[go: up one dir, main page]

TWI830791B - 用於最佳化一裝配線中之工作流程之方法及系統、及非暫時性電腦可讀媒體 - Google Patents

用於最佳化一裝配線中之工作流程之方法及系統、及非暫時性電腦可讀媒體 Download PDF

Info

Publication number
TWI830791B
TWI830791B TW108137373A TW108137373A TWI830791B TW I830791 B TWI830791 B TW I830791B TW 108137373 A TW108137373 A TW 108137373A TW 108137373 A TW108137373 A TW 108137373A TW I830791 B TWI830791 B TW I830791B
Authority
TW
Taiwan
Prior art keywords
assembly
operator
station
error variation
instructions
Prior art date
Application number
TW108137373A
Other languages
English (en)
Other versions
TW202034231A (zh
Inventor
馬修 Ｃ 樸特曼
巴迪姆 皮斯基
恩淑 金
安德魯 桑斯壯
Original Assignee
美商奈米創尼克影像公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 美商奈米創尼克影像公司 filed Critical 美商奈米創尼克影像公司
Publication of TW202034231A publication Critical patent/TW202034231A/zh
Application granted granted Critical
Publication of TWI830791B publication Critical patent/TWI830791B/zh

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41805—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by assembly
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/19—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/092—Reinforcement learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31027—Computer assisted manual assembly CAA, display operation, tool, result
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31046—Aid for assembly, show display on screen next workpiece, task, position to be assembled, executed
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/40—Robotics, robotics mapping to robotics vision
    • G05B2219/40556—Multisensor to detect contact errors in assembly
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Human Computer Interaction (AREA)
  • Quality & Reliability (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Analysis (AREA)

Abstract

所揭示技術之態樣提供一種人工智慧程序控制(AIPC)，其用於一裝配線程序之自動偵測一製造工作流程中之誤差且透過更新給予各個站處之裝配操作員之指引或指導而執行誤差減少。在一些實施方案中，該所揭示技術利用一或多個機器學習模型來執行誤差偵測及/或傳播矯正經偵測誤差或改良製造產品所必需之指引/裝配修改。

Description

用於最佳化一裝配線中之工作流程之方法及系統、及非暫時性電腦可讀媒體
本技術提供對裝配線工作流程之改良，且特定言之涵蓋用於基於使用機器學習模型進行之回饋及前饋誤差傳播預測適應性地更新裝配線操作員指引(operator instruction)的系統及方法。如下文進一步詳細論述，本技術之一些態樣涵蓋用於基於關於製造或裝配偏差進行之推斷自動調適在一或多個操作員站處提供之指導視訊的系統及方法。
在習知裝配線工作流程中，需要人類(操作員)監測及專業知識以偵測製造誤差且判定可如何透過下游程序中之修改修正誤差。應注意，裝配與製造及裝配線與生產線可在本文中互換地使用。歸因於對人為裝配誤差偵測之依賴，誤差極有可能被忽略(或未報告)且隨後傳播至裝配程序中之下游。另外，許多裝配工人僅經訓練以執行一組狹窄任務且因此可能不知如何修改其等自身之工作流程以最佳地矯正源於裝配工作流程中之上游之一誤差。
在習知製造工作流程中，在一手動檢測程序之一個部分中修復人為誤差通常是藉由對該人類節點採取校正動作而處理。若該人繼續存在問題，則其通常由另一人取代，該另一人就像我們所有人一樣易有許多相同限制。難以長年日復一日不出錯地重複一動作，且大多數裝配員無 權採取校正動作。即使被給予此等權利，亦將為不一致的，且僅由人類在應用該單一程序節點時所具有之經驗告知。另外，不存在從任何錯誤或甚至任何積極校正動作學習之機制。
此外，一裝配線之電子監測係有限的且不包含用於提供對一裝配線中之下游步驟之即時(on-the-fly)調整以補償上游步驟中發生之誤差的穩健機制。此外，需要用於評估操作員運動之變動及/或裝配模式之變動如何影響所得製造產品及提供校正動作以改良一製造產品之效能及/或性質的新穎機制。
在一些態樣中，所揭示技術係關於一種用於最佳化一裝配線中之工作流程之方法，該方法包含以下步驟：自安置於該裝配線中之一第一站處之一第一影像捕獲裝置接收第一運動資料，其中該第一運動資料對應於與該第一站相關聯之一第一操作員(從一或多個操作員當中選擇)在與一製造物品互動時所執行之運動；基於該第一運動資料計算由該第一操作員執行之該等運動之一誤差變異數；及基於該誤差變異數識別該製造物品中之偏差。在一些態樣中，該方法可進一步包含基於該經計算誤差變異數自動調整提供至該一或多個操作員之至少一者之裝配指引以產生經修改裝配指引的步驟。
在另一態樣中，所揭示技術涵蓋一種用於最佳化一裝配線中之工作流程之系統，該系統包含：複數個影像捕獲裝置，其中該等影像捕獲裝置之各者安置於一裝配線中之複數個站之一或多者處；及一裝配指引模組，其經組態以自動修改提供至該複數個站之一或多者之指導及指引，其中該裝配指引模組耦合至該複數個影像捕獲裝置。該裝配指引模組 可經組態以執行包含以下各者之操作：自來自該複數個影像捕獲裝置當中之一第一影像捕獲裝置接收第一運動資料，且其中該第一影像捕獲裝置安置於該裝配線中之一第一站處，其中該第一運動資料對應於與該第一站相關聯之一第一操作員在與一製造物品互動時所執行之運動；及基於該第一運動資料計算由該第一操作員執行之該等運動之一誤差變異數。在一些實施方案中，該裝配指引模組可進一步經組態以執行以下操作：基於該誤差變異數識別該製造物品中之偏差；及基於該經計算誤差變異數自動調整提供至該一或多個操作員之至少一者之裝配指引以產生經修改裝配指引。
在又一態樣中，所揭示技術係關於一種非暫時性電腦可讀媒體，其包括儲存於其上之指令(instruction)，在藉由一或多個處理器執行時，該等指令經組態以引起該等處理器執行包含以下各者之指令：自安置於一裝配線中之一第一站處之一第一影像捕獲裝置接收第一運動資料，其中該第一運動資料對應於從一或多個操作員當中選擇之與該第一站相關聯之一第一操作員在與一製造物品互動時所執行之運動；基於該第一運動資料計算由該第一操作員執行之該等運動之一誤差變異數；及基於該誤差變異數識別該製造物品中之偏差。在一些實施方案中，該等指令可進一步經組態以引起該等處理器執行基於該經計算誤差變異數自動調整提供至該一或多個操作員之至少一者之裝配指引以產生經修改裝配指引的操作。
100:程序/處理
102:步驟
104:步驟
106:步驟
108:步驟
110:步驟
111:步驟
112:步驟/人工智慧程序控制(AIPC)深度學習模型
113:步驟
114:步驟
115:領域/行業資訊
117:步驟
200:程序
210:步驟
215:步驟
220:步驟
221:步驟
222:表面變化之偵測
223:步驟
224:步驟
226:步驟
228:步驟
230:步驟
300:處理裝置/系統
315:匯流排
361:記憶體
362:主控中央處理單元(CPU)/主控微處理器
363:處理器
368:介面
370:影像處理系統
在隨附發明申請專利範圍中闡述本技術之特定特徵。然而，隨附圖式(其等經包含以提供進一步理解)繪示所揭示態樣且與描述一起用於說明本技術之原理。在圖式中：圖1在概念上繪示根據所揭示技術之一些態樣之一例示性 生產線部署之一流程圖。
圖2繪示根據所揭示技術之一些態樣之用於在一給定操作員站處執行裝配誤差校正之一程序之一實例。
圖3繪示可實施本技術之一些態樣之一電子系統之一實例。
下文闡述之[實施方式]意欲作為本技術之各種組態之一描述且並不意欲僅表示其中可實踐本技術之組態。隨附圖式併入於本文中且構成[實施方式]之一部分。[實施方式]出於提供對本技術之一更透徹理解之目的而包含特定細節。然而，將清楚且明白，本技術不限於本文中闡述之特定細節且可在無此等細節之情況下實踐。在一些例項中，以方塊圖形式展示結構及組件以避免使本技術之概念模糊。
所揭示技術之態樣藉由提供追蹤、訓練及逐步改良生產線裝配及所得製造產品之方法而解決習知裝配線程序流程之前述限制。藉由向各裝配操作員提供動態視覺回饋及指引而實現改良，且在一些實施方案中，操作員回饋係基於誤差，該等誤差可包含但不限於在生產線中之一或多個點處偵測到之裝配誤差、低效程序及/或運動、劣質產品。
藉由實施所揭示技術，與手動實施方法之誤差校正速度相比，可例如藉由基於幾乎即時(real-time)之誤差偵測快速更改及改變在各站(或全部站)處提供之參考/指引資訊而顯著改良誤差校正速度。儘管本文中描述之一些實施例論述使用呈視訊形式之參考/指引資訊，然可預期其他格式。例如，裝配/製造指引可提供為提供至一裝配操作員之可聽、視覺及/或觸覺提示。藉由實例，可聽指引資訊可包含語音指引或其他可聽 指示器。視覺裝配指引資訊可包含視訊或動畫格式，諸如使用一擴增實境(A/R)或虛擬實境(V/R)系統。在一些態樣中，視覺裝配指引可提供為動畫，其等提供關於如何藉由裝配線中之一給定站處之一操作員操縱一工件(或工具)之實例。另外，在一些態樣中，裝配/製造指引可包含例如可藉由一機器人裝配操作員或一機器裝配操作員接收及實施之機器指令。如本文中使用之術語操作員可指代一人類、一機器人或使用運動來裝配一製造產品之一機器。另外，術語操作員涵蓋諸如其中人類操作員與一機器人或一機器器具協同工作或藉由一機器人或一機器器具輔助之例項中之人類輔助製造實施方案。
在其中裝配/製造指引提供為參考/指引視訊之例項中，此等視訊有時被稱為標準操作協定(SOP)。歸因於最小硬體要求(例如，針對各操作員使用視訊攝影機及顯示器)，可高效地部署所揭示技術之系統，而機器學習訓練、更新及誤差傳播可在一集中計算資源處(諸如在一計算叢集或一雲端環境中)執行。
在一些態樣中，可將視訊指引資訊作為一擴增實境顯示之部分提供至一或多個操作員。即，可使用擴增實境將指引或與標準裝配/製造方法之偏差傳達給一操作員，其中一顯示提供為增強視訊、動畫圖形及/或表示經記錄場景之視訊資料之一混合。藉由實例，擴增實境顯示可將提供為動畫或圖形覆蓋之指引或指導提供為正在裝配之一工件及/或正在裝配/製造程序中使用之一工具之即時饋送。
在一些實施方案中，所揭示技術之一系統包含安置於一生產線中之各個操作員站處之一或多個視訊或運動捕獲裝置。捕獲裝置經組態以記錄操作員之運動或與該特定站處之一零件、裝置、材料或其他工具 (「組件」)之互動。在一些態樣中，可使用視訊記錄捕獲操作員運動，然而，可預期其他運動捕獲格式，例如使用表示操作員運動及/或一操作員與一工具或製造產品之互動之3D點雲。此外，可藉由記錄一特定站之一個或數個專家之運動及專家與該站處之一組件之互動而產生用於各站之一參考視訊。可提取各專家之運動路徑，且在其中使用數個專家之實施例中，可對經提取運動路徑集執行一計算以產生用於一特定站之一參考視訊。參考視訊可呈待在該特定站處執行之運動路徑之一數位或一動畫呈現之形式。應注意，一專家可指代對正為其提供指導之一特定裝配步驟熟習或在行之任何人。
在一些實施例中，安置於一生產線中之各個操作員站處之視訊或運動捕獲裝置亦可捕獲各自站處之一工件/組件/工具之屬性(例如，品質、抗張強度、缺陷數目)，該等屬性可用於計算裝配誤差。
藉由捕獲操作員在其等各自站處之互動，可藉由比較所捕獲互動與表示一理想/專家操作員互動/工作流程之一基線(實況)模型而偵測操作員誤差。即，操作員與理想化互動模型之偏差可用於計算可在裝配鏈中之各個位置處例如藉由更改在不同站處提供之操作員指引/指導而修復之裝配誤差。另外，可在各站處捕獲一組件之品質且比較其與該站之一基線組件。一組件與一基線組件之偏差亦可用於將一品質等級指派給特定站處之組件或計算可藉由更改提供至各個站之操作員指引/指導而修復之操作員/裝配誤差。
取決於所要實施方案，裝配校正可以各種方式執行。在一些態樣中，操作員變動/誤差可用於執行分類，例如藉由將零件分類為品質等級(例如，A、B、C等)且隨後將該等零件引導至一適當生產線中。在 另一態樣中，經偵測裝配誤差可用於更改一給定站處之程序以改良品質且減小變動。即，經偵測裝配誤差可用於在相同站處自動提供指引或指導，以例如矯正在該站處引起之一誤差(例如，站內重工(in-station rework))。
例如，裝配誤差偵測可用於驅動對在其中已知發生誤差之一給定站處提供之操作員指引或視訊的更新/改變。藉由實例，若誤差/偏差被識別為源於在一第一站處工作之一第一操作員，則可更改例如經由第一站處之一顯示裝置提供至第一操作員之裝配指引以減小與離開第一站之製造物品相關聯之誤差變異數。
在另一態樣中，經偵測裝配誤差可用於更改後續站裝配以克服站變異數。即，誤差偵測可用於基於由一上游操作員引起之誤差來自動觸發新的/經更新裝配指導之下游傳播。例如，由第一操作員執行之運動之誤差變異數可用於調整提供至與在第一站下游之一第二站相關聯之一第二操作員的裝配指引。
在又一態樣中，可向前傳播跨全部站偵測之誤差變異數，以確保可在整個剩餘下游裝配鏈之過程內執行整體或部分重工。即，可藉由調整提供至一或多個下游操作員之裝配指引而修復/減少跨一或多個站產生之誤差。在一項實例中，由一第一站處之一第一操作員引起之一製造物品中之誤差變異數可透過循序藉由一第二站處之一第二操作員及一第三站處之一第三操作員執行之操作(即，藉由調整在第二站及第三站處提供之裝配指引)而修復。
在另一實例中，跨多個站累積之誤差變異數可藉由一或多個後續站減小。例如，跨一第一站及一第二站累積之一製造物品中之誤差變異數可隨後藉由調整提供至一第三站及一第四站處(例如，分別提供至 一第三操作員及一第四操作員)之裝配指引而修復。
藉由將一裝配流程中之各操作員/操作員站視為一網路節點，機器學習模型可用於藉由透過減小各節點(站)處之裝配變異數來最小化誤差而最佳化裝配程序。藉由最小化個別節點(操作員)變異數以及執行即時更新以減少向前誤差傳播，所揭示技術之系統可大幅減小最終產品之製造變異數。另外，藉由準確地量化及追蹤來自一裝配工作流程中之特定分段之誤差貢獻，產品可按產品品質或偏差量對產品進行分級及分類。因而，可將特定品質分類之產品導向至不同製造程序或不同客戶，即，取決於產品品質。
機器學習/人工智慧(AI)模型可用於執行誤差偵測及/或執行最佳化站裝配變化所必需之修改。藉由實例，可使用多個來源之訓練資料來訓練機器學習模型，訓練資料包含但不限於：最終產品評比、最終產品變動統計、所要最終產品特性(例如，裝配時間、所使用之材料量、實體性質、缺陷數目等)、站特定組件評比、站特定組件變動、所要站組件特性。另外，可基於自專家或「設計大師(master designer)」提供之輸入訓練或初始化經部署機器學習模型，使得可以用於執行誤差偵測及誤差量化計算之理想化模型表示機構知識。
如熟習此項技術者所理解，在不脫離所揭示技術之情況下，基於機器學習之分類技術可取決於所要實施方案而變化。例如，機器學習分類方案可單獨或組合利用以下之一或多者：隱藏馬可夫(Markov)模型；遞迴神經網路；迴旋神經網路(CNN)；深度學習；貝氏(Bayesian)符號法；一般對抗網路(GAN)；支援向量機；影像對位法；適用之基於規則之系統。在使用迴歸演算法之情況中，其等可包含但不限於：一隨機梯度 下降迴歸因子及/或一被動進取(Passive Aggressive)迴歸因子等。
機器學習分類模型亦可基於叢集演算法(例如，一小批量K平均數叢集演算法)、一推薦演算法(例如，一Miniwise散列演算法或歐幾里得(Euclidean)局部敏感散列(LSH)演算法)及/或一異常偵測演算法(諸如一局部離群值因子)。另外，機器學習模型可採用一降維方法，諸如以下之一或多者：一小批量字典學習演算法、一增量主成分分析(PCA)演算法、一潛在狄利克里(Dirichlet)分配演算法及/或一小批量K平均數演算法等。
在一些實施方案中，可部署多種不同類型之機器學習訓練/人工智慧模型。藉由實例，可使用一般形式之機器學習以動態地調整裝配線程序，以最佳化製造產品。如熟習此項技術者所認知，(若干)選定機器學習/人工智慧模型並不僅僅含有一組特定裝配/製造指引，而是一種提供對整個裝配線程序及其對所得製造產品之影響之回饋以及提供對裝配線中之下游操作員站之動態調整以補償發生在上游操作員站中之動作的方式。此類型之基於人工智慧之回饋及前饋模型在本文中被稱為人工智慧程序控制(AIPC)。
在一些實施例中，可選擇一最佳/所要製造產品之一設計且可部署一熟練操作員以根據選定設計實行在各操作員站處針對製造產品之裝配執行之各步驟。最佳可基於所得產品之所要效能及/或性質(例如，若製造產品係一紙飛機，則一最佳紙飛機可為達成所要飛行目標之紙飛機)從而最小化所得製造產品中之誤差，或某一其他準則。多個成像裝置可用於捕獲操作員之運動及其與其正在裝配之製造產品之互動以產生視訊、影像及/或3D點雲資料。所捕獲資料可提供粒度資訊，諸如：一操作員之手 相對於正在裝配之製造產品之座標；一隻手與另一隻手之關係；及手指(且在一些實施例中，手指關節)與正在裝配之製造產品之關係。從熟練操作員收集之資料可被用作一最佳/所要製造產品之一裝配實況。此外，為理解一操作員之運動中之變動或誤差可如何影響所得製造產品，可部署許多操作員以實行一最佳製造產品之裝配中之一或多個步驟。此可針對裝配線中之各操作員站進行。所得最終產品及其等各自裝配程序可彼此比較且與實況比較以判定一操作員之運動中之誤差及/或變動可如何影響製造產品之性質及/或效能(例如，一操作員之速度可能導致較差品質之飛機)。在一實際裝配程序(即，其中人、機器人或機器在一或多個站處執行運動之一程序)期間基於操作員收集之資料在本文中將被稱為「實際訓練資料」。實際訓練資料可由模擬資料補充以獲得一更豐富資料集且提供用於達成一最佳製造產品之額外變動。應注意，術語「最佳」及「所要」將可在本文中互換地使用。
在一些實施例中，本文中論述之不同AI/機器學習/深度學習模型可以如下文闡述之一特定順序部署以達成人工智慧程序控制(AIPC)而最佳化一製造物品之裝配。關於圖1(例如，關於AIPC深度學習模型112)及圖2進一步詳細論述其中可實施一AIPC深度學習模型之例示性程序。下文在圖3及對應描述中提供可用於實施一AIPC深度學習模型之硬體系統及/或裝置之實例。
首先，可在裝配線程序中使用CNN以在各操作員站處對一操作員之手及呈不同組態之製造物品之特徵進行分類。
其次，可使用強化學習(RL)及RL代理且其等因達成所要結果(兩者皆來自CNN分類)及預定義期望結果而受到獎勵。RL代理可為受 監督的或無監督的。
第三，可使用生成對抗網路(GAN)在衝突RL代理之間進行選擇。GAN可涉及最少人類監督，依賴於人類僅用於選擇將哪些RL代理作為節點輸入至GAN。
第四，RNN可將獲勝RL視為輸入節點以產生一回饋及前饋系統，使得學習可為連續的且無監督的。
下文更詳細論述此四個AI/機器學習模型之實施方案：在一些實施例中，可將實際訓練資料輸入至一CNN中以對裝配程序中之相關資料進行分類，例如對在各操作員站之各裝配步驟使用哪些手指/手、一操作員之手指在任何時間及空間點觸摸所裝配產品之哪些部分及所裝配製造產品在任何時間及空間點之形狀或組態進行分類。
在進一步實施例中，亦可收集不追蹤手部運動但表示製造產品之裝配模式中之不同變動的資料(例如，若製造產品係一摺疊紙飛機，則可基於改變摺疊順序、實施摺疊變動及/或引入可能誤差而收集資料；若製造產品係一衣物，則可例如基於縫合順序、實施縫合變動及/或引入可能誤差而收集資料)。可自實際訓練資料模擬及/或收集此資料。可比較所得製造產品及其等各自裝配程序以判定裝配模式中之誤差或變動如何影響製造產品之性質及/或效能。
在一些態樣中，用於產生一機器學習模型之訓練資料可組合地或單獨地來自模擬資料及/或實際訓練資料。在一些實施例中，可使用模擬資料結果建立一機器學習模型(例如(但不限於)一強化學習(RL)代理)。在其他實施例中，可使用實際訓練資料建立一機器學習模型(例如(但不限於)一強化學習(RL)代理)。一RL代理因達成良好/所要結果而受到 獎勵且因較差結果而受到懲罰。
在一些例項中，許多RL代理(一些RL代理係基於實際訓練資料且一些RL代理係基於模擬資料)可經部署以協同工作且經組態以最大化一累積獎勵：例如裝配具有與一理想模型/實例之最小偏差之一製造產品。一RL代理可因其受到獎勵之例示性結果包含：在儘可能少之步驟中完成一完美製造產品；減少達成製造產品所需之材料或時間之量。基於模擬資料之RL代理及基於實際訓練資料之RL代理可用於判定導致最佳/所要製造物品之最佳運動模式及/或最佳裝配模式。
此兩個群組之RL代理(例如，基於實際訓練資料產生之RL代理及基於模擬資料產生之RL代理)現可合作且甚至競爭，因為其等皆因製成最佳/所要製造產品之動作而受到獎勵。在一些實施例中，自導致最佳製造產品之最佳裝配模式之基於模擬之RL代理獲得的資料可用於減小實際訓練資料集之可能性空間。例如，模擬RL代理可用於判定最佳裝配模式，且接著可僅針對最佳裝配模式而不針對非最佳裝配模式收集實際訓練資料。藉由僅集中於收集實際訓練資料或最佳裝配模式，可收集較少訓練資料，及/或較大容量可用於收集更多實際訓練資料，但僅針對最佳裝配模式。
僅依賴於強化學習來最佳化一裝配線係有限的，因為獎勵有時會發生衝突。例如，在一產品之裝配中，一些RL代理可因最小數目個錯誤舉動(例如，摺疊並立即展開該摺疊，或添加一縫合並立即解開該縫合)而受到獎勵，而其他RL代理可因速度而受到獎勵。因速度而受到獎勵之RL代理可判定更多錯誤舉動導致更快裝配時間，此係因為在裝配程序中之下游需要較少校正。作出此等實施方案權衡決策對人類而言並不容 易判別。即使具有經驗及大量實例，人類仍缺乏理解以不同方式工作之不同操作員如何導致一最終結果之微妙之處的計算能力。
為解決此等衝突RL代理最佳化，可部署GAN以充當仲裁器。衝突可在基於實際訓練資料之RL代理之間、在基於模擬資料之RL代理之間及/或在基於實際訓練資料之一RL代理與基於模擬資料之一RL代理之間。
在一些實施例中，GAN可測試RL代理之各者且儲存結果以產生一甚至更穩健之神經網路。GAN藉由採用RL代理且使用在零和對局(zero-sum game)中產生一獲勝者及一失敗者之一模型而工作。在GAN中，存在「產生器」及「鑑別器」。在此情況中，產生器將儲存來自衝突RL代理之獎勵資料，且鑑別器將評估此等之哪一者與產生一所要製造產品之任務最相關。GAN使用一深度節點(或神經元)網路來決定如何對節點加權。由於各RL代理相信其已作出最佳決策，故GAN之角色係判定衝突RL代理之哪一者實際上作出最相關選擇，且鑑別器相應地調整權重。當在衝突RL代理之間進行零和對局時，產生衝突RL代理之間之一群組之獲勝者，且僅該等獲勝者將用於用以最佳化一裝配線中之工作流程之機器學習模型。儘管可能已產生大量資料以判定獲勝RL代理，然結果遠比用於產生且找到用作輸入節點之此等獲勝者之結果稀疏。
一旦判定哪些RL代理已從GAN競爭中勝出(survive)且已被正確獎勵，在一些實施例中，便可將其等輸入至稱為一遞迴神經網路(RNN)之另一AI系統中。一RNN與一CNN具有許多相似之處，因為其係一深度學習神經網路，其中透過對輸入資料進行各種形式之加權而最佳化最終結果。一個差異在於，不同於一CNN，其係自輸入至輸出之一線性 程序，一RNN係回饋所得輸出及甚至內部節點作為新訓練資訊之一迴路。一RNN係一回饋系統及一前饋系統兩者。
人工智慧程序控制(AIPC)之一真實世界應用涉及將回饋提供至裝配線中之已完成其等任務之操作員(例如，藉由自動修改視訊指引)以及將指引提供至裝配線中之下游之尚未完成其等任務之操作員(例如，亦藉由自動修改視訊指引)(「前饋」)。此回饋-前饋系統或AIPC可用本文中描述之AI方法且在一些實施例中按本文中描述之特定順序達成，使得一裝配線上之操作員可作出最佳化所得製造產品之選擇而無需額外人類監督。
在一些實施例中，此涉及將上述系統壓縮至僅RNN，且以兩種方式查看產生一或多個製造產品之程序期間之每一舉動：成功或不成功。各舉動用作訓練。若RNN之輸出節點並非最佳，則網路可回饋至裝配線中之一實際個體以作出一不同選擇，且在通過RNN之許多節點及層之路徑中，權重可重新加權且輸出將被標記是否成功。隨著程序反覆，權重改良其等自身之準確性。另外，網路可學習什麼在工作及什麼未在工作，即使正執行裝配之個體並未工作。將此添加至訓練集。亦容許在裝配程序之不同階段作出調整。在一些情況中，可發現在任何給定時刻產生具有特定特性之一製造物品之最佳方式並非回到開始，而是隨著程序進展調整指引。於是，RNN始終對最佳製造產品進行最佳化，且學習將回饋提供至一生產線中之已執行其等任務之一操作員站處之各操作員以及將資訊前饋至生產線中之尚未執行其等任務之操作員站處之操作員。
圖1在概念上繪示根據所揭示技術之一些態樣之用於實施一生產線部署之一例示性程序100之一流程圖。圖1之程序以步驟102開 始，其中開始一生產部署。一例示性生產線之工作流程通常包含在其中裝配或製造一工件(產品)之多個操作員站(節點)。可循序組織各個節點，使得各後續節點處之工作僅在先前節點處之一操作已完成之後開始。
在步驟104中，產生及/或更新一或多個參考視訊。如上文說明，視訊可用於將製造/裝配指引提供至一特定節點(在本文中亦被稱為一操作員站)。即，工作流程中之各節點可具備一參考視訊，其遞送如何完成製造工作流程中之與該特定節點對應之一步驟之指導。
在步驟106中，將在步驟104中產生之視訊之各者部署至一各自站/節點。藉由實例，一給定工作流程可包含十個節點，各節點具有一各自及不同/獨有參考視訊。在其他實施方案中，視訊之數目可小於節點之總數。取決於實施方案，部署於各個站/節點處之參考視訊可為獨有的，或可提供類似指導/指引。如下文進一步詳細論述，參考視訊之內容可為動態的，且可隨時間更新/擴增。
在步驟108中，在各站/節點處捕獲一連續運動記錄。由運動記錄產生之運動資料可描述一操作員與工作流程中之其等節點/站處之一工件/組件/工具之互動。即，在各節點處捕獲之運動資料可表示與一產品裝配或製造之一特定部分對應之一或多個操作員動作，且可對應於由與該節點相關聯之一參考視訊提供之指引。在一些例項中，運動捕獲可包含視訊資料之捕獲，即，該站處之一操作員動作之全部或部分之一記錄。在其他實施例中，運動捕獲可包含一3D點雲之記錄，例如，其中針對影像捕獲裝置之一視場中之一或多個特定點記錄運動。可在工作流程中之各節點/站處捕獲操作員之動作以及組件之屬性(例如，組件品質、抗張強度、缺陷數目)兩者。
在步驟110中，可計算程序方法分析偏差，其中可分析在步驟108中針對站之一或多者捕獲之運動資料以識別與例如包含(或表示)對應站之一理想化運動輪廓之一比較模型的任何偏差。如圖1中繪示，步驟110可利用一AIPC深度學習模型(步驟112)，該AIPC深度學習模型例如可經組態以對與比較模型之運動偏差進行識別/分類，且推斷可如何影響裝配或製造程序。可在每站層級及/或整個程序層級上進行比較。分析亦可考量各站處之一組件之屬性或一組件與一基線之偏差及站之運動偏差如何影響組件之品質。
在步驟112中呼叫之AIPC深度學習模型可基於各種類型之訓練資料之一集合，該集合例如可包含一給定站/節點之理想或品質控制裝配/製造互動之實例。AIPC深度學習模型亦可使用由領域/行業資訊115、來自使用程序100製成之特定產品之客戶之回饋(步驟111)、來自使用處理100製成之特定產品之品質控制檢測之回饋(步驟113)提供的資料進行擴增(或調整)。應瞭解，AIPC深度學習模型可使用多種計算系統實施，包含分佈式硬體及/或軟體模組。藉由實例，一AIPC深度學習模型可使用一分佈式系統實施，包含部署於一裝配線處且耦合至經組態以實施各種AI/機器學習模型及/或分類器之一或多個系統的多個影像捕獲裝置及顯示裝置。
一旦已在步驟110中偵測到/識別出與比較模型之偏差，便可使用AIPC深度學習模型112產生步驟114中之自動調整。如上文論述，視訊調整可以改良工作流程中之一或多個站處之製造/裝配品質為目標。例如，可將視訊調整應用於其中已知(或預測)產生誤差之一給定節點/站，以改變提供至操作員之指引或指導使得在起點處減少或修復誤差。在其他 實施方案中，可將視訊調整應用於其中產生一誤差之一站之下游以例如在製造工作流程完成之前校正誤差。在進一步實施方案中，一旦工作流程完成，便可分析整個工作流程且可對工作流程中之一或多個站作出調整。
在一些實施例中，在已偵測到一誤差之後立即即時作出調整。在其他實施例中，以固定時間間隔或在工作流程已完成之後作出調整。
在一些態樣中，在步驟114處判定之自動調整可被總結及/或提供為步驟117處之一生產品質報告。例如，由運動偏差之一分析(步驟110)產生之調整可用於產生基於與裝配/製造程序之理想化模型之經識別偏差來描述一工件之各種品質態樣的一或多個品質報告。
圖2繪示根據本技術之一些態樣之用於執行可用於促進裝配誤差校正之誤差偵測分析的一例示性程序200。
開始於步驟210，可實施使用理想化視訊指導來改良製造/裝配之一程序。在步驟215中，執行對一或多個裝配站之視訊追蹤。視訊追蹤可包含對一給定站/節點處之一人類操作員之記錄。在一些實施例中，視訊追蹤可進一步包含對一給定站/節點處之組件屬性之捕獲。
在步驟220至224中，執行處理以分析來自裝配站之經記錄視訊。例如，在一些實施例中，可執行背景提取以隔離經記錄視訊中之移動/組件。在一些態樣中，一旦完成背景提取，所處理視訊便僅含有與裝配操作員(步驟224)及在對應裝配步驟中使用之所涉及組件(步驟220)相關之運動/視訊資料。在步驟220中，可執行額外處理以隔離零件/組件。如藉由程序200之圖繪示，步驟220可包含額外處理操作，包含異常偵測(步驟221)、表面變化之偵測(222)及一零件分類及/或品質評分(步驟223)。應 瞭解，視訊處理步驟之任一者可使用各種信號及/或影像處理技術執行，包含但不限於使用一或多個AI/機器學習演算法及/或分類器來例如執行異常偵測(221)、偵測表面變化(222)及/或執行評分/分類(步驟223)。
在處理步驟220至224完成之後，程序200可繼續至步驟226，其中執行運動比較。運動比較(步驟226)可包含比較程序裝配站視訊資料(涉及一或多個站/節點處之一或多個站操作員)與對應理想化視訊/運動資料。跨多個站/節點執行之運動比較可用於推斷/預測所得零件/組件品質之變動。
在步驟228中，可執行各種零件/組件之變異數/品質分類。藉由實例，零件/組件可被分類為不同品質階層及/或可取決於其等相關聯分類/差異而被識別為移除或修理。
在已判定分類/差異之後，程序200可繼續至步驟230，其中例如基於在步驟226及228中判定之各站/節點之分類/差異來執行對整個程序/工作流程之一分析。藉由分析整個工作流程，可對視訊作出自動調整以解決經偵測偏差/缺陷，如上文論述。
圖3繪示可用於實施所揭示技術之一系統之一例示性處理裝置。處理裝置300包含一主控中央處理單元(CPU)362、介面368及一匯流排315(例如，一PCI匯流排)。當在適當軟體或韌體之控制下作用時，CPU 362負責執行所揭示技術之各種誤差偵測監測及程序調整步驟。CPU 362較佳在包含一作業系統及任何適當應用程式軟體之軟體之控制下完成全部此等功能。CPU 362可包含一或多個處理器363，諸如來自摩托羅拉(Motorola)系列微處理器或MIPS系列微處理器之一處理器。在一替代實施例中，處理器363係用於控制AIPC系統300之操作之特殊設計硬體。在 一特定實施例中，一記憶體361(諸如非揮發性RAM及/或ROM)亦形成CPU 362之部分。然而，存在可將記憶體耦合至系統之許多不同方式。
在一些態樣中，處理裝置300可包含一成像處理系統370或可與一成像處理系統370耦合。影像處理系統370可包含能夠監測操作員移動且產生運動資料之各種影像捕獲裝置，諸如視訊攝影機。藉由實例，影像處理系統370可經組態以捕獲視訊資料及/或輸出/產生一3D點雲。
介面368通常被提供為介面卡(有時被稱為「線路卡」)。一般而言，其等控制資料封包透過網路之發送及接收且有時支援與路由器一起使用之其他周邊器件。可提供之介面係乙太網路介面、訊框中繼介面、電纜介面、DSL介面、符記環介面及類似者。另外，可提供各種極高速介面，諸如快速符記環介面、無線介面、乙太網路介面、十億位元乙太網路介面、ATM介面、HSSI介面、POS介面、FDDI介面及類似者。一般而言，此等介面可包含適於與適當媒體通信之埠。在一些情況中，其等亦可包含一獨立處理器且在一些例項中包含揮發性RAM。獨立處理器可控制如封包交換、媒體控制及管理之此等通信密集型任務。藉由針對通信密集型任務提供各別處理器，此等介面容許主控微處理器362高效地執行路由計算、網路診斷、安全功能等。
儘管圖3中展示之系統係本發明之一個特定處理裝置，然然其絕非可實施本發明之唯一網路裝置架構。例如，通常使用具有處置通信以及路由計算等之一單一處理器的一架構。此外，亦可使用其他類型之介面及媒體。
無關於網路裝置之組態，可採用經組態以儲存用於通用網路操作之程式指令之一或多個記憶體或記憶體模組(包含記憶體361)及用 於漫遊、路由最佳化及本文中描述之路由功能之機制。例如，程式指令可控制一作業系統及/或一或多個應用程式之操作。一或多個記憶體亦可經組態以儲存表，諸如行動連結(mobility binding)、註冊及關聯表等。
各種實施例之邏輯操作被實施為：(1)在一通用電腦內之一可程式化電路上運行之一序列電腦實施步驟、操作或程序；(2)在一專用可程式化電路上運行之一序列電腦實施步驟、操作或程序；及/或(3)可程式化電路內之互連機器模組或程式引擎。系統300可實踐所述方法之全部或部分、可為所述系統之一部分及/或可根據所述非暫時性電腦可讀儲存媒體中之指令操作。此等邏輯操作可被實施為模組，其等經組態以控制處理器363根據模組之程式化執行特定功能。
應瞭解，所揭示之程序中之步驟之任何特定順序或階層係例示性方法之一繪示。基於設計偏好，應瞭解，可重新配置程序中之步驟之特定順序或階層，或僅執行所繪示步驟之一部分。一些步驟可同時執行。例如，在某些境況中，多任務處理及並行處理可為有利的。此外，上文描述之實施例中之各種系統組件之分離不應被理解為在全部實施例中皆需要此分離，且應瞭解，所描述程式組件及系統一般可一起整合於一單一軟體產品中或封裝至多個軟體產品中。
提供先前描述以使任何熟習此項技術者能夠實踐本文中描述之各種態樣。熟習此項技術者將容易明白對此等態樣之各種修改，且本文中定義之一般原理可應用於其他態樣。因此，發明申請專利範圍並不意欲限於本文中展示之態樣，而是符合與語言主張一致之完整範疇，其中對一單數元件之參考不意欲意謂「一個且僅一個」(除非明確如此陳述)而是「一或多個」。
諸如一「態樣」之一片語並不暗示此態樣對於本技術係必不可少的或此態樣適用於本技術之全部組態。與一態樣相關之一揭示內容可應用於全部組態或一或多個組態。諸如一態樣之一片語可指代一或多個態樣，且反之亦然。諸如一「組態」之一片語並不暗示此組態對於本技術係必不可少的或此組態適用於本技術之全部組態。與一組態相關之一揭示內容可應用於全部組態或一或多個組態。諸如一組態之一片語可指代一或多個組態，且反之亦然。
字詞「例示性」在本文中用於意謂「用作一實例或繪示」。在本文中描述為「例示性」之任何態樣或設計不一定被理解為比其他態樣或設計更佳或有利。
100:程序/處理
102:步驟
104:步驟
106:步驟
108:步驟
110:步驟
111:步驟
112:步驟/人工智慧程序控制(AIPC)深度學習模型
113:步驟
114:步驟
115:領域/行業資訊
117:步驟

Claims (15)

  1. 一種用於最佳化一裝配線中之工作流程之方法，該方法包括：藉包括一深度學習處理器的一運算系統自安置於該裝配線中之一第一站處之一第一影像捕獲裝置接收第一運動資料，其中該第一運動資料對應於一第一操作員執行一裝配程序的一第一步驟而在與一製造物品互動時所執行之運動；藉該運算系統計算由該第一操作員執行之該等運動與代表執行該裝配程序的該第一步驟之一專業操作員之理想運動之一基線模型之間之一誤差變異數；藉該運算系統之該深度學習處理器基於該誤差變異數推斷該製造物品中之偏差；及藉該運算系統之該深度學習處理器基於該經計算誤差變異數或該等經推斷偏差其中之一自動調整該裝配程序之裝配指引以產生經修改裝配指引。
  2. 如請求項1之方法，其中該等經修改裝配指引經組態以用於減少或消除該製造物品中之該等經推斷偏差。
  3. 如請求項1之方法，進一步包括：提供該等經修改裝配指引至與一第二站相關聯之一第二操作員，且其中該第二站在該裝配線中之該第一站下游。
  4. 如請求項1之方法，進一步包括：提供該等經修改裝配指引至與該第一站相關聯之該第一操作員。
  5. 如請求項1之方法，其進一步包括：自安置於該裝配線中之一第二站處之一第二影像捕獲裝置接收第二運動資料，其中該第二運動資料對應於一第二操作員執行該裝配程序的一第二步驟而與該製造物品互動時所執行之運動，藉該運算系統計算由該第二操作員執行之該等運動與代表執行該裝配程序的該第二步驟之該專業操作員之第二理想運動之一第二基線模型之間之一第二誤差變異數；藉該運算系統之該深度學習處理器基於該誤差變異數及該第二誤差變異數推斷該製造物品中之進一步偏差；及藉該運算系統之該深度學習處理器基於該第二經計算誤差變異數或該等經推斷進一步偏差其中之一進一步調整該裝配程序之該裝配指引以產生第二經修改裝配指引。
  6. 一種用於最佳化一裝配線中之工作流程之系統，該系統包括：一處理器；及一記憶體，其內儲存有程式化指令並在該程式化指令藉由該處理器執行時，使該系統執行下列操作，包括：自安置於該裝配線中之一第一站處之一第一影像捕獲裝置接收第一運動資料，其中該第一運動資料對應於一第一操作員執行關於一製造物品之一裝配程序的一第一步驟所執行之運動； 計算由該第一操作員執行之該等運動與代表執行該裝配程序的該第一步驟之一專業操作員之理想運動之一基線模型之間之一誤差變異數；藉一深度學習處理器基於該誤差變異數推斷該製造物品中之偏差；及基於該經計算誤差變異數或該等經推斷偏差其中之一自動調整該裝配程序之裝配指引以產生經修改裝配指引。
  7. 如請求項6之系統，其中該等經修改裝配指引經組態以用於減少或消除該製造物品中之該等經推斷偏差。
  8. 如請求項6之系統，進一步包括：提供該等經修改裝配指引至與一第二站相關聯之一第二操作員，且其中該第二站在該裝配線中之該第一站下游。
  9. 如請求項6之系統，進一步包括：提供該等經修改裝配指引至與該第一站相關聯之該第一操作員。
  10. 如請求項6之系統，其進一步包括：自安置於該裝配線中之一第二站處之一第二影像捕獲裝置接收第二運動資料，其中該第二運動資料對應於一第二操作員執行該裝配程序之一第二步驟而在與該製造物品互動時所執行之運動，計算由該第二操作員執行之該等運動與代表執行該裝配程序的該第二步驟之該專業操作員之第二理想運動之一第二基線模型之間之一第二誤 差變異數；藉該深度學習處理器基於該誤差變異數及該第二誤差變異數推斷該製造物品中之進一步偏差；及藉該深度學習處理器基於該第二經計算誤差變異數或該等經推斷進一步偏差其中之一進一步調整該裝配程序之該裝配指引以產生第二經修改裝配指引。
  11. 一種非暫時性電腦可讀媒體，其包括儲存於其上之指令，在藉由一或多個處理器執行時，使一運算系統執行下列操作，包括：藉包括一深度學習處理器的一運算系統自安置於一裝配線中之一第一站處之一第一影像捕獲裝置接收第一運動資料，其中該第一運動資料對應於一第一操作員執行該裝配程序的一第一步驟而與一製造物品互動時所執行之運動；藉該運算系統計算由該第一操作員執行之該等運動與代表執行該裝配程序的該第一步驟之一專業操作員之理想運動之一基線模型之間之一誤差變異數；藉該運算系統之該深度學習處理器基於該誤差變異數推斷該製造物品中之偏差；及藉該運算系統之該深度學習處理器基於該經計算誤差變異數或該等經推斷偏差其中之一自動調整該裝配程序之裝配指引以產生經修改裝配指引。
  12. 如請求項11之非暫時性電腦可讀媒體，其中該等經修改裝配指引經 組態以用於減少或消除該製造物品中之該等經推斷偏差。
  13. 如請求項11之非暫時性電腦可讀媒體，進一步包括：提供該等經修改裝配指引至與一第二站相關聯之一第二操作員，且其中該第二站在該裝配線中之該第一站下游。
  14. 如請求項11之非暫時性電腦可讀媒體，進一步包括：提供該等經修改裝配指引至與該第一站相關聯之該第一操作員。
  15. 如請求項11之非暫時性電腦可讀媒體，其進一步包括：自安置於該裝配線中之一第二站處之一第二影像捕獲裝置接收第二運動資料，其中該第二運動資料對應於與該第二站相關聯之一第二操作員執行該裝配程序之一第二步驟而與該製造物品互動時所執行之運動，藉該運算系統計算由該第二操作員執行之該等運動與代表執行該裝配程序的該第二步驟之該專業操作員之第二理想運動之一第二基線模型之間之一第二誤差變異數；藉該運算系統之該深度學習處理器基於該誤差變異數及該第二誤差變異數推斷該製造物品中之進一步偏差；及藉該運算系統之該深度學習處理器基於該第二經計算誤差變異數或該等經推斷進一步偏差其中之一進一步調整該裝配程序之該裝配指引。
TW108137373A 2019-02-28 2019-10-17 用於最佳化一裝配線中之工作流程之方法及系統、及非暫時性電腦可讀媒體 TWI830791B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/289,422 2019-02-28
US16/289,422 US10481579B1 (en) 2019-02-28 2019-02-28 Dynamic training for assembly lines

Publications (2)

Publication Number Publication Date
TW202034231A TW202034231A (zh) 2020-09-16
TWI830791B true TWI830791B (zh) 2024-02-01

Family

ID=68536277

Family Applications (2)

Application Number Title Priority Date Filing Date
TW108137373A TWI830791B (zh) 2019-02-28 2019-10-17 用於最佳化一裝配線中之工作流程之方法及系統、及非暫時性電腦可讀媒體
TW112151505A TW202418149A (zh) 2019-02-28 2019-10-17 用於最佳化一裝配線中之工作流程之方法及系統、及非暫時性電腦可讀媒體

Family Applications After (1)

Application Number Title Priority Date Filing Date
TW112151505A TW202418149A (zh) 2019-02-28 2019-10-17 用於最佳化一裝配線中之工作流程之方法及系統、及非暫時性電腦可讀媒體

Country Status (7)

Country Link
US (4) US10481579B1 (zh)
EP (1) EP3908892A4 (zh)
JP (1) JP7437054B2 (zh)
KR (1) KR102800576B1 (zh)
CN (1) CN113454548A (zh)
TW (2) TWI830791B (zh)
WO (1) WO2020176137A1 (zh)

Families Citing this family (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR112018070565A2 (pt) 2016-04-07 2019-02-12 Bp Exploration Operating Company Limited detecção de eventos de fundo de poço usando características de domínio da frequência acústicas
US11084225B2 (en) 2018-04-02 2021-08-10 Nanotronics Imaging, Inc. Systems, methods, and media for artificial intelligence process control in additive manufacturing
GB201820331D0 (en) 2018-12-13 2019-01-30 Bp Exploration Operating Co Ltd Distributed acoustic sensing autocalibration
US11209795B2 (en) 2019-02-28 2021-12-28 Nanotronics Imaging, Inc. Assembly error correction for assembly lines
US10481579B1 (en) 2019-02-28 2019-11-19 Nanotronics Imaging, Inc. Dynamic training for assembly lines
EP3736754A1 (en) * 2019-05-09 2020-11-11 Siemens Aktiengesellschaft A method and apparatus for providing predictions of key performance indicators of a complex manufacturing system
US11156991B2 (en) 2019-06-24 2021-10-26 Nanotronics Imaging, Inc. Predictive process control for a manufacturing process
EP4028228B1 (en) 2019-09-10 2025-12-31 Nanotronics Imaging, Inc. SYSTEMS, PROCESSES AND SUPPORTS FOR MANUFACTURING PROCESSES
WO2021052602A1 (en) 2019-09-20 2021-03-25 Lytt Limited Systems and methods for sand ingress prediction for subterranean wellbores
US11063965B1 (en) 2019-12-19 2021-07-13 Nanotronics Imaging, Inc. Dynamic monitoring and securing of factory processes, equipment and automated systems
US11100221B2 (en) 2019-10-08 2021-08-24 Nanotronics Imaging, Inc. Dynamic monitoring and securing of factory processes, equipment and automated systems
WO2021073741A1 (en) 2019-10-17 2021-04-22 Lytt Limited Fluid inflow characterization using hybrid das/dts measurements
CN114585981B (zh) 2019-11-06 2025-02-25 纳米电子成像有限公司 用于制造过程的系统、方法和介质
US12153408B2 (en) 2019-11-06 2024-11-26 Nanotronics Imaging, Inc. Systems, methods, and media for manufacturing processes
US12165353B2 (en) 2019-11-06 2024-12-10 Nanotronics Imaging, Inc. Systems, methods, and media for manufacturing processes
TW202536646A (zh) 2019-11-20 2025-09-16 美商奈米創尼克影像公司 用於判定網路攻擊及產生警告之製造系統及電腦實施方法
WO2021120181A1 (zh) * 2019-12-20 2021-06-24 京东方科技集团股份有限公司 推理计算装置、模型训练装置、推理计算系统
US11720068B2 (en) * 2020-01-06 2023-08-08 Opro.Ai Inc. Autonomous industrial process control system and method that provides autonomous retraining of forecast model
WO2021142475A1 (en) * 2020-01-12 2021-07-15 Neurala, Inc. Systems and methods for anomaly recognition and detection using lifelong deep neural networks
WO2021151504A1 (en) * 2020-01-31 2021-08-05 Lytt Limited Maching learning using time series data
US12346088B2 (en) 2020-02-21 2025-07-01 Nanotronics Imaging, Inc. Systems, methods, and media for manufacturing processes
US11086988B1 (en) 2020-02-28 2021-08-10 Nanotronics Imaging, Inc. Method, systems and apparatus for intelligently emulating factory control systems and simulating response data
KR102784830B1 (ko) * 2020-03-09 2025-03-21 나노트로닉스 이미징, 인코포레이티드 제조 공정을 위한 시스템, 방법 및 매체
AU2021204532A1 (en) 2020-03-17 2021-10-07 Freeport-Mcmoran Inc. Methods and systems for deploying equipment required to meet defined production targets
DE102020204551A1 (de) * 2020-04-08 2021-10-14 Kuka Deutschland Gmbh Roboterprozess
CA3180595A1 (en) 2020-06-11 2021-12-16 Lytt Limited Systems and methods for subterranean fluid flow characterization
EP4168647A1 (en) 2020-06-18 2023-04-26 Lytt Limited Event model training using in situ data
WO2021254633A1 (en) 2020-06-18 2021-12-23 Lytt Limited Event model training using in situ data
KR20230025698A (ko) * 2020-06-18 2023-02-22 나노트로닉스 이미징, 인코포레이티드 제조 공정을 위한 시스템, 방법 및 매체
EP3961327B1 (en) * 2020-08-27 2023-11-01 Omron Europe B.V. Assembly assistance device and method
US11335443B1 (en) 2020-09-07 2022-05-17 OpenNano Pte. Ltd. Phenotypic patient data derivation from economic data
JP7600675B2 (ja) * 2020-12-24 2024-12-17 セイコーエプソン株式会社 ロボットの制御プログラムを作成する処理をプロセッサーに実行させるコンピュータープログラム、並びに、ロボットの制御プログラムを作成する方法及びシステム
KR102882438B1 (ko) * 2021-03-25 2025-11-06 현대자동차주식회사 차량의 품질 관리 시스템 및 그 방법
LU102785B1 (en) * 2021-04-14 2022-10-14 Dillygence Sas Simulation process of a manufacturing system
US20230089436A1 (en) * 2021-09-17 2023-03-23 International Business Machines Corporation Assembly and disassembly validation of machined components
CN114253232B (zh) * 2021-12-01 2023-05-26 中国电子科技集团公司第二十九研究所 一种生产线中加工工位的配置方法及系统
CN114693601B (zh) * 2022-02-28 2025-08-26 深圳市埃尔法光电科技有限公司 一种光学耦合控制方法、装置及计算机可读存储介质
US12387317B2 (en) * 2022-07-19 2025-08-12 Nanotronics Imaging, Inc. Artificial intelligence process control for assembly processes
CN115761624A (zh) * 2022-11-09 2023-03-07 大全集团有限公司 基于主动标识载体的流水线监控终端、系统、方法及介质
CN116787136B (zh) * 2023-05-10 2025-09-12 常州大学 基于时态逻辑控制策略的多机器人流水线组装方法及系统
US20250060232A1 (en) 2023-08-14 2025-02-20 Hitachi, Ltd. Behavioral change detection of room sensors measurements for dc efficiency improvement
CN118797531B (zh) * 2024-09-11 2025-03-18 国烨跨境电子商务(宁波)有限公司 一种基于区块链的交易数据分析系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090198464A1 (en) * 2008-01-31 2009-08-06 Caterpillar Inc. System and method for assembly inspection
TW201339069A (zh) * 2012-01-10 2013-10-01 K One Ind Pte Ltd 可靈活調整之托盤包裝裝配生產線
TW201839626A (zh) * 2017-04-24 2018-11-01 美商英特爾股份有限公司 使用低和高精確度的混合推理

Family Cites Families (49)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT1129509B (it) * 1980-01-14 1986-06-04 Tasco Spa Procedimento ed apparecchiatura per il ritrovamento in tempo reale di difetti in oggetti industriali
JPS6224873U (zh) 1985-07-30 1987-02-16
DE3750285T2 (de) * 1986-10-03 1995-03-30 Omron Tateisi Electronics Co Gerät zur Untersuchung einer elektronischen Vorrichtung in fester Baugruppe.
US5815198A (en) * 1996-05-31 1998-09-29 Vachtsevanos; George J. Method and apparatus for analyzing an image to detect and identify defects
JP2002538541A (ja) 1999-03-02 2002-11-12 シーメンス アクチエンゲゼルシヤフト 遠隔のエキスパートにより専門作業者を状況に応じて支援するために強調現実感ベース技術を利用するシステム及び方法
US6650779B2 (en) 1999-03-26 2003-11-18 Georgia Tech Research Corp. Method and apparatus for analyzing an image to detect and identify patterns
JP3732053B2 (ja) * 1999-09-27 2006-01-05 株式会社日立製作所 製造職場の不良の起こし易さ評価方法及びその装置、製品の組立作業不良率評価方法及びその装置並びに記録媒体
DE10057928C1 (de) * 2000-11-22 2002-02-21 Inb Vision Ag Verfahren zur Erkennung von Abweichungen der Oberflächenform von einer vorgegebenen Form
JP2002230337A (ja) * 2001-02-06 2002-08-16 Hitachi Ltd 企業間取引方法及び企業間取引仲介方法
JP2003167613A (ja) * 2001-11-30 2003-06-13 Sharp Corp 作業管理システム、作業管理方法、及びその方法を実現するためのプログラムを記憶した記録媒体
JP2004104576A (ja) 2002-09-11 2004-04-02 Mitsubishi Heavy Ind Ltd 作業用ウェアラブル装置、遠隔作業指示装置、遠隔作業指示方法および遠隔作業指示プログラム
US7202793B2 (en) 2002-10-11 2007-04-10 Attention Technologies, Inc. Apparatus and method of monitoring a subject and providing feedback thereto
JP4004474B2 (ja) * 2004-01-27 2007-11-07 大阪瓦斯株式会社 観察対象者の動作解析システム
JP2005250990A (ja) 2004-03-05 2005-09-15 Mitsubishi Electric Corp 作業支援装置
JP4972298B2 (ja) * 2005-08-10 2012-07-11 株式会社日立ハイテクノロジーズ 半導体デバイスの欠陥検査方法及びその装置
US8103087B2 (en) * 2006-01-20 2012-01-24 Hitachi High-Technologies Corporation Fault inspection method
JP5018143B2 (ja) * 2006-03-13 2012-09-05 株式会社日立製作所 設計支援方法およびそのシステム
JP4784752B2 (ja) 2006-06-30 2011-10-05 サクサ株式会社 画像処理装置
JP5136026B2 (ja) * 2007-11-30 2013-02-06 オムロン株式会社 工程改善支援装置、工程改善支援用プログラム、および工程改善支援用プログラムを記録した記録媒体
DE102007062376A1 (de) 2007-12-22 2009-06-25 Dietz-Automotive Gmbh & Co. Kg Verfahren zur Montage einer Baugruppe
WO2009122393A2 (en) * 2008-03-31 2009-10-08 Brightview Systems Ltd. A method and system for photovoltaic cell production yield enhancement
US9671357B2 (en) * 2009-12-10 2017-06-06 Emhardt Glass S.A. System and method for monitoring hot glass containers to enhance their quality and control the forming process
KR101575910B1 (ko) * 2009-12-18 2015-12-08 두산인프라코어 주식회사 오차 자동 보정 기능을 가진 수치 제어 시스템 및 이를 이용한 오차 자동 보정 방법
US10012970B2 (en) * 2012-11-13 2018-07-03 Fuji Machine Mfg. Co., Ltd. Board production state monitoring system
WO2014138087A1 (en) 2013-03-04 2014-09-12 Rite-Hite Holding Corporation Methods and apparatus for video based process monitoring and control
JP2015089586A (ja) 2013-11-05 2015-05-11 小島プレス工業株式会社 作業順守支援装置
JP6113631B2 (ja) 2013-11-18 2017-04-12 東芝三菱電機産業システム株式会社 作業確認システム
EP3157418B1 (en) * 2014-06-23 2024-07-17 ZE Corractions Ltd. Detection of human-machine interaction errors
GB201501534D0 (en) * 2015-01-30 2015-03-18 Rolls Royce Plc Methods and systems for detecting, classifying and/or mitigating sensor error
US9846934B2 (en) * 2015-04-13 2017-12-19 Anchor Semiconductor Inc. Pattern weakness and strength detection and tracking during a semiconductor device fabrication process
JP6156441B2 (ja) * 2015-05-14 2017-07-05 オムロン株式会社 作業管理システムおよび作業管理方法
JP6717572B2 (ja) 2015-06-22 2020-07-01 株式会社ブロードリーフ 作業分析システム及び作業分析方法
JP2017091091A (ja) 2015-11-06 2017-05-25 三菱電機株式会社 作業情報生成装置
WO2017106734A1 (en) * 2015-12-16 2017-06-22 Martineau Pierre R Method and apparatus for remanent imaging control
CN108604393B (zh) 2016-03-04 2022-12-30 日铁系统集成株式会社 信息处理系统、信息处理装置、信息处理方法以及计算机可读取的存储介质
DE102016203674A1 (de) 2016-03-07 2017-09-07 Homag Gmbh Verfahren zum Betreiben einer Durchlaufmaschine sowie Durchlaufmaschine
JP6608778B2 (ja) 2016-08-01 2019-11-20 株式会社日立製作所 作業動作指示装置
EP3518643B1 (en) 2016-09-26 2024-03-27 Fuji Corporation System for monitoring outside work area of component mounting machine
US20180150070A1 (en) * 2016-11-29 2018-05-31 Caterpillar Inc. Portable inspection and control device
JP6506245B2 (ja) 2016-12-26 2019-04-24 ファナック株式会社 組付動作を学習する機械学習装置および部品組付システム
KR102356042B1 (ko) * 2017-06-22 2022-01-26 울산과학기술원 영상 기반 3d 프린터의 제조품 품질 평가 장치 및 그 방법
CN107389701A (zh) * 2017-08-22 2017-11-24 西北工业大学 一种基于图像的pcb表观缺陷自动检测系统及方法
EP3683640B1 (en) 2017-09-30 2023-03-15 Siemens Aktiengesellschaft Fault diagnosis method and apparatus for numerical control machine tool
CN107886500A (zh) * 2017-10-13 2018-04-06 北京邮电大学 一种基于机器视觉和机器学习的产品生产监控方法及系统
US11106902B2 (en) * 2018-03-13 2021-08-31 Adobe Inc. Interaction detection model for identifying human-object interactions in image content
US10733723B2 (en) * 2018-05-22 2020-08-04 Midea Group Co., Ltd. Methods and system for improved quality inspection
CN110832422B (zh) 2018-06-14 2021-04-16 三菱电机株式会社 机器学习装置、校正参数调整装置及机器学习方法
US10481579B1 (en) * 2019-02-28 2019-11-19 Nanotronics Imaging, Inc. Dynamic training for assembly lines
US11209795B2 (en) 2019-02-28 2021-12-28 Nanotronics Imaging, Inc. Assembly error correction for assembly lines

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090198464A1 (en) * 2008-01-31 2009-08-06 Caterpillar Inc. System and method for assembly inspection
TW201339069A (zh) * 2012-01-10 2013-10-01 K One Ind Pte Ltd 可靈活調整之托盤包裝裝配生產線
TW201839626A (zh) * 2017-04-24 2018-11-01 美商英特爾股份有限公司 使用低和高精確度的混合推理

Also Published As

Publication number Publication date
WO2020176137A1 (en) 2020-09-03
US11675330B2 (en) 2023-06-13
JP7437054B2 (ja) 2024-02-22
KR20210133250A (ko) 2021-11-05
EP3908892A1 (en) 2021-11-17
US20230324874A1 (en) 2023-10-12
KR102800576B1 (ko) 2025-04-25
CN113454548A (zh) 2021-09-28
US20220043420A1 (en) 2022-02-10
TW202418149A (zh) 2024-05-01
JP2022522436A (ja) 2022-04-19
EP3908892A4 (en) 2022-10-12
US20200278657A1 (en) 2020-09-03
TW202034231A (zh) 2020-09-16
US11156982B2 (en) 2021-10-26
US10481579B1 (en) 2019-11-19

Similar Documents

Publication Publication Date Title
TWI830791B (zh) 用於最佳化一裝配線中之工作流程之方法及系統、及非暫時性電腦可讀媒體
US12140926B2 (en) Assembly error correction for assembly lines
JP7633628B2 (ja) 組立てラインのための組立てエラー修正
US12447687B2 (en) Systems, methods, and media for artificial intelligence process control in additive manufacturing
JP7255919B2 (ja) 積層造形における人工知能プロセス制御のためのシステム、方法および媒体
US10500721B2 (en) Machine learning device, laminated core manufacturing apparatus, laminated core manufacturing system, and machine learning method for learning operation for stacking core sheets
CN109117380B (zh) 一种软件质量评价方法、装置、设备及可读存储介质
EP3912003A1 (en) Assembly error correction for assembly lines
CN119183584A (zh) 使用图像分析的增材制造的失真预测
TWI801820B (zh) 用於製造流程之系統及方法
CN111062494A (zh) 具有终身学习能力的机器人自组织-反思认知发育方法及系统
Schmitz et al. Enabling rewards for reinforcement learning in laser beam welding processes through deep learning
CN120316677A (zh) 一种基于ai的毛绒玩具设计方法
TWM592123U (zh) 推論系統或產品品質異常的智能系統
Trejo-Morales et al. Development of an Image Processing Application for Element Detection in a Printed Circuit Board Manufacturing Cell
CN121458680A (zh) 一种基于自监督学习的预制舱焊缝质量检测方法
KR20230165997A (ko) 분석/예측에 최적화된 시계열 데이터와 인공지능모듈 제공 방법