技术新讯 > 计算推算,计数设备的制造及其应用技术 > 用于生产质量改进的数据驱动控制优化的方法和设备与流程  >  正文

用于生产质量改进的数据驱动控制优化的方法和设备与流程

  • 国知局
  • 2024-07-31 23:10:35

本发明涉及数据驱动优化技术,且更具体来说,涉及一种用于生产质量改进的数据驱动控制优化的方法、设备和计算机可读存储媒体。

背景技术:

1、随着机器学习技术的发展,数据驱动方法被认为是一种优化控制参数以改进工艺和离散制造两者的生产质量的有前景方法。然而,一些数据驱动方法在实践中可能会导致出人意料的错误。

技术实现思路

1、在本公开中,概述主要的技术问题,这一问题严重阻碍了数据驱动控制优化解决方案在现实世界生产线中的实际使用,即,数据驱动解决方案通常对风险不敏感,这意味着它们可能会提供一些过自信(over-confident)控制推荐,其在实践中可能会导致出人意料的错误。

2、为了解决这一技术问题,提出用于学习生产质量改进的学习数据驱动控制策略的框架的风险敏感解决方案,其可显著地增强数据驱动控制优化解决方案在生产中的可靠性和可用性。

3、本公开的实施例包含方法、设备、系统和计算机可读存储媒体。

4、根据本公开的第一方面,呈现一种用于生产质量改进的数据驱动控制优化的方法,其包含以下步骤:

5、-从生产单元收集历史数据集,其中数据集包含控制参数、条件参数和控制结果变量;

6、-训练具有相同结构、相同超参数和随机权重初始化的多个模型,其中在给定控制参数和条件参数的情况下,每个模型捕获控制结果变量的概率分布;

7、-计算训练后的多个模型的预测分布之间的散度;

8、-获取控制策略,所述控制策略在给定观察到的条件参数的情况下在有限时间范围内在任意时间点输出使预期奖励最大化的最优控制参数,其中预期奖励通过控制参数的过自信推荐的风险重新调整,散度越大,风险越大。

9、根据本公开的第二方面,呈现一种用于生产质量改进的数据驱动控制优化的设备,其包含用以执行根据本公开的第一方面的方法的模块。

10、根据本公开的第三方面,呈现一种用于生产质量改进的数据驱动控制优化的设备。设备包含:至少一个处理器;至少一个存储器,其耦合到至少一个处理器,所述至少一个处理器配置成执行根据本公开的第一方面的方法。

11、根据本公开的第四方面,呈现一种用于生产质量改进的数据驱动控制优化的计算机可读媒体。计算机可读媒体存储计算机可执行指令,其中计算机可执行指令在被执行时使至少一个处理器执行根据本公开的第一方面的方法。

12、本公开中呈现的解决方案对风险敏感,这可显著地减少在实践中推荐过自信控制参数的机会。因此,提高了所开发的用于生产质量改进的数据驱动控制策略的可靠性。

13、一方面,在给定控制参数和条件参数的情况下,可使用多个模型来拟合控制结果变量的概率分布,由此可很好地捕获生产过程中的不确定性和控制结果变量之间的相关性;另一方面,增加风险因数以惩罚控制参数,所述控制参数具有向生产过程的未在历史数据集中充分反映的区域提供过自信推荐的高风险。

技术特征:

1.一种用于生产质量改进的数据驱动控制优化的方法(300),其包括以下步骤:

2.根据权利要求1所述的方法,其中所述多个模型(40)为cgan。

3.根据权利要求1所述的方法,其中所述风险为所述多个模型的所述预测分布的平方海林格距离的平均值。

4.一种用于生产质量改进的数据驱动控制优化的设备(10),其包括:

5.根据权利要求4所述的设备,其中所述多个模型(40)为cgan。

6.根据权利要求4所述的设备,其中所述风险为所述多个模型的所述预测分布的平方海林格距离的平均值。

7.一种用于生产质量改进的数据驱动控制优化的设备(10),其包括:

8.一种用于生产质量改进的数据驱动控制优化的计算机可读媒体,其存储计算机可执行指令,其中所述计算机可执行指令在被执行时使至少一个处理器执行根据权利要求1到3中任一项所述的方法。

技术总结本发明呈现一种用于生产质量改进的数据驱动控制优化的方法、设备和计算机可读媒体。所述方法(300)包含:从生产单元收集(S301)历史数据集,所述历史数据集包含控制参数、条件参数和控制结果变量;训练(S302)多个模型,在给定所述控制参数和所述条件参数的情况下,所述多个模型捕获所述控制结果变量的概率分布;计算(S303)训练后的多个模型的预测分布之间的散度;获取(S304)输出使预期奖励最大化的最优控制参数的控制策略,其中所述预期奖励通过过自信推荐的风险重新调整。技术研发人员:冯程,管金艳,黄捷受保护的技术使用者:西门子股份公司技术研发日:技术公布日:2024/7/29

本文地址:https://www.jishuxx.com/zhuanli/20240730/196234.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。