制造支持系统和方法技术方案

一种制造支持系统可以被提供。该制造支持系统可以包括：获取单元(10)，被配置为获取要被制造的对象的对象数据；人工智能AI引擎(20)，被配置为接收对象数据作为输入，并且参考与用于制造系统的可用硬件有关的信息来确定用于制造对象的制造系统的硬件配置；以及输出单元(60)，被配置为输出所确定的硬件配置。

Manufacturing support systems and methods

【技术实现步骤摘要】
【国外来华专利技术】制造支持系统和方法本申请涉及支持诸如齿轮之类的对象的制造。
技术介绍
用于制造对象的制造系统可以由操作员基于他/她的经验来配置。例如，制造系统的配置可以包括诸如机器加工设备和/或工具等的必要硬件的选择、用于这种硬件的操作条件的选择、和/或这种硬件的控制程序的生成。人工智能(AI)已经被用于支持制造和/或机器加工对象。例如，JP2017-33138A和JP2017-62695A公开了一种机器加工设备，其包括：运动评估单元，被配置为评估机器加工设备的运动并且输出评估数据；以及机器学习设备，被配置为学习机器加工设备的轴的行进量。JP2017-33138A中公开的机器学习设备被配置为：基于轴之间的调整的行进、机器加工设备的物理量数据以及基于物理量数据和评估数据计算出的奖励数据，来学习机器加工设备的轴的行进量的调整。JP2017-62695A中公开的机器学习设备被配置为：基于所确定的轴的行进量、机器加工设备的状态数据以及基于状态数据计算出的奖励，来学习对机器加工设备的轴的行进量的确定。此外，例如，JP2017-30152A公开了一种注射模制系统，包括：状态观察部分，用于在执行注射成型时观察与执行注射成型有关的物理量；物理量数据存储部分，用于存储物理量数据；奖励条件设置部分，用于设置用于机器学习的奖励条件；奖励计算部分，用于基于物理量数据和奖励条件来计算奖励；操作条件调整学习部分，用于执行机器学习以用于基于由奖励计算部分计算出的奖励、操作条件调整和物理量数据来调整操作条件；学习结果存储部分，用于存储由操作条件调整学习部分进行的机器学习的学习结果；以及操作条件调整量输出部分，用于基于由操作条件调整学习部分进行的机器学习来确定和输出要被调整的操作条件和调整量。在一些情形下，期望促进对制造对象所必需的硬件的选择，以提高制造过程的整体效率。
技术实现思路
根据一个方面，提供了一种制造支持系统。制造支持系统可以包括以下：获取单元，被配置为获取要被制造的对象的对象数据(诸如对象形状数据，特别是3D对象数据)；人工智能AI引擎，被配置为：接收对象数据作为输入，并且参考与用于制造系统的可用硬件有关的信息来确定用于制造对象的制造系统的硬件配置；以及输出单元，被配置为输出所确定的硬件配置。在一些情形下，根据本公开的各个方面的制造支持系统可以有助于高效地确定制造系统的硬件配置，从而使得提高用于制造要被制造的对象的制造过程的整体效率。在一些示例中，AI引擎还可以被配置为确定要由制造系统执行以用于制造对象的制造加工步骤，并且输出单元还被配置为输出所确定的制造加工步骤。另外，AI引擎还可以被配置为确定用于参数的值或值范围，该参数与制造加工步骤中包括的一个或多个步骤中的每个步骤有关，并且输出单元还被配置为输出所确定的值或值范围。在一些示例中，与用于制造系统的可用硬件有关的信息可以包括针对可能的制造加工步骤的至少一部分指示可用的并且是执行制造加工步骤必需的至少一个硬件元件的信息，其中AI引擎可以包括：机器学习设备，机器学习设备被配置为：接收对象数据作为输入；使用所接收的对象数据执行计算；以及基于计算，输出指示用于制造对象的制造加工步骤的至少一个集合的信息；以及硬件信息处理单元，被配置为：通过参考与可用硬件有关的信息来标识执行用于制造对象的制造加工步骤的至少一个集合中包括的一个或多个步骤中的每个步骤所需的至少一个硬件元件，确定制造系统的硬件配置。在这些示例中，用于制造对象的制造加工步骤可以由AI确定，而用于制造系统的硬件配置可以参考例如可以被预先存储在数据库中的与可用硬件有关的信息来确定。因此，在一些情形下，当对可用硬件进行了任何改变时，可以更新被存储在数据库中的与可用硬件有关的信息，并且可以执行硬件配置的确定，而无需关于对可用硬件的改变来重新训练AI。这可以有助于提高确定硬件配置的效率，从而提高制造过程的整体效率。关于AI引擎可以包括机器学习设备和硬件信息处理单元的上述示例，机器学习设备可以包括神经网络，神经网络被配置为使用所接收的对象数据来执行计算，其中神经网络已使用训练数据而被训练，训练数据包括一个或多个对象的对象数据以及指示用于制造一个或多个对象的制造加工步骤的集合的信息。可以根据深度学习技术来执行神经网络的训练。关于如上的方面和各种示例，与可用硬件有关的信息可以包括指示用于可用硬件元件的操作调度的信息，其中AI引擎可以被配置为确定多于一个的硬件配置，其中制造支持系统还可以包括：选择单元，被配置为基于用于对象的要求交付时间和操作调度来选择多于一个的硬件配置中的一个硬件配置，并且其中输出单元可以被配置为输出多于一个的硬件配置中的所选择的一个硬件配置。另外，AI引擎还可以被配置为确定多于一个的硬件配置间的优先级，并且选择单元可以被配置为进一步基于多于一个的硬件配置间的优先级来选择多于一个的硬件配置中的一个硬件配置。关于如上的方面和各种示例，制造支持系统还可以包括：控制信息生成单元，被配置为基于对象数据和/或所确定的硬件配置来生成控制信息，控制信息用于利用所确定的硬件配置来控制制造系统。根据另一方面，提供了一种用于支持制造的计算机实现的方法。该方法可以包括以下：获取要被制造对象的对象数据(诸如对象形状数据，特别是3D对象数据)；由人工智能AI引擎接收对象数据作为输入；由AI引擎参考与用于制造系统的可用硬件有关的信息来确定用于制造对象的制造系统的硬件配置；以及输出所确定的硬件配置。在一些示例中，根据上述方面的方法还可以包括：由AI引擎确定要由制造系统执行以用于制造对象的制造加工步骤；以及输出所确定的制造加工步骤。另外，根据上述方面和示例的方法还可以包括：由AI引擎确定用于参数的值或值范围，该参数与制造加工步骤中包括的一个或多个步骤中的每个步骤有关；以及输出所确定的值或值范围。关于根据上述示例的方法，与用于制造系统的可用硬件有关的信息可以包括针对可能的制造加工步骤的至少一部分指示可用的并且是执行制造加工步骤必需的至少一个硬件元件的信息，其中制造加工步骤的上述确定可以由AI引擎中包括的机器学习设备来执行，制造加工步骤的上述确定可以包括：接收对象数据作为输入；使用所接收的对象数据执行计算；以及基于计算，输出指示用于制造对象的制造加工步骤的至少一个集合的信息，并且其中制造系统的硬件配置的上述确定可以通过参考与可用硬件有关的信息来标识执行用于制造对象的制造加工步骤的至少一个集合中包括的一个或多个步骤中的每个步骤所需的至少一个硬件元件来执行。另外，机器学习设备可以包括神经网络，神经网络被配置为使用所接收的对象数据来执行计算，其中该方法还可以包括：使用训练数据训练神经网络，训练数据包括一个或多个对象的对象数据以及指示用于制造一个或多个对象的制造加工步骤的集本文档来自技高网...

【技术保护点】
1.一种制造支持系统，包括：/n获取单元(10)，所述获取单元(10)被配置为获取要被制造的对象的对象数据；/n人工智能AI引擎(20)，所述人工智能AI引擎(20)被配置为：接收所述对象数据作为输入，并且参考与用于所述制造系统的可用硬件有关的信息来确定用于制造所述对象的制造系统的硬件配置；以及/n输出单元(60)，所述输出单元(60)被配置为输出所确定的所述硬件配置。/n

【技术特征摘要】
【国外来华专利技术】1.一种制造支持系统，包括：
获取单元(10)，所述获取单元(10)被配置为获取要被制造的对象的对象数据；
人工智能AI引擎(20)，所述人工智能AI引擎(20)被配置为：接收所述对象数据作为输入，并且参考与用于所述制造系统的可用硬件有关的信息来确定用于制造所述对象的制造系统的硬件配置；以及
输出单元(60)，所述输出单元(60)被配置为输出所确定的所述硬件配置。


2.根据权利要求1所述的制造支持系统，其中所述AI引擎(20)还被配置为确定要由所述制造系统执行以用于制造所述对象的制造加工步骤，并且
其中所述输出单元(60)还被配置为输出所确定的所述制造加工步骤。


3.根据权利要求2所述的制造支持系统，其中所述AI引擎(20)还被配置为确定用于参数的值或值范围，所述参数与所述制造加工步骤中包括的一个或多个步骤中的每个步骤有关，并且
其中所述输出单元(60)还被配置为输出所确定的所述值或所述值范围。


4.根据权利要求2或3所述的制造支持系统，其中与用于所述制造系统的可用硬件有关的所述信息包括：针对可能的制造加工步骤的至少一部分，指示可用的并且是执行所述制造加工步骤必需的至少一个硬件元件的信息，
其中所述AI引擎(20)包括：
机器学习设备(200)，所述机器学习设备(200)被配置为：
接收所述对象数据作为输入；
使用所接收的所述对象数据执行计算；以及
基于所述计算，输出指示用于制造所述对象的制造加工步骤的至少一个集合的信息；以及
硬件信息处理单元(212)，所述硬件信息处理单元(212)被配置为：通过参考与可用硬件有关的所述信息来标识执行用于制造所述对象的制造加工步骤的所述至少一个集合中包括的一个或多个步骤中的每个步骤所需的至少一个硬件元件，确定所述制造系统的所述硬件配置。


5.根据权利要求4所述的制造支持系统，其中所述机器学习设备(200)包括神经网络，所述神经网络被配置为使用所接收的所述对象数据来执行所述计算，
其中所述神经网络已使用训练数据而被训练，所述训练数据包括一个或多个对象的对象数据以及指示用于制造所述一个或多个对象的制造加工步骤的集合的信息，并且
其中所述神经网络的训练能够根据深度学习技术而被执行。


6.根据前述权利要求中任一项所述的制造支持系统，其中与可用硬件有关的所述信息包括指示针对可用硬件元件的操作调度的信息，
其中所述AI引擎(20)被配置为确定多于一个的硬件配置，
其中所述制造支持系统还包括：
选择单元(40)，所述选择单元(40)被配置为：基于针对所述对象的要求交付时间和所述操作调度，选择所述多于一个的硬件配置中的一个硬件配置，并且
其中所述输出单元(60)被配置为输出所述多于一个的硬件配置中的所选择的所述一个硬件配置。


7.根据权利要求6所述的制造支持系统，其中所述AI引擎(20)还被配置为确定所述多于一个的硬件配置间的优先级，并且
其中所述选择单元(40)被配置为：进一步基于所述多于一个的硬件配置间的所述优先级，选择所述多于一个的硬件配置中的一个硬件配置。


8.根据前述权利要求中任一项所述的制造支持系统，还包括：
控制信息生成单元(50)，所述控制信息生成单元(50)被配置为基于所述对象数据和/或所确定的所述硬件配置来生成控制信息，所述控制信息用于利用所确定的所述硬件配置来控制所述制造系统。


9.根据前述权利要求中任一项所述的制造支持系统，其中所述获取单元(10)还被配置为获取与要被制造的所述对象的材料、加工和/或尺寸有关的信息，并且
其中所述AI引擎(20)还被配置为：
接收与要被制造的所述对象的所述材料、所述加工和/或所述尺寸有关的所述信息，作为所述输入的一部分；以及
进一步使用与要被制造的所述对象的所述材料、所述加工和/或所述尺寸有关的所述信息，确定所述硬件配置。


10.一种用于支持制造的计算机实现的方法，所述方法包括：
获取要被制造的对象的对象数据；
由人工智能AI引擎(20)接收所述对象数据作为输入；
由所述AI引擎(20)参考与用于所述制造系统的可用硬件有关的信息来确定用于制造所述对象的制造系统的硬件配置；以及
输出所确定的所述硬件配置。


11....

【专利技术属性】
技术研发人员：作宫明夫，宫浦宏之，鹈野充惠，
申请(专利权)人：欧姆龙株式会社，
类型：发明
国别省市：日本;JP