다. 또한 단일 스테이션은 단일 공정 단계를 여러 번(순차적으로 또는 비순차적으로), 또는 제조 공정의 한번의 반복 동안 다른 공정 단계를 (순차적으로 또는 비순차적으로) 수행할 수 있다. 공정 스테이션은 중간 출력을 생성하거나, 최종 스테이션인 경우 최종 출력을 생성한다. 중간 출력은 최종 출력이 생성될 때까지 제조 공정에서 후속(하류) 스테이션으로 전송된다.

공정이 각각의 스테이션을 통해 반복됨에 따라, 개별 스테이션(예를 들어, 제어 값); 개별 스테이션의 출력(예를 들어, 스테이션 값, 중간/최종 출력 값) 또는 여러 스테이션(예를 들어, 공정 값)과 관련된 모든 값이 측정되거나 계산되어 딥 러닝 제어기(218)의 기계 학습 알고리즘을 훈련시키기 위해 제공된다(단계 327 및 단계 328).

일부 실시형태에서, 종래의 제어 하의 제조 공정에 대한 제조 성능 메트릭(예를 들어, 특정 기간 동안의 생산량, 특정 기간 동안의 생산 중단 시간, 특정 기간 동안 사용된 자원 또는 특정 수의 최종 출력, 특정 기간 동안 사양 내에 있지 않는 제품의 비율, 특정 조작자에 대한 생산량, 특정 수의 최종 출력과 관련된 재료비)이 계산되어 딥 러닝 제어기(218)에 제공될 수 있다(단계 329).

도시되지는 않았지만, 가공 스테이션으로부터 수신된 제어 값 또는 다른 제어 입력에 대응하여 스테이션 제어기에 의해 취해진 임의의 조치(또는 생성된 제어 신호)가 딥 러닝 제어기(218)에 제공될 수 있다. 이러한 조치는 온도, 속도 등을 조정하는 단계를 포함할 수 있다. 또한, 허용 가능한 설정점, 허용 가능한 중간/최종 출력 값, 허용 가능한 제어/스테이션/공정 값으로부터의 편차도 계산되어 딥 러닝 제어기(218)에 제공될 수 있다.

딥 러닝 제어기(218)에 대한 모든 입력은 전자적으로 또는 조작자에 의해 수동 수단을 통해 입력될 수 있음에 주목한다.

딥 러닝 제어기(218)의 기계 학습 모델의 훈련(단계 235)은 비지도 학습 방법을 통해 달성될 수 있다. 딥 러닝 제어기(218)에 입력되는 기능적 프라이어(238), 경험적 프라이어(239), 범용 입력(236) 외에 딥 러닝 제어기(218)는 제조 공정의 반복(예를 들어, 단계 328 및 단계 329) 동안 수집한 수신 데이터를 분석함으로써 단순히 추론을 도출한다. 다른 실시형태에서, 딥 러닝 제어기(218)는 지도 학습 방법, 또는 지도 및 비지도 방법의 조합 또는 유사한 기계 학습 방법을 통해 훈련될 수 있다. 또한, 딥 러닝 제어기(218)의 훈련은 딥 러닝 제어기(218)에 시뮬레이션 데이터 또는 유사한 제조 공정의 데이터를 제공함으로써 보강될 수 있다. 일 실시형태에서, 딥 러닝 제어기(218)는 딥 러닝 제어기(218)를 유사한 제조 공정에서 시행하고, 목표 제조 공정에서 시행하는 동안 딥 러닝 제어기를 미세 조정함으로써 훈련될 수 있다. 즉, 딥 러닝 제어기(218)의 훈련은 딥 러닝 제어기(218)가 목표 제조 환경에 배치되기 전에 수행되는 훈련 과정을 이용하여 수행될 수 있다.

기계 학습 모델의 훈련을 기반으로, 딥 러닝 제어기(218)는 최종 출력 값이 허용 가능한지 여부(즉, 최종 출력이 "사양 내"에 있는지 여부)를 결정하는 최종 출력("기대 값(expected value)" 또는 "EV")의 특성에 대한 값을 예측할 수 있다(단계 342). 딥 러닝 제어기(218)는 예를 들어 예측에서의 통계적 신뢰의 척도를 제공하기 위해 동시에 또는 특정 기간 동안 자신의 예측에 대한 신뢰 수준을 제공할 수 있다. 일부 양태에서, 신뢰 수준은 예측에 대한 정확도의 수치적 확률로서 표현될 수 있고, 다른 양태에서, 신뢰 수준은 간격 또는 확률 범위로서 표현될 수 있다. 단계 343에서, 딥 러닝 제어기(218)는 최종 출력("실제 값(actual value)" 또는 "AV")의 특정 특성의 실제 측정치에 대해 기대 값을 비교할 수 있다.

일부 양태에서, 딥 러닝 제어기(218)는 스테이션별로 출력 특성에 관한 EV 예측을 수행하도록 구성될 수 있다. 즉, 딥 러닝 제어기(218)는 특정 스테이션에서의 출력에 관한 EV 예측을 수행하고, 이후 이러한 예측을 해당 스테이션에서 관찰된 실제 출력과 비교할 수 있다. 대안으로, 원하는 구현형태에 따라, 둘 이상의 스테이션에 의해 수행된 결합된 가공의 결과인 출력에 대해 EV 예측이 수행될 수 있다.

제조 공정이 각각의 스테이션을 통해 진행되고 딥 러닝 제어기(218)가 추가 정보를 수신함에 따라, 딥 러닝 제어기(218)는 신뢰 수준과 함께 기대 값을 수정할 수 있다. 딥 러닝 제어기(218)의 예측이 특정 기간 동안 미리 정의된 임계 신뢰 수준으로 정확하면, 딥 러닝 제어기(218)는 딥 러닝 제어기(218)가 공정 스테이션의 동작을 제어할 준비가 되었다는 신호를 제공할 수 있다.

일부 실시형태에서, 딥 러닝 제어기(218)는 또한, 스테이션 제어기의 초기화 후에, 제조 공정의 반복(즉, 제조 공정의 모든 스테이션을 통해 진행함)의 시작 시에, 그리고 제조 공정 동안, 제어 입력이 불만족스러운 스테이션 성능을 유발할지 또는 공정 성능에 영향을 미칠지(즉, 허용 불가능한 공정 성능을 유발할지) 여부를 예측할 수 있다. 딥 러닝 제어기(218)는 자신의 예측에 대한 신뢰 수준을 제공할 수 있다. 딥 러닝 제어기(218)는 딥 러닝 제어기(218)의 예측이 정확한지 여부를 결정할 수 있다. 추가 실시형태에서, 예상되는 최종 출력 값 및 예측된 스테이션/공정 성능 모두에 대한 딥 러닝 제어기(218)의 예측이 조작자에 의해 정의된 특정 기간 동안 임계 신뢰 수준으로 정확하면, 딥 러닝 제어기(218)는 딥 러닝 제어기(218)가 공정 스테이션의 동작을 제어할 준비가 되었다는 신호를 제공할 수 있다.

도 4는 예측 공정 제어를 사용하여 제조 공정을 제어하기 위한 예시적인 공정을 도시하고 있다.

딥 러닝 제어기(218)는 (도 3과 관련하여 논의된) 자신의 훈련된 기계 학습 알고리즘을 사용하여 제조 공정의 공정 스테이션과 관련된 스테이션 제어기에 대한 제어 입력을 계산한다. 계산된 제어 입력을 기반으로, 딥 러닝 제어기(218)는 자신의 예측에 대한 신뢰 수준과 함께, 제조 공정에 대한 최종 출력의 기대 값(EV)을 예측할 수 있다(단계 405). 임계 신뢰 수준으로, 기대 값이 사양 내에 있을 것이라고 딥 러닝 제어기(218)가 결정하면(단계 415), 딥 러닝 제어기(218)는 제조 공정의 공정 스테이션과 관련된 스테이션 제어기에 계산된 제어 입력을 출력할 수 있다(단계 420). 딥 러닝 제어기(218)는 제조 공정 시작 시에 또는 제조 공정 전반에 걸쳐 지속적으로 하나 이상의 스테이션 제어기에 계산된 제어 입력을 제공할 수 있다. 제어 입력은 직렬 순서로 스테이션 제어기에 제공될 필요는 없지만, 사양 내에 있는 최종 출력을 생성하는 데 적합한 순서로 또는 병렬로 하나 이상의 스테이션 제어기에 제공될 수 있다. 딥 러닝 제어기(218)로부터 제어 입력을 수신하는 각각의 스테이션 제어기는 제어 신호를 관련 스테이션에 전송하여 제어 값을 제어할 수 있다(예를 들어, 수신된 설정점과 일치하도록 제어 값을 제어할 수 있다). 기계 학습 알고리즘은 PPC 구현 전반에 걸쳐 계속해서 개선된다(단계 335). 또한 기능적 및 경험적 프라이어는 PPC 전반에 걸쳐 동적으로 업데이트될 수 있다.

단계 430에서, 제조 공정은 모든 공정 스테이션을 통해 직렬 또는 병렬로 진행된다. 공정이 각각의 스테이션을 통해 반복됨에 따라, 개별 스테이션(예를 들어, 제어 값); 개별 스테이션의 출력(예를 들어, 스테이션 값, 중간/최종 출력 값) 또는 여러 스테이션(예를 들어, 공정 값)과 관련된 모든 값이 측정되거나 계산되어 딥 러닝 제어기(218)의 기계 학습 알고리즘을 훈련시키기 위해 제공될 수 있다(단계 432). 또한, 예측 공정 제어 하에 있는 제조 공정에 대한 제조 성능 메트릭이 계산되어 딥 러닝 제어기(218)에 제공될 수 있다(단계 432). PPC 하에서 계산된 공정 값과 제조 성능 메트릭은 종래의 제어 하에 계산된 공정 값과 제조 성능 메트릭과 비교되어, 예측 공정 제어에 의해 제공되는 개선 사항을 결정할 수 있다.

도 4에 도시된 공정 전반에 걸쳐, 딥 러닝 제어기(218)는 최종 출력에 대한 기대 값(EV)을 예측하고, 최종 출력에 대한 기대 값이 사양 내에 있는지 여부를 결정하고, 자신의 예측에 대한 신뢰 수준을 결정하며, 예상 최종 값을 실제 최종 값과 비교함으로써 자신의 예측에 대한 피드백을 제공할 수 있다. 또한, 최종 출력이 사양 내에 있지 않다고 딥 러닝 제어기(218)가 결정하면, 최종 출력에 대해 예측된 기대 값이 사양 내에 있도록 제어 입력에 대한 조정을 계산할 수 있다.

일부 양태에서, 딥 러닝 제어기(218)는 스테이션별로 중간 출력에 관한 EV 예측을 수행하도록 구성될 수 있다. 즉, 딥 러닝 제어기(218)는 특정 스테이션의 출력에 관한 EV 예측을 수행하고, 중간 출력에 대한 EV가 사양 내에 있는지 여부를 결정하고, 자신의 예측에 대한 신뢰 수준을 결정하며, 이후 이들 예측을 해당 스테이션에서 관찰된 실제 출력과 비교할 수 있다. 대안으로, 원하는 구현형태에 따라, 둘 이상의 스테이션에 의해 수행된 결합된 가공의 결과인 출력에 대해 EV 예측이 수행될 수 있다. 또한, 중간 출력이 사양 내에 있지 않다고 딥 러닝 제어기(218)가 결정하면, 중간 출력에 대해 예측된 기대 값이 사양 내에 있도록 제어 입력에 대한 조정을 계산할 수 있다.

딥 러닝 제어기(218)에 의해 결정된 신뢰 수준이 미리 결정된 임계치 미만인 경우, 제조 공정의 제어는 도 3과 관련하여 설명된 바와 같이 종래의 제어로 되돌아갈 수 있음에 주목한다.

일부 실시형태에서, 딥 러닝 제어기(218)는 또한 스테이션/제어/공정 또는 중간 출력 값 중 임의의 값이 허용 불가능한지 여부를 모니터링하고, 스테이션 제어기 입력을 추가로 조정하거나, 스테이션 제어기 입력을 조정함으로써 문제가 해결될 수 없는 경우 경고를 생성할 수 있다.

스테이션이 제조 공정을 실행할 때 수신하는 데이터를 기반으로, 딥 러닝 제어기(218)는 하나 이상의 스테이션 제어기에 대한 제어 입력을 조정할 수 있다. 추가 실시형태에서, 딥 러닝 제어기(218)는 제조 공정의 공정 스테이션을 통한 반복의 시작 전에 스테이션 제어기 입력을 초기화할 수 있을 뿐만 아니라, 공정 자체 동안 스테이션 제어기 입력을 조정할 수도 있다("피드포워드 제어"). 특히, 제조 공정에서 이전 스테이션으로부터 수신된 정보를 기반으로, 딥 러닝 제어기(218)는 공정에서의 후속 스테이션과 관련된 제어 입력을 변경할 수 있다. 예를 들어, 특정 스테이션의 중간 출력에 결함이 있다고 딥 러닝 제어기(218)가 결정하면 딥 러닝 제어기(218)는 최종 출력이 사양 내에 있도록 후속 스테이션에서 취할 수 있는 시정 조치가 있는지 여부를 결정할 수 있다. 딥 러닝 제어기(218)는 또한 제어/스테이션/공정 값 및/또는 중간/최종 출력 값에 대한 피드백을 기반으로, 실시간으로 현재 및 이전 가공 스테이션을 변경할 수 있다("피드백 제어"). 실시간으로 각각의 스테이션을 동적으로 제어하고, 업스트림에서 발생한 오류, 잘못된 계산, 바람직하지 않은 조건 또는 예상치 못한 결과를 보상하기 위해 하류 스테이션 제어기를 조정하는 이러한 기능은 사양 내에 있는 최종 출력의 제조 가능성을 높인다. 또한, 광범위한 최종 출력 값이 사양 내에 있는 것으로 간주될 수 있지만, 동일하거나 유사한 품질을 갖고, 더 좁은 허용 가능한 최종 출력 값 범위 내에서 유사한 최종 출력 값을 갖는 최종 출력을 제조하는 것이 바람직할 수 있다. 피드백 및 피드포워드 제어로 인해, 딥 러닝 제어기의 예측 기능과 함께, 딥 러닝 제어기(218)는 스테이션 제어기를 조정하여 일관된 품질의 최종 출력 값 및 유사한 최종 출력 값을 생성할 수 있다.

제조 공정의 어떤 매개변수가 최종 출력 값 또는 공정 성능에 가장 큰 영향("주요 영향")을 미치는지 식별하는 것이 유용하다. 딥 러닝 제어기(218)는 제조 공정의 모든 매개변수(예를 들어, 하나 이상의 제어 값, 하나 이상의 스테이션 값, 하나 이상의 공정 값, 하나 이상의 스테이션, 하나 이상의 중간 출력 또는 이들의 임의의 조합)를 고려할 수 있고, 하나 이상의 기계 학습 알고리즘을 사용하여 주요 영향을 식별할 수 있다. 일부 양태에서, 딥 러닝 제어기(218)는 예를 들어 하나 이상의 주요 영향을 발견하기 위해 비지도 기계 학습 기술들을 사용할 수 있고, 여기서 각각의 주요 영향 인자는 다양한 스테이션 출력의 특성, 최종 출력 및/또는 공정 성능에 영향을 미치는 하나 이상의 매개변수(또는 매개변수 조합)와 관련된다. 주요 영향 및 이들의 관련 매개변수의 발견은, 명시적으로 주요 영향 또는 매개변수에 라벨을 지정하거나 이를 식별하거나, 이를 인간 조작자에게 출력할 필요 없이, 딥 러닝 제어기(218)의 작동 및 훈련을 통해 수행될 수 있을 것으로 생각된다.

일부 접근 방식에서, 딥 러닝 제어기(218)는 최종 출력 값 또는 공정 성능에 대한 제조 공정의 각각의 매개변수의 영향을 중요도 순서로 순위를 지정할 수 있다. 주요 영향 인자는, 컷오프 순위(예를 들어, 최종 출력 값에 영향을 미치는 제조 공정의 상위 5개 측면), 최소 영향 수준(예를 들어, 최종 출력 값에 적어도 25% 기여하는 제조 공정의 모든 측면), 또는 기타 적절한 기준을 기반으로 식별될 수 있다. 일부 양태에서, 주요 영향 특성은 예를 들어 대응하는 특성에 대한 영향의 가중치에 비례하는 정량적 점수와 관련될 수 있다.

딥 러닝 제어기(218)는 제조 공정 전반에 걸쳐 지속적으로 주요 영향 인자를 계산할 수 있다(단계 446).

일부 실시형태에서, 도 5와 관련하여 설명된 바와 같이, 주요 영향 인자는 딥 러닝 제어기(218)를 훈련시키기 위해 보다 강력한 데이터 세트를 구축하는 데 사용될 수 있다.

종래의 제조에서, 제조 공정에서 생성되는 데이터는 제한적인데, 목표가 평균으로부터 특정 표준 편차 내에 있는 중간 출력 값을 생성하는 것이기 때문이다. 그 결과, 제어 입력, 제어/스테이션/공정 값의 범위도 제한적인데, 이들 모두 평균으로부터 특정 범위 내에 있는 중간 출력 값을 생성하도록 설계되기 때문이다. 대조적으로, 본 개시 하에서, 최종 출력이 사양 내에 있는 한, 중간 출력 값은 평균으로부터 특정 범위 내에 있을 필요는 없다. 딥 러닝 제어기의 예측이 더 정확해짐에 따라, 일부 실시형태에서 딥 러닝 제어기(218)는, 전통적인 제조 공정 제어(예를 들어, SPC) 하에 제어 중인 공정의 정상적인 변동을 초과할 수 있지만, 여전히 사양 내에 있는 최종 출력을 생성하는 중간 출력 값을 생성하기 위한 조건을 생성하기 위해 의도적으로 제어 입력을 변경할 수 있다. 이로써, 패턴을 감지하고, 특정 스테이션, 스테이션/제어/공정 값 및 중간 출력 값이 최종 출력 값에 영향을 미치는 방식(예를 들어, 최종 출력이 사양 내에 있는지 여부)을 결정하기 위한 딥 러닝 제어기(218)에 대한 보다 강력한 데이터 훈련 세트가 생성된다. 강력한 데이터 세트의 생성은 생산 환경에서 딥 러닝 제어기(218)를 구현하는 동안 및 구현하기 전에 이루어질 수 있다.

도 5는 보다 강력한 데이터 세트를 생성하기 위한 예시적인 공정을 도시하고 있다. 일부 실시형태에서, 딥 러닝 제어기(218)는 평균으로부터 특정 범위를 초과할 수 있는 중간 출력 값을 생성하기 위해 하나 이상의 스테이션 제어기에 대한 알려진 제어기 입력(예를 들어, 제어 설정점)을 조정할 수 있다. 예를 들어, 딥 러닝 제어기(218)가 훈련되면(단계 335), 딥 러닝 제어기(218)는 사양 내에 있는 최종 출력 값을 생성할 각각의 스테이션 제어기에 대한 적어도 일부 제어 입력을 알고 있다. 일부 실시형태에서, 딥 러닝 제어기(218)는 하나 이상의 스테이션 제어기를 선택하고, 선택된 스테이션 제어기(들)에 대한 알려진 제어 입력(예를 들어, 설정점)을 미리 결정된 임계치(예를 들어, 새로운 설정점 = 원래 설정점 + 1% 원래 설정점)만큼 변경할 수 있다(단계 510). 딥 러닝 제어기(218)는 자신의 예측에 대한 신뢰 수준과 함께, 새로 계산된 제어 입력을 사용하여 제조 공정에 대한 최종 출력의 기대 값(EV)을 예측할 수 있다(단계 515). 임계 신뢰 수준으로, 기대 값이 사양 내에 있을 것이라고 딥 러닝 제어기(218)가 결정하면(단계 517), 딥 러닝 제어기(218)는 조정된 제어 입력을 선택된 스테이션 제어기에 제공할 수 있다(단계 520). 딥 러닝 제어기(218)는 또한 예측된 기대 값을 실제 최종 출력 값(AV)과 비교하여 자신의 예측에 대한 피드백을 제공하고 제어 입력을 추가로 조정할 수 있다(단계 525).

예시적인 일 실시형태에서, 재료 허용 오차와 관련된 제어 입력은 의도적으로 변경될 수 있고, 딥 러닝 제어기(218)는 사양 내에 있는 최종 제품을 생성하기 위해 다른 제어 입력에 대해 어떤 조정을 수행할 것인지 결정하는 데 사용될 수 있다. 이러한 방식으로 딥 러닝 제어기(218)를 훈련시킴으로써, 새로운 재료가 제조 공정에 예기치 않게 도입될 때, 딥 러닝 제어기(218)는 조작자의 입력을 필요로 하지 않고 자체적으로 제어 입력을 조정할 수 있다. 유사하게, 제어 알고리즘에 대한 조정(예를 들어, 바이러스 또는 다른 공격을 모방하는 조정)이 의도적으로 취해질 수 있고, 딥 러닝 제어기(218)는 사양 내에 있는 최종 제품에서 생성하기 위해 다른 제어 입력에 대해 어떤 조정을 수행할 것인지 결정하는 데 사용될 수 있다. 의도적으로 이러한 변경을 도입함으로써, 딥 러닝 제어기(218)는, 제조 공정 중에 예기치 않게 제어 알고리즘에 대한 조정이 이루어질 때, 조작자의 입력을 필요로 하지 않고 자체적으로 제어 입력을 조정할 수 있다.

일부 실시형태에서, 딥 러닝 제어기(218)는 먼저 주요 영향 인자를 결정할 수 있고(도 4와 관련하여 설명된 단계 446), 주요 영향 인자와 관련된 제어 입력을 변경할 수 있다. 다른 실시형태에서, 딥 러닝 제어기(218)는 모든 스테이션 제어기에 대한 제어 입력을 변경하거나, 미리 결정된 공식에 따라 스테이션 제어기를 선택할 수 있다. 강력한 데이터 세트를 생성하기 위해, 딥 러닝 제어기(218)는 제조 공정을 반복할 때마다 특정 스테이션 제어기와 관련된 제어 입력을 계속 조정할 수 있다(단계 528). 예를 들어, 딥 러닝 제어기(218)는 주요 영향 인자와 관련된 설정점을 1%만큼 조정할 수 있고, 제조 공정을 한 번 이상 반복할 수 있다. 이후의 반복에서, 딥 러닝 제어기(218)는 주요 영향 인자와 관련된 설정점을 1%만큼 더 조정할 수 있고, 제조 공정을 한 번 이상 반복할 수 있다. 딥 러닝 제어기(218)는, 조정된 설정점을 사용하는 제조 공정에 대한 기대 값이 임계 신뢰 수준으로 사양 내에 있는 최종 출력 값을 생성하는 한, 계속해서 조정할 수 있다. 각각의 반복 동안, 도 4와 관련하여 설명된 바와 같이, 스테이션/제어 값, 중간/최종 출력 값, 공정 값 및 제조 성능 메트릭이 생성되고(단계 430), 이는 딥 러닝 제어기(218)의 기계 학습 알고리즘을 훈련시키고(단계 335), 기능적 및 경험적 프라이어를 동적으로 업데이트하는 데 사용된다.

다음 예는 제어 입력(예를 들어, 특정 스테이션에 대한 온도 설정점)을 변경함으로써 강력한 데이터 세트를 생성하는 것을 추가로 설명한다. 이 예에서, 특정 스테이션의 설정점 온도는 95°이고, 스테이션의 실제 온도는 92° 내지 98°(즉, 설정점 온도의 위아래 3°) 사이에서 변동한다. 95°에서의 설정점 온도와 실제 스테이션 온도의 상응하는 ±3° 변동은 모두 사양 내에 있는 최종 출력 값을 생성한다. 딥 러닝 제어기(218)는, 무시할 수 있는 양(예를 들어, +0.5°)만큼 온도 설정점을 조정하는 것이 여전히 사양 내에 있는 최종 출력 값을 생성할 것인지를 예측할 수 있다. 딥 러닝 제어기(218)가 조정된 온도 설정점을 사용하는 제조 공정에 대해, 임계치 신뢰 수준에서, 사양 내에 있는 최종 출력 값을 예측하면, 딥 러닝 제어기(218)는 온도 설정점을 +0.5°만큼 조정할 것이다. 설정점으로부터 ±3°의 동일한 스테이션 온도 변동을 가정하면, 스테이션 온도는 실제 설정점이 95.5°일 때 92.5° 내지 98.5° 범위가 될 것이고, 설정점이 94.5°일 때 91.5° 내지 97.5° 범위가 될 것이다. 딥 러닝 제어기(218)는 91.5° 내지 98.5°의 온도 범위에 걸쳐 최종 출력 값을 예상 출력 값과 비교하고, 최종 출력 값이 사양 내에 있을 것이라고 올바르게 예측했는지 여부를 결정할 수 있다. 온도 설정점이 +0.5°만큼 조정되었기 때문에, 결과적인 데이터 세트는 92° 내지 98°의 원래 온도 범위보다 더 넓은 온도 범위인 91.5° 내지 98.5°를 포함한다.

스테이션 제어기 설정점을 변경하는 대신에, 설정점을 변경하는 동일한 목표를 달성할 수 있는 스테이션 제어기에 대한 다른 제어 입력(예를 들어, 제어 값)을 수정함으로써 스테이션의 제어 값이 변경될 수 있음에 주목한다. 예를 들어, 스테이션 제어기의 설정점이 100도이고, 실제 스테이션 온도 값(즉, 제어 값)은 100도이며, 목표는 스테이션의 실제 온도 값을 2도 높이는 것임을 가정한다. 해당 변경을 달성하기 위해 온도 설정점을 102도로 증가시키는 대신에, 딥 러닝 제어기(218)는 스테이션 제어기에 제공하는 제어 값을 실제 온도 값보다 2도 낮게 변경(예를 들어, 제어 값을 100도에서 98도로 변경)할 수 있고, 스테이션 제어기가 스테이션 온도를 2도 올려, 2 도의 원하는 스테이션 온도 증가(즉, 102도)를 달성하도록 한다. 기존 스테이션 제어가 설정점 변경을 허용하지 않는 경우, 설정점 대신 제어 값을 변경해야 할 수도 있다.

일부 실시형태에서, 도 6과 관련하여 설명된 바와 같이, 주요 영향 인자는 최종 출력 또는 공정 값을 최적화하기 위해 사용될 수 있다.

가장 중요한 스테이션, 스테이션/제어/공정 값, 최종 출력 값 또는 공정 성능에 영향을 미치는 중간 출력 값이 식별되고 나면, 자원 할당 및 공정 최적화는 주요 영향 인자를 표적으로 할 수 있다. 예를 들어, 공정에 미미한 영향을 미치는 대량의 데이터를 수집하는 대신에, 데이터 리소스(예를 들어, 수집, 가공 및 저장)가 주요 영향 인자와 관련된 데이터("큐레이트 데이터(curated data)")에 주로 할당될 수 있다. 또한 큐레이트 데이터(제조 공정에서 사용 가능한 모든 데이터의 하위 집합)는, 주요 영향 인자를 최적화하고, 훈련 예제의 양을 줄이며, 큐레이트 데이터를 가공하는 데 사용할 수 있는 리소스를 늘리기 위해, 기계 학습 알고리즘에 제공될 수 있다. 또한 기계 학습 알고리즘은, 전체 공정 대신에, 주요 영향 인자를 최적화하고, 기계 학습 알고리즘이 고려해야 하는 가능한 상태 및 행동을 줄이며, 리소스를 보다 효율적이고 지능적으로 할당하기 위한 것일 수 있다. 예를 들어, 강화 학습에서 상태 및 행동 공간은 에이전트가 인식할 수 있는 가능한 상태의 범위 및 에이전트가 사용할 수 있는 행동을 정의한다. 주요 영향에만 강화 학습을 사용함으로써, 상태 및 행동 공간이 줄어들고, 알고리즘을 보다 쉽게 관리할 수 있다.

일부 실시형태에서, 조작자는 최적화하고자 하는 최종 출력 또는 공정 값의 하나 이상의 특성(예를 들어, 최소량의 전력 또는 자원, 가장 빠른 처리량, 최소 결함 수, 최대 인장 강도)을 지정할 수 있다. 딥 러닝 제어기(218)는 최종 출력("최적의 설계 값") 및/또는 특정 공정 값("최적의 공정 값")의 특정 특성에 대해 최적화하기 위해 주요 영향을 표적으로 하는 강화 학습과 같은 기계 학습 모델을 실행할 수 있다.

도 6은, 본 개시의 일부 실시형태에 따라, 최적의 설계/공정 값을 지정하고, 원하는 최적의 설계 또는 공정 값을 달성하기 위해 주요 영향을 제어하고 최적화하기 위해 딥 러닝 제어기를 사용하는 공정을 도시하고 있다.

단계 600에서, 원하는 최적의 설계/공정 값이 딥 러닝 제어기(218)에 제공된다. 예를 들어, 최소량의 전력 또는 자원, 가장 빠른 처리량, 최소 결함 수, 최대 인장 강도 등을 사용하여, 사양 내에 있는 최종 출력을 생성한다.

단계 605에 도시된 바와 같이, 딥 러닝 제어기(218)는 사양 내에 있는 제품(도 4 참조)을 유도하기 위한 주요 영향을 결정할 수 있고, 각각의 주요 영향 인자를 제어하여 원하는 최적의 설계 또는 공정 값을 달성하기 위해 제어 입력("최적의 제어 입력")을 예측할 수 있다. 딥 러닝 제어기(218)는 최적의 제어 입력을 사용하여 제조 공정에 대한 최종 출력의 기대 값을 결정할 수 있고, 기대 값이 사양 내에 있고 원하는 최적의 설계 또는 공정 값을 달성할 것인지 여부를 예측할 수 있다(단계 615). 딥 러닝 제어기(218)는 또한 최적의 제어 입력이 최적의 설계 또는 공정 값을 생성할 신뢰 수준을 계산할 수 있다(단계 615). 딥 러닝 제어기(218)는 제조 공정 시작 시에 그리고 제조 공정 전반에 걸쳐 지속적으로 관련 스테이션 제어기에 최적의 제어 입력을 제공할 수 있다(단계 620). 최적의 제어 입력은 스테이션 제어기에 직렬 순서로 제공될 필요는 없지만, 원하는 최적의 설계 또는 공정 값을 달성하는 최종 출력을 생성하는 데 적합한 순서로 또는 병렬로 하나 이상의 스테이션 제어기에 제공될 수 있다.

다른 실시형태에서, 사양 내에 있는 최종 출력에 대한 매개변수는 원하는 최적의 설계/공정 값과 일치하도록 업데이트될 것이다. 예를 들어, 최종 출력에 대한 사양 내에 있는 인장 강도가 40 내지 90메가파스칼(MPa)이고 최종 출력에 대한 최적의 인장 강도가 70 내지 90 MPa로 결정된 경우, 사양 내에 있는 매개변수는 70 내지 90 MPa로 업데이트될 수 있다. 딥 러닝 제어기(218)는, 주요 영향 인자와 관련된 스테이션 제어기에 대한 계산된 제어 입력이 업데이트된 사양 매개변수(즉, 70 내지 90 MPa)를 달성할 것이라는 신뢰 수준을 예측하고 결정할 수 있다. 딥 러닝 제어기(218)는, 계산된 제어 입력이, 미리 정의된 임계치 이상의 신뢰 수준에서, 업데이트된 사양 매개변수를 달성할 것으로 예측할 때, 관련 스테이션 제어기를 업데이트할 수 있다.

딥 러닝 제어기(218)는 도 3과 관련하여 논의된 바와 같이 다른 스테이션 제어기에 제어 입력을 계속 제공할 수 있지만, 최적화는 주요 영향 인자와 관련된 스테이션 제어기만 표적으로 할 것임에 주목한다. 일부 실시형태에서, 딥 러닝 제어기(218)는 주요 영향 인자가 아니라, 임의의 스테이션, 스테이션/제어/공정 값 또는 중간 출력 값과 관련된 스테이션 제어기를 최적화할 수 있다.

딥 러닝 제어기(218)는 또한 기대 값을 실제 값과 비교하여 자신의 예측에 대한 피드백을 제공하고 제어 입력을 추가로 조정할 수 있다(단계 545). 공정이 시작되고 모든 스테이션을 통과할 때, 일부 실시형태에서 최종 출력에 대한 측정치뿐만 아니라 주요 영향 인자와 관련된 측정치만이 수집되어 딥 러닝 제어기(218)에 제공된다. 다른 실시형태에서, 딥 러닝 제어기(218)는 모든 공정 스테이션으로부터 데이터를 계속 수집할 수 있다. 데이터는 최적의 설계/공정 값이 일관되고 높은 신뢰 수준으로 달성되도록 주요 영향 인자에 대한 제어 입력을 지속적으로 개선하는 데 사용된다.

원하는 최적의 설계/공정 값은 언제든지 변경될 수 있음에 주목한다. 또한, 주요 영향 인자로서 자격을 부여하는 기준을 변경함으로써 새로운 주요 영향 인자가 계산될 수 있다(예를 들어, 첫 번째 기준은 사양 내에 있는 최종 출력을 유도하는 상위 5개 스테이션을 주요 영향 인자로 분류할 수 있는 반면, 업데이트된 기준은 사양 내에 있는 최종 출력을 유도하는 상위 3개 스테이션만 주요 영향 인자로 분류할 수 있다). 또한, 딥 러닝 제어기(218)가 일정 기간 동안 특정 신뢰 수준으로 최적의 설계/공정 값을 달성하기 위해 제어 입력을 예측하고 나면, 딥 러닝 제어기(218)는 주요 영향 인자 중 원하는 최적화를 유도하기 위한 주요 영향 인자를 식별하고, 주요 영향 인자의 해당 하위 집합만을 표적으로 할 수 있고, 따라서 기계 학습 알고리즘이 고려해야 하는 가능한 작업/상태를 더욱 줄이고 해당 하위 집합에 리소스를 더 효율적으로 할당할 수 있다.

추가 실시형태에서, 딥 러닝 제어기(218)는 제조 공정의 공정 스테이션을 통한 반복을 시작하기 전에 주요 영향 인자에 대한 스테이션 제어기 입력을 초기화할 수 있을 뿐만 아니라, 공정 자체 동안 제어 입력을 조정할 수도 있다. 특히, 공정의 이전 스테이션으로부터 수신된 정보를 기반으로, 딥 러닝 제어기(218)는 최적의 설계/공정 값이 달성될 수 있도록 공정의 후속 스테이션과 관련된 제어 입력을 변경할 수 있다. 딥 러닝 제어기(218)는 공정을 진행하고 후속 스테이션으로부터 데이터를 수신할 때 공정 내의 이전 스테이션을 조정할 수도 있다.

일부 실시형태에서, 최적의 설계 또는 공정 값을 달성하기 위한 제조 공정에 대한 제조 성능 메트릭이 계산되어 딥 러닝 제어기(218)에 제공될 수 있다(단계 632). 이러한 제조 성능 메트릭은 PPC에 대한 제조 성능 메트릭 및/또는 기존 제어에 대한 제조 성능 메트릭과 비교되어, 설계 및/또는 공정을 최적화함으로써 제공되는 개선 사항을 결정할 수 있다.

딥 러닝 제어기(218)에 의해 조정되고 구현될 수 있는 가능한 행동/상태를 줄이기 위한 제조 시스템 최적화의 예는, 본원에 그 전체가 참조로 포함되는, "제조 제어를 위한 적응형 방법 및 실시간 의사 결정(Adaptive Methods and Real-Time Decision Making for Manufacturing Control)"이라는 명칭의 미국 특허 가출원 제62/836,199호에 개시되어 있다. 개시된 방법은 예시일 뿐이며 제한하기 위한 것은 아니다.

본 개시의 딥 러닝 제어기(218)에 의해 조정되고 구현될 수 있는 기계 학습 알고리즘이 고려해야 하는 가능한 행동/상태를 줄이기 위한 제조 시스템 최적화의 또 다른 예는, 본원에 그 전체가 참조로 포함되는, "다중 구성요소 제조 제어에 대한 학습 방식의 이전(TRANSFER LEARNING APPROACH TO MULTI-COMPONENT MANUFACTURING CONTROL)"이라는 명칭의 미국 특허 가출원 제62/836,213호에 개시되어 있다. 개시된 방법은 예시일 뿐이며 제한하기 위한 것은 아니다. 도 7은 최종 출력의 설계/공정을 최적화하기 위해 예측 공정 제어를 응용할 수 있는 예시적인 제조 시스템을 도시하고 있다. 특히, 3D 제조 시스템은 다수의 공정 스테이션(예를 들어, 스테이션(700) 내지 스테이션(750))을 가질 수 있으며, 각각의 공정 스테이션은 공정 단계(예를 들어, 최종 출력을 생성하게 될 압출 재료 층을 증착하는 단계)를 수행할 수 있다. 도 6에 설명된 바와 같이 예측 공정 제어를 사용하여, 조작자는 최적화하고자 하는 것(예를 들어, 최종 출력의 인장 강도)을 지정할 수 있다(단계 600). 또한, 딥 러닝 제어기(218)는 최종 출력의 인장 강도에 영향을 미치는 주요 영향 인자(예를 들어, 층당 증착 재료의 양에 대한 변화 및 압출기 속도 제어에 대한 변화)를 결정할 수 있다(단계 605). 딥 러닝 제어기(218)는, 주요 영향 인자만을 최적화하고 다른 제어 속성(예를 들어, 압출기 노즐 온도, 프린트 헤드의 인쇄 패턴 등)은 최적화하지 않도록 기계 학습 알고리즘(예를 들어 강화 학습)을 실행함으로써 기계 학습 알고리즘이 고려해야 하는 가능한 행동/상태를 줄일 수 있다. 또한, 딥 러닝 제어기(218)는 인장 강도에 가장 큰 영향을 미치는 압출 층(예를 들어, 층(4) 및 층(5))을 식별하고, 이들 층을 증착하는 스테이션(예를 들어, 스테이션(4) 및 스테이션(5))에 대한 주요 영향 인자를 최적화할 수 있다.

일부 실시형태에서, 도 4 내지 도 7에서 논의된 예측 공정 제어 방법과 관련하여, 종래의 스테이션 제어기는 꺼질 수 있고 딥 러닝 제어기(218)는 공정 스테이션을 직접 제어할 수 있음에 주목한다.

또한, 예측 공정 제어의 일부 실시형태에서, 도 8에 도시된 데이터 기록 모듈(810)은 딥 러닝 제어기(218)로부터 데이터를 수신하고, 데이터를 분석하고, 보고서, 이메일, 경고, 로그 파일 또는 기타 데이터 출력을 생성하도록 구성될 수 있다(단계 815). 예를 들어, 데이터 기록 모듈(810)은 미리 정의된 트리거링 이벤트(triggering event)에 대해 수신된 데이터를 검색하고, 이러한 트리거링 이벤트와 관련된 관련 데이터를 보여주는 보고서, 이메일, 경고, 로그 파일 또는 기타 데이터 출력을 생성하도록 프로그램될 수 있다(단계 815). 예를 들어, 설정점 또는 기타 제어 입력을 조정하는 것은 트리거링 이벤트로 정의될 수 있으며, 설정점 또는 조정된 기타 제어 입력의 명칭, 영향을 받은 스테이션, 날짜 및 시간, 조정된 제어 입력과 관련된 신뢰 수준, 조정된 제어 입력이 사양 내에 있는 최종 출력 또는 최적의 설계/공정 값을 달성했는지 여부, 조정이 이루어진 이유와 같은 데이터가 보고될 수 있다. 또 다른 예에서, 최적의 설계/공정 값을 달성하거나 달성하지 못하는 것을 트리거링 이벤트로 정의될 수 있으며, 주요 영향 인자에 대한 제어 입력, 날짜 및 시간, 보고된 정전, 제어 입력에 대한 신뢰 수준, 처리 시간, 자원 소모 관련 조작자와 같은 데이터가 보고될 수 있다. 다른 적절한 트리거가 정의될 수 있고, 다른 적절한 데이터가 보고될 수 있다. 데이터 기록 모듈은 종래의 제어를 사용하여 제조 공정 동안 수집된 공정 값, 최종 출력 값, 제조 성능 메트릭을, 예측 성능 제어를 사용하여 제조 공정 동안 수집된 공정 값, 최종 출력 값, 제조 성능 메트릭과 비교할 수도 있다. 일부 실시형태에서, 데이터 기록 모듈(810)은 딥 러닝 제어기(218) 내에 포함될 수 있다.

도 9는 개시된 주제의 일부 실시형태에 따른 예측 공정 제어를 구현할 수 있는 딥 러닝 제어기(218)의 실시형태의 일반적인 구성을 도시하고 있다. 딥 러닝 제어기(218)가 버스(905)를 통해 다양한 구성요소가 결합되는 국부화 컴퓨팅 시스템으로 도시되어 있지만, 다양한 구성요소 및 기능적 계산 유닛(모듈)이 별도의 물리적 또는 가상 시스템으로 구현될 수 있을 것으로 생각된다. 예를 들어, 하나 이상의 구성요소 및/또는 모듈은 예를 들어 클라우드 환경에서 인스턴스화된 가상 공정(예를 들어, 가상 머신 또는 컨테이너)을 사용하여 물리적으로 분리된 원격 장치에서 구현될 수 있다.

딥 러닝 제어기(218)는 처리 유닛(예를 들어, CPU/들 및/또는 프로세서/들)(910) 및 예를 들어 판독 전용 메모리(ROM)(920) 및 랜덤 메모리(920)와 같은 시스템 메모리(915)를 포함하는 다양한 시스템 구성요소를 처리 유닛(910)에 연결하는 버스(905)를 포함할 수 있다. 처리 유닛(910)은 모토로라 마이크로프로세서 제품군 또는 MIPS 마이크로프로세서 제품군으로부터의 프로세서와 같은 하나 이상의 프로세서를 포함할 수 있다. 대안적인 실시형태에서, 처리 유닛(910)은 딥 러닝 제어기(218)의 동작을 제어하고 예측 공정 제어를 수행하기 위해 특별히 설계된 하드웨어일 수 있다. 적절한 소프트웨어 또는 펌웨어의 제어 하에 동작할 때, 처리 모듈(910)은 본원에 설명된 PPC의 다양한 기계 학습 알고리즘 및 계산을 수행할 수 있다.

메모리(915)는 메모리 캐시(912)와 같은 상이한 성능 특성을 갖는 다양한 메모리 유형을 포함할 수 있다. 프로세서(910)는 하나 이상의 기능 모듈 및/또는 데이터 시스템을 구현하는 데 필요한 소프트웨어 및 명령을 저장하도록 구성될 수 있는 저장 장치(930)에 결합될 수 있다. 이들 모듈 및/또는 데이터베이스 시스템 각각은 프로세서(910)뿐만 아니라 소프트웨어 명령이 실제 프로세서 설계에 통합되는 특수 목적 프로세서를 제어하도록 구성될 수 있다.

딥 러닝 제어기(218)와의 조작자 상호작용을 가능하게 하기 위해, 입력 장치(945)는 음성용 마이크, 제스처 또는 그래픽 입력용 터치 감지 스크린, 키보드, 마우스, 모션 입력 등과 같은 임의의 수의 입력 메커니즘을 나타낼 수 있다. 출력 장치(935)는 또한 본 기술 분야의 숙련자에게 알려진 다수의 출력 메커니즘(예를 들어, 프린터, 모니터) 중 하나 이상일 수 있다. 일부 예에서, 다중모드 시스템은 조작자가 딥 러닝 제어기(218)와 통신하기 위해 여러 유형의 입력을 제공하도록 할 수 있다. 통신 인터페이스(940)는 일반적으로 조작자 입력 및 시스템 출력뿐만 아니라, 스테이션 제어기, 공정 스테이션, 데이터 기록 모듈, 관련된 모든 센서 및 이미지 캡처 장치와 같은 제조 공정의 일부인 기타 구성요소에 대해 수신 및 전송되는 모든 전자 입력을 제어하고 관리할 수 있다. 특정 하드웨어 장치에서 작동하는 데 어떠한 제한도 없고, 따라서 여기에서 기본 기능은, 개발될 때, 개선된 하드웨어 또는 펌웨어 장치로 쉽게 대체될 수 있다. 딥 러닝 제어기(218)에서 출력된 데이터는 시각적으로 디스플레이되거나, 인쇄되거나, 파일 형식으로 생성될 수 있고, 저장 장치(930)에 저장되거나 추가 처리를 위해 다른 구성요소로 전송될 수 있다.

통신 인터페이스(940)는 인터페이스 카드(때때로 "라인 카드(line card)"라고 함)로서 제공될 수 있다. 일반적으로, 이들 인터페이스는 네트워크를 통해 데이터 패킷의 송수신을 제어하고, 라우터와 함께 사용되는 다른 주변 장치를 지원하기도 한다. 제공될 수 있는 인터페이스 중에는 이더넷 인터페이스, 프레임 릴레이 인터페이스, 케이블 인터페이스, DSL 인터페이스, 토큰 링 인터페이스 등이 있다. 또한, 고속 토큰 링 인터페이스, 무선 인터페이스, 이더넷 인터페이스, 기가비트 이더넷 인터페이스, ATM 인터페이스, HSSI 인터페이스, POS 인터페이스, FDDI 인터페이스 등과 같은 다양한 초고속 인터페이스가 제공될 수 있다. 일반적으로, 이들 인터페이스는 적절한 미디어와의 통신에 적합한 포트를 포함할 수 있다. 경우에 따라, 이들 인터페이스는 독립 프로세서 및, 경우에 따라 휘발성 RAM을 포함할 수도 있다. 독립 프로세서는 패킷 교환, 미디어 제어 및 관리와 같은 통신 집약적인 작업을 제어할 수 있다. 통신 집약적인 작업을 위해 별도의 프로세서를 제공함으로써, 이들 인터페이스를 통해 처리 유닛(910)은 예측 공정 제어를 구현하는 데 필요한 기계 학습 및 기타 계산을 효율적으로 수행할 수 있다. 통신 인터페이스(940)는 스테이션 제어기, 공정 스테이션, 데이터 기록 모듈 및 관련된 모든 센서 및 이미지 캡처 장치와 같은 제조 공정의 일부인 기타 구성요소와 통신하도록 구성될 수 있다.

제조 공정과 관련된 센서는 PPC의 구현 이전에 존재했던 센서뿐만 아니라, PPC에 의해 사용되는 임의의 추가 측정을 수행하기 위해 추가된 임의의 새로운 센서를 포함할 수 있다. 하나 이상의 센서가 각각의 스테이션 내에 포함되거나 각각의 스테이션에 결합될 수 있다. 센서는 스테이션 값, 제어 값, 중간 및 최종 출력 값과 같은 제조 공정에서 생성된 값을 측정하는 데 사용될 수 있다. 또한, 센서에 의해 제공되는 정보는 공정 값 및 성능 제조 메트릭을 계산하기 위해 딥 러닝 제어기(218)에 의해, 또는 딥 러닝 제어기(218) 외부에 있는 모듈에 의해 사용될 수 있다. 예시적인 센서는, 위치와 속도를 감지하기 위한 회전식 인코더; 근접, 압력, 온도, 레벨, 흐름, 전류 및 전압을 감지하기 위한 센서; 이동 제한의 존재 또는 종료와 같은 상태를 감지하기 위한 리미트 스위치를 포함할 수 있지만 이에 한정되지 않는다. 본원에서 사용된 센서는 감지 장치와 신호 처리기 모두를 포함한다. 예를 들어, 감지 장치는 스테이션 또는 제어 값에 반응하고, 신호 처리기는 딥 러닝 제어기에 의해 사용되고 해석될 수 있는 신호로 해당 반응을 변환한다. 온도에 반응하는 센서의 예로는 RTD, 열전대 및 백금 저항 프로브가 있다. 스트레인 게이지 센서는 무엇보다도 압력, 진공, 무게, 거리 변화에 반응한다. 근접 센서는 물체들이 서로의 특정 거리 내에 있거나 지정된 타르트(tart) 내에 있을 때 물체에 반응한다. 이러한 모든 예에서, 반응은 딥 러닝 제어기(218)에 의해 사용될 수 있는 신호로 변환되어야 한다. 많은 경우에, 센서의 신호 처리 기능은 딥 러닝 제어기(218)에 의해 해석되는 디지털 신호를 생성한다. 신호 처리기는 또한 무엇보다도 아날로그 신호 또는 TTL 신호를 생성할 수 있다.

일부 실시형태에서, 딥 러닝 제어기(218)는, 비디오 카메라와 같은 다양한 이미지 캡처 장치에 의해 수신된 이미지를 가공하고, 하나 이상의 가공 스테이션에 결합되며, 중간 및 최종 출력의 이미지를 모니터하고 캡처할 수 있는 이미지 처리 장치(970)를 포함할 수 있다. 이러한 이미지는 통신 인터페이스(940)를 통해 딥 러닝 제어기(218)로 전송되고, 이미지 처리 장치(970)에 의해 처리될 수 있다. 이미지는 중간 및 최종 출력 값을 계산하기 위해 딥 러닝 제어기(218)에 의해 사용될 수 있는 결함의 수 및 유형, 출력 치수, 처리량과 같은 데이터를 제공하도록 처리될 수 있다. 일부 실시형태에서, 이미지 처리 장치는 딥 러닝 제어기(218) 외부에 있을 수 있고 통신 인터페이스(940)를 통해 딥 러닝 제어기(218)에 정보를 제공할 수 있다.

저장 장치(930)는 비일시적 메모리이며, 자기 카세트, 플래시 메모리 카드, 반도체 메모리 장치, 디지털 다기능 디스크, 카트리지, 랜덤 액세스 메모리(RAM)(825), 판독 전용 메모리(ROM)(820), 및 이들의 하이브리드와 같은 컴퓨터에 의해 액세스 가능한 데이터를 저장할 수 있는 하드 디스크 또는 다른 유형의 컴퓨터 판독 가능 매체일 수 있다.

실제로, 저장 장치(930)는 딥 러닝 제어기(218)에 대해 입력 및 출력되는 데이터, 예를 들어 기능적 프라이어, 경험적 프라이어, 범용 입력; 공정 전 입력, 공정 중 입력 및 공정 후 입력을 수신하고, 저장하며 업데이트하도록 구성될 수 있다.

일부 실시형태에서, 본원에 설명된 기능 및/또는 공정을 수행하기 위한 명령을 저장하기 위해 임의의 적절한 컴퓨터 판독 가능 매체가 사용될 수 있다. 예를 들어, 일부 실시형태에서, 컴퓨터 판독 가능 매체는 일시적이거나 비일시적일 수 있다. 예를 들어, 비일시적 컴퓨터 판독 가능 매체는 비일시적 자기 매체(예를 들어, 하드 디스크, 플로피 디스크 등), 비일시적 광학 매체(예를 들어, 콤팩트 디스크, 디지털 비디오 디스크, 블루레이 디스크 등), 비일시적 반도체 매체(예를 들어, 플래시 메모리, 전기적 프로그램 가능 판독 전용 메모리(electrically programmable read only memory, EPROM), 전기적 소거 및 프로그램 가능 판독 전용 메모리(electrically erasable programmable read only memory, EEPROM) 등), 전송 동안 일시적이지 않거나 또는 영속성의 외관이 전혀 없지는 않은 임의의 적합한 매체 및/또는 적합한 유형의 매체와 같은 매체를 포함할 수 있다. 또 다른 예로서, 일시적 컴퓨터 판독 가능 매체는 네트워크, 인 와이어, 전도체, 광섬유, 회로, 및 전송 동안 일시적이고 영속성의 외관이 전혀 없는 임의의 적합한 매체 및/또는 임의의 적합한 무형 매체 상의 신호를 포함할 수 있다.

본원에 기술된 다양한 시스템, 방법, 및 컴퓨터 판독 가능 매체는 클라우드 네트워크 환경의 일부로서 구현될 수 있다. 본 문서에서 사용된 클라우드 기반 컴퓨팅 시스템은 가상화된 컴퓨팅 리소스, 소프트웨어 및/또는 정보를 클라이언트 장치에 제공하는 시스템이다. 컴퓨팅 리소스, 소프트웨어 및/또는 정보는 네트워크와 같은 통신 인터페이스를 통해 종단 장치가 액세스할 수 있는 중앙 집중식 서비스 및 리소스를 유지함으로써 가상화될 수 있다. 클라우드는 서비스형 소프트웨어(Software as a Service, SaaS)(예를 들어, 협업 서비스, 이메일 서비스, 전사적 자원 관리 서비스, 콘텐츠 서비스, 통신 서비스 등), 서비스형 인프라(Infrastructure as a Service, IaaS)(예를 들어, 보안 서비스, 네트워킹 서비스, 시스템 관리 서비스 등), 서비스형 플랫폼(Platform as a Service, PaaS)(예를 들어, 웹 서비스, 스트리밍 서비스, 애플리케이션 개발 서비스 등), 및 서비스형 데스크톱(desktop as a service, DaaS), 서비스형 정보 기술 관리(information technology management as a service, ITaaS), 서비스형 관리형 소프트웨어(managed software as a service, MSaaS), 서비스형 모바일 백엔드(mobile backend as a service, MBaaS) 등의 다른 유형의 서비스와 같은 클라우드 요소를 통해 다양한 클라우드 컴퓨팅 서비스를 제공할 수 있다.

본원에 설명된 예의 제공(또한 "~와 같은", "예를 들어," "포함하는" 등으로 표현되는 절)은 청구된 주제를 특정 예에 제한하는 것으로 해석되어서는 안 되고; 오히려, 예는 가능한 많은 양태 중 일부만을 설명하기 위한 것이다. 본 기술 분야의 숙련자는 메커니즘이라는 용어가 하드웨어, 소프트웨어, 펌웨어, 또는 이들의 임의의 적절한 조합을 포함할 수 있음을 이해할 것이다.

위의 논의로부터 명백한 바와 같이 달리 구체적으로 언급되지 않는 한, 설명 전반에 걸쳐 "결정하는", "제공하는", "식별하는", "비교하는" 등과 같은 용어를 사용하는 논의는, 컴퓨터 시스템 메모리 또는 레지스터 또는 기타 정보 저장, 전송 또는 디스플레이 장치 내에서 물리적(전자) 수량으로 나타낸 데이터를 조작하고 변환하는 컴퓨터 시스템 또는 유사한 전자 컴퓨팅 장치의 작업 및 공정을 나타낸다. 본 개시의 특정 양태는 알고리즘의 형태로 본원에 설명된 공정 단계 및 명령을 포함한다. 본 개시의 공정 단계 및 명령은 소프트웨어, 펌웨어 또는 하드웨어로 구현될 수 있고, 소프트웨어로 구현될 때, 실시간 네트워크 운영 체제에 의해 사용되는 다른 플랫폼에 상주하고 그로부터 작동하도록 다운로드될 수 있다는 점에 유의해야 한다.

본 개시는 또한 본원의 동작을 수행하기 위한 장치에 관한 것이다. 이 장치는 필요한 목적을 위해 특별히 구성되거나, 컴퓨터가 액세스할 수 있는 컴퓨터 판독 가능 매체에 저장된 컴퓨터 프로그램에 의해 선택적으로 활성화되거나 재구성되는 범용 컴퓨터를 포함할 수 있다. 이러한 컴퓨터 프로그램은, 플로피 디스크, 광학 디스크, CD-ROM, 자기 광학 디스크, 판독 전용 메모리(ROM), 랜덤 액세스 메모리(RAM), EPROM, EEPROM, 자기 또는 광학 카드, 주문형 집적 회로(ASIC), 또는 전자 명령을 저장하기에 적합한 임의의 유형의 비일시적 컴퓨터 판독 가능 저장 매체를 포함하지만 이에 한정되지 않는 임의의 유형의 디스크와 같은 컴퓨터 판독 가능 저장 매체에 저장될 수 있다. 또한, 명세서에서 언급된 컴퓨터는 단일 프로세서를 포함할 수 있거나, 향상된 컴퓨팅 능력을 위해 다수의 프로세서 설계를 사용하는 아키텍처일 수 있다.

본원에 제시된 알고리즘 및 동작은 본질적으로 임의의 특정 컴퓨터 또는 기타 장치와 관련이 없다. 다양한 범용 시스템이 본원의 교시에 따른 프로그램과 함께 사용될 수도 있고, 필요한 방법 단계 및 시스템 관련 동작을 수행하기 위해 보다 전문화된 장치를 구성하는 것이 편리할 수도 있다. 이러한 다양한 시스템에 필요한 구조는 동등한 변형과 함께 본 기술 분야의 숙련자에게 명백할 것이다. 또한, 본 개시는 임의의 특정 프로그래밍 언어를 참조하여 설명되지 않는다. 다양한 프로그래밍 언어가 본원에 설명된 바와 같이 본 개시의 교시를 구현하기 위해 사용될 수 있고, 특정 언어에 대한 임의의 참조가 본 개시의 실시 가능성 및 최상의 모드의 개시를 위해 제공된다는 것을 알 수 있다.

다양한 실시형태의 논리적 동작은, (1) 범용 컴퓨터 내의 프로그래밍 가능한 회로에서 실행되는 컴퓨터 구현 단계, 동작 또는 절차의 시퀀스; (2) 특정 용도의 프로그래밍 가능 회로에서 실행되는 컴퓨터 구현 단계, 동작 또는 절차의 시퀀스; 및/또는 (3) 프로그램 가능 회로 내의 상호 연결된 기계 모듈 또는 프로그램 엔진으로서 구현된다. 시스템(300)은 언급된 방법의 전부 또는 일부를 실행할 수 있고, 언급된 시스템의 일부일 수 있고, 및/또는 언급된 비일시적 컴퓨터 판독 가능 저장 매체 내의 명령에 따라 동작할 수 있다. 이러한 논리 연산은 프로세서(363)를 제어하여 모듈의 프로그래밍에 따라 특정 기능을 수행하도록 구성된 모듈로서 구현될 수 있다.

개시된 공정에서 단계의 임의의 특정 순서 또는 계층 구조는 예시적인 접근 방식의 예시임을 알아야 한다. 설계 선호도를 기반으로, 공정에서 단계의 특정 순서 또는 계층 구조가 재배열될 수 있거나, 예시된 단계의 일부만이 수행될 수 있음을 알아야 한다. 일부 단계는 동시에 수행될 수 있다. 예를 들어, 특정 상황에서 다중 작업 및 병렬 가공이 유리할 수 있다. 또한, 상기한 실시형태에서의 다양한 시스템 구성요소의 분리는 모든 실시형태에서 그러한 분리를 필요로 하는 것으로 이해되어서는 안 되며, 설명된 프로그램 구성요소 및 시스템은 일반적으로 단일 소프트웨어 제품에 함께 통합되거나, 여러 소프트웨어 제품으로 패키징될 수 있음을 알아야 한다.

예측 공정 제어 장치, 방법 및 시스템은 이러한 예시된 실시형태를 구체적으로 참조하여 상세하게 설명되었다. 그러나, 상기한 명세서에 설명된 바와 같이 본 개시의 사상 및 범위 내에서 다양한 수정 및 변경이 이루어질 수 있고, 이러한 수정 및 변경은 본 개시의 균등물 및 일부로 간주되어야 한다는 것이 명백할 것이다.

개시의 진술

진술 1: 컴퓨터 구현 방법으로서, 방법은, 딥 러닝 제어기에서 둘 이상의 스테이션으로부터 다수의 제어 값을 수신하는 단계로서, 제어 값은 제조 공정에 배치된 둘 이상의 스테이션에서 생성되는, 단계와; 딥 러닝 제어기에 의해, 제어 값을 기반으로 제조 물품의 중간 또는 최종 출력에 대한 기대 값을 예측하는 단계와; 딥 러닝 제어기에 의해, 제조 물품에 대해 예측된 기대 값이 사양 내에 있는지를 결정하는 단계; 및 제조 물품에 대해 예측된 기대 값이 사양 내에 있지 않는 경우, 딥 러닝 제어기에 의해 하나 이상의 제어 입력을 생성하는 단계로서, 하나 이상의 제어 입력은 제조 물품에 대한 중간 또는 최종 출력이 사양 내에 있도록 구성되는, 단계를 포함하는 컴퓨터 구현 방법.

진술 2: 진술 1에 있어서, 하나 이상의 제어 입력과 관련된 신뢰 수준이 미리 결정된 임계치를 초과하는 경우, 하나 이상의 제어 입력을 하나 이상의 스테이션 제어기로 출력하는 단계를 더 포함하는 컴퓨터 구현 방법.

진술 3: 진술 1 내지 진술 2 중 어느 하나에 있어서, 하나 이상의 제어 입력을 하나 이상의 스테이션 제어기로 출력하는 단계는, 제1 스테이션과 관련된 제1 스테이션 제어기에 제1 제어 입력을 제공하는 단계; 및 제2 스테이션과 관련된 제2 스테이션 제어기에 제2 제어 입력을 제공하는 단계를 더 포함하고, 제2 스테이션은 제조 공정에서 제1 스테이션의 하류에 있는, 컴퓨터 구현 방법.

진술 4: 진술 1 내지 진술 3 중 어느 하나에 있어서, 제조 물품의 중간 또는 최종 출력을 예측하는 단계는, 제조 공정과 관련된 하나 이상의 주요 영향을 식별하는 단계; 및 하나 이상의 주요 영향 중 적어도 하나와 관련된 하나 이상의 제어 입력을 조정하는 단계를 더 포함하는, 컴퓨터 구현 방법.

진술 5: 진술 1 내지 진술 4 중 어느 하나에 있어서, 제조 물품에 대해 예측된 기대 값이 사양 내에 있는 경우, 하나 이상의 스테이션 제어기에 의한 제조 공정의 제어를 허용하는 단계를 더 포함하는 컴퓨터 구현 방법.

진술 6: 진술 1 내지 진술 5 중 어느 하나에 있어서, 딥 러닝 제어기에서 다수의 스테이션 값을 수신하는 단계를 더 포함하고, 스테이션 값은 하나 이상의 스테이션과 관련되고, 및 제조 물품의 기대 값을 예측하는 단계는 스테이션 값을 더 기반으로 하는, 컴퓨터 구현 방법.

진술 7: 진술 1 내지 진술 6 중 어느 하나에 있어서, 다수의 제어 값은 속도, 온도, 압력, 진공, 회전, 전류, 전압, 저항 또는 전력 중 하나 이상을 포함하는, 컴퓨터 구현 방법.

진술 8: 하나 이상의 프로세서; 및 명령을 저장하는 비일시적 메모리를 포함하는 시스템으로서, 상기 명령은, 하나 이상의 프로세서에 의해 실행될 때, 하나 이상의 프로세서로 하여금, 딥 러닝 제어기에서 둘 이상의 스테이션으로부터 다수의 제어 값을 수신하는 단계로서, 제어 값은 제조 공정에 배치된 둘 이상의 스테이션에서 생성되는, 단계와; 딥 러닝 제어기에 의해, 제어 값을 기반으로 제조 물품의 중간 또는 최종 출력에 대한 기대 값을 예측하는 단계와; 딥 러닝 제어기에 의해, 제조 물품에 대해 예측된 기대 값이 사양 내에 있는지를 결정하는 단계; 및 제조 물품에 대해 예측된 기대 값이 사양 내에 있지 않는 경우, 딥 러닝 제어기에 의해 하나 이상의 제어 입력을 생성하는 단계로서, 하나 이상의 제어 입력은 제조 물품에 대한 중간 또는 최종 출력이 사양 내에 있도록 구성되는, 단계를 포함하는 동작을 수행하도록 하는, 시스템.

진술 9: 진술 8에 있어서, 프로세서는, 하나 이상의 제어 입력과 관련된 신뢰 수준이 미리 결정된 임계치를 초과하는 경우, 하나 이상의 제어 입력을 하나 이상의 스테이션 제어기로 출력하는 단계를 포함하는 동작을 수행하도록 더 구성되는, 시스템.

진술 10: 진술 8 내지 진술 9 중 어느 하나에 있어서, 하나 이상의 제어 입력을 하나 이상의 스테이션 제어기로 출력하는 단계는, 제1 스테이션과 관련된 제1 스테이션 제어기에 제1 제어 입력을 제공하는 단계; 및 제2 스테이션과 관련된 제2 스테이션 제어기에 제2 제어 입력을 제공하는 단계를 더 포함하고, 제2 스테이션은 제조 공정에서 제1 스테이션의 하류에 있는, 시스템.

진술 11: 진술 8 내지 진술 10 중 어느 하나에 있어서, 제조 물품의 기대 값을 예측하는 단계는, 제조 공정과 관련된 하나 이상의 주요 영향을 식별하는 단계; 및 하나 이상의 주요 영향 중 적어도 하나와 관련된 하나 이상의 제어 입력을 조정하는 단계를 더 포함하는, 시스템.

진술 12: 진술 8 내지 진술 11 중 어느 하나에 있어서, 제조 물품에 대해 예측된 기대 값이 사양 내에 있는 경우, 하나 이상의 스테이션 제어기에 의한 제조 공정의 제어를 허용하는 단계를 더 포함하는 시스템.

진술 13: 진술 8 내지 진술 12 중 어느 하나의 시스템에 있어서, 프로세서는, 딥 러닝 제어기에서 다수의 스테이션 값을 수신하는 단계를 포함하는 동작을 수행하도록 더 구성되고, 스테이션 값은 하나 이상의 스테이션과 관련되고, 및 제조 물품의 기대 값을 예측하는 단계는 스테이션 값을 더 기반으로 하는, 시스템.

진술 14: 진술 8 내지 진술 13 중 어느 하나에 있어서, 다수의 제어 값은 속도, 온도, 압력, 진공, 회전, 전류, 전압, 저항 또는 전력 중 하나 이상을 포함하는, 시스템.

진술 15: 내부에 저장된 명령을 포함하는 비일시적 컴퓨터 판독 가능 저장 매체로서, 상기 명령은, 하나 이상의 프로세서에 의해 실행될 때, 하나 이상의 프로세서로 하여금, 딥 러닝 제어기에서 둘 이상의 스테이션으로부터 다수의 제어 값을 수신하는 단계로서, 제어 값은 제조 공정에 배치된 둘 이상의 스테이션에서 생성되는, 단계와; 딥 러닝 제어기에 의해, 제어 값을 기반으로 제조 물품의 중간 또는 최종 출력에 대한 기대 값을 예측하는 단계와; 딥 러닝 제어기에 의해, 제조 물품에 대해 예측된 기대 값이 사양 내에 있는지를 결정하는 단계; 및 제조 물품에 대해 예측된 기대 값이 사양 내에 있지 않는 경우, 딥 러닝 제어기에 의해 하나 이상의 제어 입력을 생성하는 단계로서, 하나 이상의 제어 입력은 제조 물품에 대한 중간 또는 최종 출력이 사양 내에 있도록 구성되는, 단계를 포함하는 동작을 수행하도록 하는, 비일시적 컴퓨터 판독 가능 저장 매체.

진술 16: 진술 15에 있어서, 하나 이상의 프로세서로 하여금, 하나 이상의 제어 입력과 관련된 신뢰 수준이 미리 결정된 임계치를 초과하는 경우, 하나 이상의 제어 입력을 하나 이상의 스테이션 제어기로 출력하는 단계를 포함하는 동작을 수행하도록 구성된 명령을 더 포함하는 비일시적 컴퓨터 판독 가능 저장 매체.

진술 17: 진술 15 내지 진술 16 중 어느 하나에 있어서, 하나 이상의 제어 입력을 하나 이상의 스테이션 제어기로 출력하는 단계는, 제1 스테이션과 관련된 제1 스테이션 제어기에 제1 제어 입력을 제공하는 단계; 및 제2 스테이션과 관련된 제2 스테이션 제어기에 제2 제어 입력을 제공하는 단계를 더 포함하고, 제2 스테이션은 제조 공정에서 제1 스테이션의 하류에 있는, 비일시적 컴퓨터 판독 가능 저장 매체.

진술 18: 진술 15 내지 진술 17 중 어느 하나에 있어서, 제조 물품의 기대 값을 예측하는 단계는, 제조 공정과 관련된 하나 이상의 주요 영향을 식별하는 단계; 및 하나 이상의 주요 영향 중 적어도 하나와 관련된 하나 이상의 제어 입력을 조정하는 단계를 더 포함하는, 비일시적 컴퓨터 판독 가능 저장 매체.

진술 19: 진술 15 내지 진술 18 중 어느 하나에 있어서, 하나 이상의 프로세서로 하여금, 제조 물품에 대해 예측된 기대 값이 사양 내에 있는 경우, 하나 이상의 스테이션 제어기에 의한 제조 공정의 제어를 허용하는 단계를 포함하는 동작을 수행하도록 구성된 명령을 더 포함하는 비일시적 컴퓨터 판독 가능 저장 매체.

진술 20: 진술 15 내지 진술 19 중 어느 하나에 있어서, 하나 이상의 프로세서로 하여금, 딥 러닝 제어기에서 다수의 스테이션 값을 수신하는 단계를 포함하는 동작을 수행하도록 구성된 명령을 더 포함하고, 스테이션 값은 하나 이상의 스테이션과 관련되고, 및 제조 물품의 기대 값을 예측하는 단계는 스테이션 값을 더 기반으로 하는, 비일시적 컴퓨터 판독 가능 저장 매체.

Claims

컴퓨터 구현 방법으로서, 방법은,
딥 러닝 제어기에서 둘 이상의 스테이션으로부터 다수의 제어 값을 수신하는 단계로서, 제어 값은 제조 공정에 배치된 둘 이상의 스테이션에서 생성되는, 단계와;
딥 러닝 제어기에 의해, 제어 값을 기반으로 제조 물품의 중간 또는 최종 출력에 대한 기대 값을 예측하는 단계와;
딥 러닝 제어기에 의해, 제조 물품에 대해 예측된 기대 값이 사양 내에 있는지를 결정하는 단계; 및
제조 물품에 대해 예측된 기대 값이 사양 내에 있지 않는 경우, 딥 러닝 제어기에 의해 하나 이상의 제어 입력을 생성하는 단계로서, 하나 이상의 제어 입력은 제조 물품에 대한 중간 또는 최종 출력이 사양 내에 있도록 구성되는, 단계를 포함하는 컴퓨터 구현 방법.
제 1 항에 있어서,
하나 이상의 제어 입력과 관련된 신뢰 수준이 미리 결정된 임계치를 초과하는 경우, 하나 이상의 제어 입력을 하나 이상의 스테이션 제어기로 출력하는 단계를 더 포함하는 컴퓨터 구현 방법.
제 2 항에 있어서,
하나 이상의 제어 입력을 하나 이상의 스테이션 제어기로 출력하는 단계는,
제1 스테이션과 관련된 제1 스테이션 제어기에 제1 제어 입력을 제공하는 단계; 및
제2 스테이션과 관련된 제2 스테이션 제어기에 제2 제어 입력을 제공하는 단계를 더 포함하고, 제2 스테이션은 제조 공정에서 제1 스테이션의 하류에 있는, 컴퓨터 구현 방법.
제 1 항에 있어서,
제조 물품의 중간 또는 최종 출력을 예측하는 단계는,
제조 공정과 관련된 하나 이상의 주요 영향 인자를 식별하는 단계; 및
하나 이상의 주요 영향 인자 중 적어도 하나와 관련된 하나 이상의 제어 입력을 조정하는 단계를 더 포함하는, 컴퓨터 구현 방법.
제 1 항에 있어서,
제조 물품에 대해 예측된 기대 값이 사양 내에 있는 경우, 하나 이상의 스테이션 제어기에 의한 제조 공정의 제어를 허용하는 단계를 더 포함하는 컴퓨터 구현 방법.
제 1 항에 있어서,
딥 러닝 제어기에서 다수의 스테이션 값을 수신하는 단계를 더 포함하고, 스테이션 값은 하나 이상의 스테이션과 관련되고, 및
제조 물품의 중간 또는 최종 출력을 예측하는 단계는 스테이션 값을 더 기반으로 하는, 컴퓨터 구현 방법.
제 1 항에 있어서,
다수의 제어 값은 속도, 온도, 압력, 진공, 회전, 전류, 전압, 저항 또는 전력 중 하나 이상을 포함하는, 컴퓨터 구현 방법.
하나 이상의 프로세서; 및
명령을 저장하는 비일시적 메모리를 포함하는 시스템으로서,
상기 명령은, 하나 이상의 프로세서에 의해 실행될 때, 하나 이상의 프로세서로 하여금,
딥 러닝 제어기에서 둘 이상의 스테이션으로부터 다수의 제어 값을 수신하는 단계로서, 제어 값은 제조 공정에 배치된 둘 이상의 스테이션에서 생성되는, 단계와;
딥 러닝 제어기에 의해, 제어 값을 기반으로 제조 물품의 중간 또는 최종 출력을 예측하는 단계와;
딥 러닝 제어기에 의해, 제조 물품에 대한 중간 또는 최종 출력에 대해 예측된 기대 값이 사양 내에 있는지를 결정하는 단계; 및
제조 물품에 대해 예측된 기대 값이 사양 내에 있지 않는 경우, 딥 러닝 제어기에 의해 하나 이상의 제어 입력을 생성하는 단계로서, 하나 이상의 제어 입력은 제조 물품에 대한 중간 또는 최종 출력이 사양 내에 있도록 구성되는, 단계를 포함하는 동작을 수행하도록 하는, 시스템.
제 8 항에 있어서,
프로세서는,
하나 이상의 제어 입력과 관련된 신뢰 수준이 미리 결정된 임계치를 초과하는 경우, 하나 이상의 제어 입력을 하나 이상의 스테이션 제어기로 출력하는 단계를 포함하는 동작을 수행하도록 더 구성되는, 시스템.
제 9 항에 있어서,
하나 이상의 제어 입력을 하나 이상의 스테이션 제어기로 출력하는 단계는,
제1 스테이션과 관련된 제1 스테이션 제어기에 제1 제어 입력을 제공하는 단계; 및
제2 스테이션과 관련된 제2 스테이션 제어기에 제2 제어 입력을 제공하는 단계를 더 포함하고, 제2 스테이션은 제조 공정에서 제1 스테이션의 하류에 있는, 시스템.
제 8 항에 있어서,
제조 물품의 중간 또는 최종 출력을 예측하는 단계는,
제조 공정과 관련된 하나 이상의 주요 영향 인자를 식별하는 단계; 및
하나 이상의 영향 인자 중 적어도 하나와 관련된 하나 이상의 제어 입력을 조정하는 단계를 더 포함하는, 시스템.
제 8 항에 있어서,
제조 물품에 대해 예측된 기대 값이 사양 내에 있는 경우, 하나 이상의 스테이션 제어기에 의한 제조 공정의 제어를 허용하는 단계를 더 포함하는 시스템.
제 8 항에 있어서,
프로세서는,
딥 러닝 제어기에서 다수의 스테이션 값을 수신하는 단계를 포함하는 동작을 수행하도록 더 구성되고, 스테이션 값은 하나 이상의 스테이션과 관련되고, 및
제조 물품의 기대 값을 예측하는 단계는 스테이션 값을 더 기반으로 하는, 시스템.
제 8 항에 있어서,
다수의 제어 값은 속도, 온도, 압력, 진공, 회전, 전류, 전압, 저항 또는 전력 중 하나 이상을 포함하는, 시스템.
내부에 저장된 명령을 포함하는 비일시적 컴퓨터 판독 가능 저장 매체로서, 상기 명령은, 하나 이상의 프로세서에 의해 실행될 때, 하나 이상의 프로세서로 하여금,
딥 러닝 제어기에서 둘 이상의 스테이션으로부터 다수의 제어 값을 수신하는 단계로서, 제어 값은 제조 공정에 배치된 둘 이상의 스테이션에서 생성되는, 단계와;
딥 러닝 제어기에 의해, 제어 값을 기반으로 제조 물품의 중간 또는 최종 출력에 대한 기대 값을 예측하는 단계와;
딥 러닝 제어기에 의해, 제조 물품에 대해 예측된 기대 값이 사양 내에 있는지를 결정하는 단계; 및
제조 물품에 대해 예측된 기대 값이 사양 내에 있지 않는 경우, 딥 러닝 제어기에 의해 하나 이상의 제어 입력을 생성하는 단계로서, 하나 이상의 제어 입력은 제조 물품에 대한 중간 또는 최종 출력이 사양 내에 있도록 구성되는, 단계를 포함하는 동작을 수행하도록 하는, 비일시적 컴퓨터 판독 가능 저장 매체.
제 15 항에 있어서,
하나 이상의 프로세서로 하여금,
하나 이상의 제어 입력과 관련된 신뢰 수준이 미리 결정된 임계치를 초과하는 경우, 하나 이상의 제어 입력을 하나 이상의 스테이션 제어기로 출력하는 단계를 포함하는 동작을 수행하도록 구성된 명령을 더 포함하는 비일시적 컴퓨터 판독 가능 저장 매체.
제 16 항에 있어서,
하나 이상의 제어 입력을 하나 이상의 스테이션 제어기로 출력하는 단계는,
제1 스테이션과 관련된 제1 스테이션 제어기에 제1 제어 입력을 제공하는 단계; 및
제2 스테이션과 관련된 제2 스테이션 제어기에 제2 제어 입력을 제공하는 단계를 더 포함하고, 제2 스테이션은 제조 공정에서 제1 스테이션의 하류에 있는, 비일시적 컴퓨터 판독 가능 저장 매체.
제 15 항에 있어서,
제조 물품의 중간 또는 최종 출력을 예측하는 단계는,
제조 공정과 관련된 하나 이상의 주요 영향 인자를 식별하는 단계; 및
하나 이상의 영향 인자 중 적어도 하나와 관련된 하나 이상의 제어 입력을 조정하는 단계를 더 포함하는, 비일시적 컴퓨터 판독 가능 저장 매체.
제 15 항에 있어서,
하나 이상의 프로세서로 하여금,
제조 물품에 대해 예측된 기대 값이 사양 내에 있는 경우, 하나 이상의 스테이션 제어기에 의한 제조 공정의 제어를 허용하는 단계를 포함하는 동작을 수행하도록 구성된 명령을 더 포함하는 비일시적 컴퓨터 판독 가능 저장 매체.
제 15 항에 있어서,
하나 이상의 프로세서로 하여금,
딥 러닝 제어기에서 다수의 스테이션 값을 수신하는 단계를 포함하는 동작을 수행하도록 구성된 명령을 더 포함하고, 스테이션 값은 하나 이상의 스테이션과 관련되고, 및
제조 물품의 기대 값을 예측하는 단계는 스테이션 값을 더 기반으로 하는, 비일시적 컴퓨터 판독 가능 저장 매체.