用于监测和训练制造系统的系统和方法与流程

本公开涉及用于监测和训练制造系统的系统和方法。

背景技术：

1、本部分中的陈述仅提供与本公开相关的背景信息，并且可能不构成现有技术。

2、在制造环境中，执行监测程序以验证与制造程序的给定步骤相关联的工件(例如，车辆零件)的准确性和质量。作为示例，操作员可以执行视觉监测程序以标识缺陷，但是当在制造环境内提供多个制造工位时，操作员可能难以准确地标识缺陷的类型和原因。作为另一个示例，机器学习系统可以执行机器学习程序以标识缺陷的类型和原因，但是常规的机器学习系统通常被限于单个制造工位，并且可能不包括指示多个制造工位之间的耦合的信息。本公开解决了与常规的监测程序有关的这些问题以及其他问题。

技术实现思路

1、本部分提供了对本公开的总体概述并且不是对其全部范围或其所有特征的全面公开。

2、本公开提供了一种用于监测制造系统的方法，所述制造系统包括多个制造工位、多个自动编码器、多个神经网络以及多个线性传播器。所述方法包括由所述多个自动编码器中的给定自动编码器基于从设置在所述多个制造工位中的给定制造工位处的一个或多个传感器获得的传感器数据来生成给定操作指示符，其中所述给定自动编码器与所述多个线性传播器中的给定线性传播器相关联，并且其中所述给定自动编码器与所述多个神经网络中的给定神经网络相关联。所述方法包括由所述给定线性传播器并基于线性映射模型来选择性地聚合所述给定操作指示符和与所述多个制造工位中的一个或多个附加制造工位相关联的一个或多个附加操作指示符，以选择性地生成聚合操作指示符。所述方法包括由所述给定神经网络并响应于生成所述聚合操作指示符，基于所述给定操作指示符和所述聚合操作指示符来生成所述给定制造工位的预测操作特性。所述方法包括基于所述预测操作特性和由所述多个神经网络中的一个或多个附加神经网络生成的一个或多个附加的预测操作特性来确定所述制造系统的状态。

3、以下段落提供用于上述段落的方法的变型，并且这些变型可以单独地或以任何组合实施。

4、在一种形式中，所述方法包括由所述给定神经网络并响应于未生成所述聚合操作指示符，基于所述给定操作指示符来生成所述预测操作特性。在一种形式中，由所述给定线性传播器并基于所述线性映射模型来选择性地聚合所述给定操作指示符和所述一个或多个附加操作指示符以选择性地生成所述聚合操作指示符还包括：确定所述多个制造工位中的一个或多个制造工位是否在所述给定制造工位之前；以及响应于所述一个或多个制造工位在所述给定制造工位之前，聚合所述给定操作指示符和所述一个或多个附加操作指示符以选择性地生成所述聚合操作指示符。在一种形式中，所述方法还包括由所述给定线性传播器将所述聚合操作指示符传播到所述多个神经网络中的附加神经网络，其中所述附加神经网络与所述多个制造工位中的后续制造工位相关联；以及由所述附加神经网络基于所述聚合操作指示符和与所述附加神经网络相关联的附加操作指示符来生成附加的预测操作特性。在一种形式中，所述给定自动编码器是变分自动编码器。在一种形式中，基于所述传感器数据来生成所述给定操作指示符还包括由所述给定自动编码器将所述传感器数据转换成所述传感器数据的潜在空间表示。在一种形式中，所述线性映射模型包括库普曼(koopman)算子。在一种形式中，所述方法还包括基于所述制造系统的所述状态和反向传播程序来选择性地调整所述多个制造工位的一个或多个制造程序特性。在一种形式中，所述方法还包括基于所述传感器数据来确定所述给定制造工位的基于传感器的操作特性，以及基于所述基于传感器的操作特性与所述预测操作特性之间的比较来选择性地调整所述给定神经网络的一个或多个参数。

5、本公开提供了一种用于训练设置在包括多个制造工位的制造系统中的多个自动编码器、多个神经网络以及多个线性传播器的方法。所述方法包括由所述多个自动编码器中的给定自动编码器从设置在所述多个制造工位中的给定制造工位处的一个或多个传感器获得自动编码器训练数据(atd)。所述方法包括基于所述atd与复制的atd之间的差异来确定所述给定自动编码器是否被训练。所述方法包括响应于确定所述给定自动编码器被训练：由所述给定自动编码器基于从所述一个或多个传感器获得的神经网络训练数据(nntd)来生成神经网络训练操作指示符nntoi；基于所述nntd来确定基于传感器的操作特性；由所述给定神经网络基于所述nntoi和从所述多个线性传播器中的给定线性传播器获得的聚合操作指标(aoi)来确定所述给定制造工位的预测操作特性；以及基于所述预测操作特性和所述基于传感器的操作特性来训练所述给定神经网络、所述给定线性传播器或其组合。

6、以下段落提供用于上述段落的方法的变型，并且这些变型可以单独地或以任何组合实施。

7、在一种形式中，所述方法还包括训练所述给定自动编码器，其中训练所述给定自动编码器还包括：由所述给定自动编码器对所述atd进行编码以基于所述atd来生成自动编码器训练操作指示符(atoi)，其中所述atoi是基于所述atd的潜在空间表示；以及由所述给定自动编码器对所述atoi进行解码以生成所述复制的atd。在一种形式中，所述给定自动编码器是基于所述atd与复制的atd之间的差异来训练的。在一种形式中，所述给定自动编码器是变分自动编码器。在一种形式中，所述nntoi是基于所述nntd的潜在空间表示。在一种形式中，所述方法还包括基于库普曼算子来生成所述aoi。在一种形式中，所述给定神经网络还包括基于所述基于传感器的操作特性与所述预测操作特性之间的比较来选择性地调整所述给定神经网络的一个或多个参数。在一种形式中，所述给定线性传播器还包括基于所述基于传感器的操作特性与所述预测操作特性之间的比较来选择性地调整所述给定线性传播器的一个或多个参数。在一种形式中，所述方法还包括：连接所述多个自动编码器、所述多个神经网络和所述多个线性传播器；由所述多个神经网络基于由所述多个自动编码器生成的连接nntoi来确定多个连接的预测操作特性；基于与设置在所述多个制造工位中的每一者处的所述一个或多个传感器相关联的连接nntd来确定多个连接的基于传感器的操作特性；基于所述多个连接的预测操作特性与所述多个连接的基于传感器的操作特性之间的比较来确定连接损失值；以及基于所述连接损失值来选择性地调整所述多个神经网络的一个或多个参数。在一种形式中，所述方法还包括基于所述连接损失值来选择性地调整所述多个线性传播器的一个或多个参数。

8、本公开提供了一种用于监测制造系统的方法，所述制造系统包括多个制造工位、多个自动编码器、多个神经网络以及多个线性传播器。所述方法包括由所述多个自动编码器中的给定自动编码器基于从设置在所述多个制造工位中的给定制造工位处的一个或多个传感器获得的传感器数据来生成给定操作指示符，其中所述给定自动编码器与所述多个线性传播器中的给定线性传播器相关联，其中所述给定自动编码器与所述多个神经网络中的给定神经网络相关联，并且其中所述给定自动编码器是变分自编码器。所述方法包括由所述给定线性传播器并基于线性映射模型来选择性地聚合所述给定操作指示符和与所述多个制造工位中的一个或多个附加制造工位相关联的一个或多个附加操作指示符，以选择性地生成聚合操作指示符，其中所述线性映射模型包括库普曼算子。所述方法包括由所述给定神经网络并响应于生成所述聚合操作指示符，基于所述给定操作指示符和所述聚合操作指示符来生成所述给定制造工位的预测操作特性。所述方法包括基于所述预测操作特性和由所述多个神经网络中的一个或多个附加神经网络生成的一个或多个附加的预测操作特性来确定所述制造系统的状态。

9、根据本文中提供的描述，另外的适用领域将变得显而易见。应当理解，描述和具体示例仅意图用于说明目的，而不意在限制本公开的范围。