用于接头改进的机器学习制造技术

本发明专利技术提供了用于接头改进的机器学习的系统和方法。系统可从一个或多个传感器接收对应于通过一件或多件轮胎制造装备制造轮胎的一个或多个值。该系统可基于所述一个或多个值确定一种或多种度量。该系统可基于所述一个或多个值和所述一种或多种度量生成矩阵。该系统可通过将该矩阵输入到机器学习模型中来预测接头公差度量的值。该系统可基于该接头公差度量的该值来确定至少一件装备的参数以进行调整。该系统可提供命令，以响应于该接头公差度量的该值来调整该件装备。量的该值来调整该件装备。量的该值来调整该件装备。

【技术实现步骤摘要】
【国外来华专利技术】用于接头改进的机器学习
[0001]相关专利申请的交叉引用
[0002]本申请要求2019年7月12日提交的美国临时专利申请62/873,303的优先权，其内容全文以引用方式并入本文。

技术介绍

[0003]制造工厂可使用装备和过程来制造或构造产品或物品。由于构造的产品或物品的复杂性以及对完成的产品或物品的严格公差或质量要求，有效地制造没有缺陷或资源浪费的产品或物品可能具有挑战性。

技术实现思路

[0004]本技术方案涉及使用机器学习改进接头的系统和方法。例如，轮胎生产线可包括用于制造轮胎的制造装备。制造装备可使用各种接头来组装轮胎。由于制造装备的至少一个参数设置，接头可能超出公差。超公差接头可触发制造装备上的警报并且延迟操作时间，或者如果未被检测到，则会生产出有缺陷的轮胎或未按规格构造的轮胎。此外，检测每个制造装备之间的接头是否超出公差，或者在组装接头用于轮胎之前及时检测接头是否超出公差，可能具有挑战性。
[0005]本技术方案的系统和方法可使用机器学习来改进接头。本技术方案可减少在制造工厂制造的缺陷产品的数量，并且提高满足公差规格或其他质量规格的产品的生产率。本技术解决方案可通过自动调整制造装备的操作参数而不停用制造装备来进一步减少制造装备的非操作时间。
[0006]至少一个方面涉及接头预测和改进(诸如用于制造轮胎)的系统。该系统可包括数据处理系统。该数据处理系统可包括一个或多个处理器和存储器。该数据处理系统可包括接口、输入发生器、模型管理器、装备控制器、数据储存库或机器学习引擎。该数据处理系统可从轮胎制造工厂中的一件或多件轮胎制造装备的一个或多个传感器接收对应于通过该一件或多件轮胎制造装备制造轮胎的一个或多个值。该数据处理系统可基于该一个或多个值确定一种或多种度量。该数据处理系统可基于该一个或多个值和该一种或多种度量生成矩阵。该数据处理系统可通过将该矩阵输入到被构建成输出轮胎制造性能数据的机器学习模型中来预测用于该轮胎的接头公差度量的值。该数据处理系统可基于该接头公差度量的该值来确定该轮胎制造工厂中的至少一件装备的参数以进行调整。该数据处理系统可提供命令，以响应于该接头公差度量的该值来调整该轮胎制造工厂中的该至少一件装备。
[0007]至少一个方面涉及接头预测和改进(诸如用于制造轮胎)的方法。该方法可由具有一个或多个处理器和存储器的数据处理系统执行。该方法可包括数据处理系统从轮胎制造工厂中的一件或多件轮胎制造装备的一个或多个传感器接收对应于通过该一件或多件轮胎制造装备制造轮胎的一个或多个值。该方法可包括数据处理系统基于该一个或多个值确定一种或多种度量。该方法可包括数据处理系统基于该一个或多个值和该一种或多种度量生成矩阵。该方法可包括数据处理系统通过将该矩阵输入到被构建成输出轮胎制造性能数
据的机器学习模型中来预测用于该轮胎的接头公差度量的值。该方法可包括数据处理系统基于该接头公差度量的该值来确定该轮胎制造工厂中的至少一件装备的参数以进行调整。该方法可包括数据处理系统，该数据处理系统提供命令，以响应于该接头公差度量的该值来调整该轮胎制造工厂中的该至少一件装备。
[0008]下文详细讨论本专利技术的这些和其他方面以及具体实施。前述信息和以下详细描述包括各个方面和具体实施的说明性示例，并且提供用于理解所要求保护的方面和具体实施的性质和特征的概述或框架。附图提供了对各个方面和具体实施的说明和进一步理解，并且并入本说明书中构成本说明书的一部分。
附图说明
[0009]附图并非旨在按比例绘制。各附图中类似的附图标记和名称指示类似的元件。为了清楚起见，并非每个组件都会在每个附图中标记。在附图中：
[0010]图1描绘了框图，该框图描绘了用于制造轮胎的自主接头预测和调整的示例性系统；
[0011]图2描绘了根据实施方案的用于预测分析过程的机器学习引擎的示例性操作图；
[0012]图3描绘了根据实施方案的用于管理机器学习引擎的模型的分析数据层级结构的示例性操作图；
[0013]图4描绘了根据实施方案的与中点/中心线的接头偏差的示例性图示；
[0014]图5描绘了根据实施方案的接头偏差的斜率导数的示例性图示；
[0015]图6描绘了根据具体实施的由机器学习引擎用于预测超公差接头并确定制造装备的参数的神经网络的实施例；
[0016]图7为描绘了根据具体实施的用于制造轮胎的示例性方法的流程图；以及
[0017]图8为说明了可用于实现本文描述和说明的系统和方法的元件的计算机系统的架构的框图，系统和方法包括例如图1至图3中描绘的系统、图4至图6中描绘的操作或实施例以及图7中描绘的方法。
具体实施方式
[0018]以下是与使用机器学习改进接头的方法、装置和系统相关的各种概念以及这些方法、装置和系统的具体实施的更详细描述。上文介绍并且在下文更详细地讨论的各种概念可以多种方式中的任一方式实现。
[0019]本技术方案涉及使用机器学习改进接头的系统和方法。例如，轮胎生产线可包括用于制造轮胎的制造装备。制造装备可使用各种接头来组装轮胎。由于制造装备的至少一个参数设置，接头可能超出公差。超公差接头可触发制造装备上的警报并且延迟操作时间，或者如果未被检测到，则会生产出有缺陷的轮胎或未按规格构造的轮胎。此外，检测每个制造装备之间的接头是否超出公差，或者在组装接头用于轮胎之前及时检测接头是否超出公差，可能具有挑战性。
[0020]本技术方案的系统和方法可使用机器学习来改进接头。本技术方案可减少在制造工厂制造的缺陷产品的数量，或者提高满足公差规格的产品的生产率。本技术解决方案可通过自动调整制造装备的操作参数而不停用制造装备来进一步减少制造装备的非操作时
间。
[0021]例如，本技术方案可包括数据处理系统(或一个或多个处理器)，该数据处理系统可接收与产品诸如轮胎的制造对应的值。这些值可通过生产线或工厂中的制造装备或其他设备来感测、测量、检测或以其他方式识别。这些值可实时接收，例如在产品的制造期间接收。这些值可利用实时数据流或数据馈送(例如，以预定速率采样的值的数据流，诸如1Hz、2Hz、3Hz、5Hz、10Hz或有助于改进接头的其他速率)来接收。数据处理系统可预处理接收到的值，以基于那些值来确定度量诸如统计度量。数据处理系统可基于接收到的值和生成的统计度量来生成或构建矩阵。例如，数据处理系统可生成包括接收到的值的矩阵(例如，在任何初始预处理以清洁或过滤数据值之后)以及与接收到的值相关联的统计度量。数据处理系统可将矩阵输入到机器学习模型中以便预测、确定或以其他方式识别输出值。输出值可包括基于输入矩阵的一个或多个值的输出矩阵。机器学习模型的输出可包括例如对正在制造的产品的方面或特性在公差内还是超出公差的分类。输出可进一步表明正在制造的产品(例如，轮胎)的方面或特性(例如，接头厚度或位置)超出公差的程度。响应于使用机器学习模型(或被构建用于一件或多件装备或与该装备相关的方面的一个或多个机器学习模型)预测公差度量或其他输出值，数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于制造轮胎的系统，所述系统包括：一个或多个处理器和存储器，所述存储器被配置为存储能够由所述一个或多个处理器执行的指令，并使所述一个或多个处理器：从轮胎制造工厂中的一件或多件轮胎制造装备的一个或多个传感器接收对应于通过所述一件或多件轮胎制造装备制造轮胎的一个或多个值；基于所述一个或多个值确定一种或多种度量；基于所述一个或多个值和所述一种或多种度量生成矩阵；通过将所述矩阵输入到被构建成输出轮胎制造性能数据的机器学习模型中来预测用于所述轮胎的接头公差度量的值；基于所述接头公差度量的所述值来确定所述轮胎制造工厂中的至少一件装备的参数以进行调整；以及提供命令，以响应于所述接头公差度量的所述值来调整所述轮胎制造工厂中的所述至少一件装备。2.根据权利要求1所述的系统，还包括：模型生成组件，所述模型生成组件具有一个或多个处理器以构建用于与所述轮胎的多个接头中的每个接头配对的所述一件或多件轮胎制造装备中的每件轮胎制造装备的多个机器学习模型，其中所述机器学习模型对应于所述多个机器学习模型中的一个机器学习模型。3.根据权利要求1所述的系统，其中所述机器学习模型是多个机器学习模型中的第一机器学习模型，所述一个或多个处理器还被促使：针对所述一件或多件轮胎制造装备的第一压力辊组件和所述轮胎的第一接头构建所述多个机器学习模型的所述第一机器学习模型；针对所述第一压力辊组件和所述轮胎的第二接头构建所述多个机器学习模型的第二机器学习模型；针对所述第一压力辊组件和所述轮胎的第三接头构建所述多个机器学习模型的第三机器学习模型；针对第二压力辊组件和所述轮胎的所述第一接头构建所述多个机器学习模型的第四机器学习模型；针对所述第二压力辊组件和所述轮胎的所述第二接头构建所述多个机器学习模型的第五机器学习模型；针对所述第二压力辊组件和所述轮胎的所述第三接头构建所述多个机器学习模型的第六机器学习模型；针对第三压力辊组件和所述轮胎的所述第一接头构建所述多个机器学习模型的第七机器学习模型；针对所述第三压力辊组件和所述轮胎的所述第二接头构建所述多个机器学习模型的第八机器学习模型；以及针对所述第三压力辊组件和所述轮胎的所述第三接头构建所述多个机器学习模型的第九机器学习模型。4.根据权利要求1所述的系统，其中所述一个或多个处理器还被促使基于在所述轮胎
之前制造的轮胎接头偏离预定接头点的程度来训练所述机器学习模型。5.根据权利要求1所述的系统，其中所述一个或多个处理器还被促使基于先前接头的结果、预定数量周期内接头点的移动平均值、所述接头点的预定数量移动平均值的斜率来训练所述机器学习模型。6.根据权利要求1所述的系统，其中所述一个或多个处理器还被促使：基于所述多个机器学习模型确定，所述接头公差度量的所述值预测所述轮胎的多个接头中的第一接头超过公差窗口；基于策略选择与所述轮胎的所述多个接头中的所述第一接头对应的所述至少一件装备；以及命令基于所述策略选择的所述至少一件装备调整所述第一接头的特性，以使所述第一接头在所述公差窗口内。7.根据权利要求1所述的系统，其中所述一个或多个处理器还被促使：从所述一件或多件轮胎制造装备接收所述一个或多个值的时间序列；基于所述一个或多个值的所述时间序列，确定多个预定周期内的移动平均值，其中所述多个预定周期包括至少两个不同的预定周期；确定所述多个预定周期内所述移动平均值的斜率；以及基于所述多个预定周期内所述移动平均值的所述斜率来生成所述矩阵。8.根据权利要求1所述的系统，其中所述一个或多个处理器还被促使：识别与通过所述机器学习模型预测的所述接头公差度量的所述值相关联的置信度分数；将所述置信度分数与阈值进行比较；以及响应于所述置信度分数满足所述阈值，确定调整所述至少一件装备的所述参数。9.根据权利要求1所述的系统，其中所述一个或多个处理器还被促使：基于所述机器学习模型的输出，预测所述轮胎的接头超过公差窗口；响应于所述预测，调整由所述至少一件装备施加的压力的量；在调整压力的所述量之后，接收对应于通过所述一件或多件轮胎制造装备制造所述轮胎的一个或多个值；基于在调整压力的所述量之后接收的所述一个或多个值，生成更新的矩阵；以及通过将所述更新的矩阵输入到所述机器学习模型中，预测所述轮胎的所述接头满足所述公差窗口。10.根据权利要求1所述的系统，其中所述一个或多个处理器还被促使：基于所述机器学习模型的输出，预测所述轮胎的接头不满足公差窗口；响应于所述预测，调整由所述至少一件装备使用的第一参数；在调整所述第一参数之后，接收对应于通过所述一件或多件轮胎制造装备制造所述轮胎的一个或多个值；基于在调整所述第一参数之后接收的所述一个或多个值，生成更新的矩阵；通过将所述更新的矩阵输入到所述机器学习模型中，预测所述轮胎的所述接头不满足所述公差窗口；以及响应于所述调整之后所述轮胎的所述接头不满足所述公差窗口的所述预...

【专利技术属性】
技术研发人员：K，
申请(专利权)人：普利司通美国轮胎运营有限责任公司，
类型：发明
国别省市：