知財求人 - 知財ポータルサイト「IP Force」
▶ ナノトロニクス イメージング リミテッド ライアビリティ カンパニーの特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024020353
(43)【公開日】2024-02-14
(54)【発明の名称】高度な攻撃からの産業生産の保護
(51)【国際特許分類】
G05B 23/02 20060101AFI20240206BHJP
G05B 19/418 20060101ALI20240206BHJP
G05B 9/02 20060101ALI20240206BHJP
G06F 21/55 20130101ALI20240206BHJP
G06N 20/00 20190101ALI20240206BHJP
【ＦＩ】
G05B23/02 302N
G05B19/418 Z
G05B9/02 B
G06F21/55
G06N20/00
【審査請求】有
【請求項の数】20
【出願形態】ＯＬ
(21)【出願番号】P 2023192140
(22)【出願日】2023-11-10
(62)【分割の表示】P 2022529027の分割
【原出願日】2020-11-20
(31)【優先権主張番号】62/938,158
(32)【優先日】2019-11-20
(33)【優先権主張国・地域又は機関】US
(71)【出願人】
【識別番号】511289471
【氏名又は名称】ナノトロニクス イメージング インコーポレイテッド
【氏名又は名称原語表記】ＮＡＮＯＴＲＯＮＩＣＳ ＩＭＡＧＩＮＧ，ＩＮＣ．
【住所又は居所原語表記】２２５１ ＦＲＯＮＴ ＳＴＲＥＥＴ，ＳＵＩＴＥ １１０，Ｐ．Ｏ．ＢＯＸ ３０６，ＣＵＹＡＨＯＧＡ ＦＡＬＬＳ，ＯＨＩＯ ４４２２３，Ｕ．Ｓ．Ａ．
(74)【代理人】
【識別番号】110002321
【氏名又は名称】弁理士法人永井国際特許事務所
(72)【発明者】
【氏名】プットマン，マシュー シー
(72)【発明者】
【氏名】ピンスキー，バディム
(72)【発明者】
【氏名】リモージュ，ダマス
(72)【発明者】
【氏名】サンドストローム，アンドリュー
(57)【要約】 （修正有）
【課題】製造システムへのサイバー攻撃を検出し、サイバー攻撃によるエラーを修正することをさらに含む製造プロセスのためのシステムを提供する。
【解決手段】監視プラットフォームは、多工程製造プロセス全体で構成要素の進行を監視するように構成されている。制御モジュールは、製造システムへのサイバー攻撃を検出するように構成されている。制御モジュールは、動作を実行するように構成されている。動作には、１つまたは複数のステーションの第１のステーションの制御値を受信することが含まれる。動作には、１つまたは複数の機械学習アルゴリズムを使用して、第１のステーションの制御値に基づいてサイバー攻撃があるかどうかを決定することも含まれる。動作には、構成要素の処理を停止するためのアラートの生成がさらに含まれる。いくつかの実施形態では、動作は、サイバー攻撃によって引き起こされたエラーを修正することをさらに含む。
【選択図】図１
【解決手段】監視プラットフォームは、多工程製造プロセス全体で構成要素の進行を監視するように構成されている。制御モジュールは、製造システムへのサイバー攻撃を検出するように構成されている。制御モジュールは、動作を実行するように構成されている。動作には、１つまたは複数のステーションの第１のステーションの制御値を受信することが含まれる。動作には、１つまたは複数の機械学習アルゴリズムを使用して、第１のステーションの制御値に基づいてサイバー攻撃があるかどうかを決定することも含まれる。動作には、構成要素の処理を停止するためのアラートの生成がさらに含まれる。いくつかの実施形態では、動作は、サイバー攻撃によって引き起こされたエラーを修正することをさらに含む。
【選択図】図１
【特許請求の範囲】
【請求項1】
製造システムであって、
各ステーションが、構成要素の多工程製造プロセスで少なくとも１つの工程を実行するように構成されている、１つまたは複数のステーションと、
前記多工程製造プロセス全体で前記構成要素の進行を監視するように構成された監視プラットフォームと、
前記製造システムへのサイバー攻撃を検出するように構成された制御モジュールであって、
前記１つまたは複数のステーションの第１のステーションの制御値を受信することであって、前記制御値は、前記第１のステーションの属性を含む、受信することと、
１つまたは複数の機械学習アルゴリズムを使用して、前記第１のステーションの前記制御値に基づいてサイバー攻撃があるかどうかを決定することと、
前記決定に基づいて、前記構成要素の処理を停止するためのアラートを生成することと、
を含む、動作を実行するように構成された制御モジュールと、を含む、製造システム。
各ステーションが、構成要素の多工程製造プロセスで少なくとも１つの工程を実行するように構成されている、１つまたは複数のステーションと、
前記多工程製造プロセス全体で前記構成要素の進行を監視するように構成された監視プラットフォームと、
前記製造システムへのサイバー攻撃を検出するように構成された制御モジュールであって、
前記１つまたは複数のステーションの第１のステーションの制御値を受信することであって、前記制御値は、前記第１のステーションの属性を含む、受信することと、
１つまたは複数の機械学習アルゴリズムを使用して、前記第１のステーションの前記制御値に基づいてサイバー攻撃があるかどうかを決定することと、
前記決定に基づいて、前記構成要素の処理を停止するためのアラートを生成することと、
を含む、動作を実行するように構成された制御モジュールと、を含む、製造システム。
【請求項2】
前記１つまたは複数の機械学習アルゴリズムは、カルマンフィルタを含む、請求項１に記載の製造システム。
【請求項3】
前記１つまたは複数の機械学習アルゴリズムを使用して前記第１のステーションの前記制御値に基づいてサイバー攻撃があるかどうかを決定することは、
前記カルマンフィルタを使用して、前記制御値に基づいて前記第１のステーションの異常スコアを生成することと、
前記異常スコアがサイバー攻撃を示す閾値を超えているかどうかを決定することと、を含む、請求項２に記載の製造システム。
前記カルマンフィルタを使用して、前記制御値に基づいて前記第１のステーションの異常スコアを生成することと、
前記異常スコアがサイバー攻撃を示す閾値を超えているかどうかを決定することと、を含む、請求項２に記載の製造システム。
【請求項4】
前記１つまたは複数の機械学習アルゴリズムは、オートエンコーダを含む、請求項１に記載の製造システム。
【請求項5】
前記１つまたは複数の機械学習アルゴリズムを使用して前記第１のステーションの前記制御値に基づいてサイバー攻撃があるかどうかを決定することは、
前記オートエンコーダを使用して、前記制御値に基づいて前記第１のステーションの異常スコアを生成することと、
前記異常スコアがサイバー攻撃を示す閾値を超えているかどうかを決定することと、を含む、請求項４に記載の製造システム。
前記オートエンコーダを使用して、前記制御値に基づいて前記第１のステーションの異常スコアを生成することと、
前記異常スコアがサイバー攻撃を示す閾値を超えているかどうかを決定することと、を含む、請求項４に記載の製造システム。
【請求項6】
前記１つまたは複数の機械学習アルゴリズムは、深層学習アルゴリズムを含む、請求項１に記載の製造システム。
【請求項7】
前記１つまたは複数の機械学習アルゴリズムを使用して前記第１のステーションの前記制御値に基づいてサイバー攻撃があるかどうかを決定することは、
前記制御値に基づいて前記構成要素の予測品質基準を生成することと、
前記予測品質基準が許容値の範囲外であるかどうかを決定することと、を含む、請求項６に記載の製造システム。
前記制御値に基づいて前記構成要素の予測品質基準を生成することと、
前記予測品質基準が許容値の範囲外であるかどうかを決定することと、を含む、請求項６に記載の製造システム。
【請求項8】
コンピューティングシステムによって、構成要素を処理するように構成された製造システムの１つまたは複数のステーションの第１のステーションの制御値を受信することであって、前記制御値は、前記第１のステーションの属性を含む、受信することと、
前記コンピューティングシステムによって、１つまたは複数の機械学習アルゴリズムを使用して前記第１のステーションの前記制御値に基づいてサイバー攻撃があるかどうかを決定することと、
前記決定に基づいて、前記コンピューティングシステムによって、前記構成要素の処理を停止するためのアラートを生成することと、
前記コンピューティングシステムによって、前記サイバー攻撃によって引き起こされたエラーを修正するためのアクションのセットを生成することであって、アクションの前記セットは、前記製造システムの下流ステーションに関連付けられている、生成することと、を含む、コンピュータ実装方法。
前記コンピューティングシステムによって、１つまたは複数の機械学習アルゴリズムを使用して前記第１のステーションの前記制御値に基づいてサイバー攻撃があるかどうかを決定することと、
前記決定に基づいて、前記コンピューティングシステムによって、前記構成要素の処理を停止するためのアラートを生成することと、
前記コンピューティングシステムによって、前記サイバー攻撃によって引き起こされたエラーを修正するためのアクションのセットを生成することであって、アクションの前記セットは、前記製造システムの下流ステーションに関連付けられている、生成することと、を含む、コンピュータ実装方法。
【請求項9】
前記１つまたは複数の機械学習アルゴリズムは、カルマンフィルタを含む、請求項８に記載のコンピュータ実装方法。
【請求項10】
前記１つまたは複数の機械学習アルゴリズムを使用して前記第１のステーションの前記制御値に基づいてサイバー攻撃があるかどうかを決定することは、
前記カルマンフィルタを使用して、前記制御値に基づいて前記第１のステーションの異常スコアを生成することと、
前記異常スコアがサイバー攻撃を示す閾値を超えているかどうかを決定することと、を含む、請求項９に記載のコンピュータ実装方法。
前記カルマンフィルタを使用して、前記制御値に基づいて前記第１のステーションの異常スコアを生成することと、
前記異常スコアがサイバー攻撃を示す閾値を超えているかどうかを決定することと、を含む、請求項９に記載のコンピュータ実装方法。
【請求項11】
前記１つまたは複数の機械学習アルゴリズムは、オートエンコーダを含む、請求項８に記載のコンピュータ実装方法。
【請求項12】
前記１つまたは複数の機械学習アルゴリズムを使用して前記第１のステーションの前記制御値に基づいてサイバー攻撃があるかどうかを決定することは、
前記オートエンコーダを使用して、前記制御値に基づいて前記第１のステーションの異常スコアを生成することと、
前記異常スコアがサイバー攻撃を示す閾値を超えているかどうかを決定することと、を含む、請求項１１に記載のコンピュータ実装方法。
前記オートエンコーダを使用して、前記制御値に基づいて前記第１のステーションの異常スコアを生成することと、
前記異常スコアがサイバー攻撃を示す閾値を超えているかどうかを決定することと、を含む、請求項１１に記載のコンピュータ実装方法。
【請求項13】
前記１つまたは複数の機械学習アルゴリズムは、深層学習アルゴリズムを含む、請求項８に記載のコンピュータ実装方法。
【請求項14】
前記１つまたは複数の機械学習アルゴリズムを使用して前記第１のステーションの前記制御値に基づいてサイバー攻撃があるかどうかを決定することは、
前記制御値に基づいて前記構成要素の予測品質基準を生成することと、
前記予測品質基準が許容値の範囲外であるかどうかを決定することと、を含む、請求項１３に記載のコンピュータ実装方法。
前記制御値に基づいて前記構成要素の予測品質基準を生成することと、
前記予測品質基準が許容値の範囲外であるかどうかを決定することと、を含む、請求項１３に記載のコンピュータ実装方法。
【請求項15】
製造システムであって、
各ステーションが、構成要素の多工程製造プロセスで少なくとも１つの工程を実行するように構成されている、１つまたは複数のステーションと、
前記多工程製造プロセス全体で前記構成要素の進行を監視するように構成された監視プラットフォームと、
前記製造システムへのサイバー攻撃を検出するように構成された制御モジュールであって、
前記１つまたは複数のステーションの第１のステーションの制御値を受信することであって、前記制御値は前記第１のステーションの属性を含む、受信することと、
１つまたは複数の機械学習アルゴリズムを使用して、前記第１のステーションの前記制御値に基づいてサイバー攻撃があるかどうかを決定することと、
前記決定に基づいて、前記構成要素の処理を停止するためのアラートを生成することと、
１つまたは複数の第２の機械学習アルゴリズムを使用して、前記サイバー攻撃によって引き起こされたエラーを修正するためのアクションのセットを生成することであって、アクションの前記セットは、前記製造システムの下流ステーションに関連付けられている、生成することと、を含む、動作を実行するように構成された制御モジュールと、を含む、製造システム。
各ステーションが、構成要素の多工程製造プロセスで少なくとも１つの工程を実行するように構成されている、１つまたは複数のステーションと、
前記多工程製造プロセス全体で前記構成要素の進行を監視するように構成された監視プラットフォームと、
前記製造システムへのサイバー攻撃を検出するように構成された制御モジュールであって、
前記１つまたは複数のステーションの第１のステーションの制御値を受信することであって、前記制御値は前記第１のステーションの属性を含む、受信することと、
１つまたは複数の機械学習アルゴリズムを使用して、前記第１のステーションの前記制御値に基づいてサイバー攻撃があるかどうかを決定することと、
前記決定に基づいて、前記構成要素の処理を停止するためのアラートを生成することと、
１つまたは複数の第２の機械学習アルゴリズムを使用して、前記サイバー攻撃によって引き起こされたエラーを修正するためのアクションのセットを生成することであって、アクションの前記セットは、前記製造システムの下流ステーションに関連付けられている、生成することと、を含む、動作を実行するように構成された制御モジュールと、を含む、製造システム。
【請求項16】
前記１つまたは複数の機械学習アルゴリズムは、カルマンフィルタを含み、前記１つまたは複数の第２の機械学習アルゴリズムは、深層学習アルゴリズムを含む、請求項１５に記載の製造システム。
【請求項17】
前記１つまたは複数の機械学習アルゴリズムを使用して前記第１のステーションの前記制御値に基づいてサイバー攻撃があるかどうかを決定することは、
前記カルマンフィルタを使用して、前記制御値に基づいて前記第１のステーションの異常スコアを生成することと、
前記異常スコアがサイバー攻撃を示す閾値を超えているかどうかを決定することと、を含む、請求項１６に記載の製造システム。
前記カルマンフィルタを使用して、前記制御値に基づいて前記第１のステーションの異常スコアを生成することと、
前記異常スコアがサイバー攻撃を示す閾値を超えているかどうかを決定することと、を含む、請求項１６に記載の製造システム。
【請求項18】
前記１つまたは複数の機械学習アルゴリズムは、オートエンコーダを含む、請求項１５に記載の製造システム。
【請求項19】
前記１つまたは複数の機械学習アルゴリズムを使用して前記第１のステーションの前記制御値に基づいてサイバー攻撃があるかどうかを決定することは、
前記オートエンコーダを使用して、前記制御値に基づいて前記第１のステーションの異常スコアを生成することと、
前記異常スコアがサイバー攻撃を示す閾値を超えているかどうかを決定することと、を含む、請求項１８に記載の製造システム。
前記オートエンコーダを使用して、前記制御値に基づいて前記第１のステーションの異常スコアを生成することと、
前記異常スコアがサイバー攻撃を示す閾値を超えているかどうかを決定することと、を含む、請求項１８に記載の製造システム。
【請求項20】
前記１つまたは複数の機械学習アルゴリズムは、深層学習アルゴリズムを含む、請求項１５に記載の製造システム。
【発明の詳細な説明】
【技術分野】
【0001】
関連出願の相互参照
本願は、２０１９年１０月２０日に出願された米国仮出願第６２／９３８，１５８号に優先権を主張し、これは参照によりその全体が本明細書に組み込まれる。
本願は、２０１９年１０月２０日に出願された米国仮出願第６２／９３８，１５８号に優先権を主張し、これは参照によりその全体が本明細書に組み込まれる。
【0002】
本開示は、一般に、製造プロセスのためのシステム、方法、および媒体に関する。
【背景技術】
【0003】
過去数十年のサイバー攻撃は、驚くべき程度の拡散、適応、特異性、および高度化を目の当たりにしてきた。産業および軍事セキュリティは、情報の悪意のある挿入または削除を制限する、物理的およびデジタルの壁の研究である。高セキュリティの工場や軍事施設の場合、これは、グローバルコンピュータネットワークから切り離され、多くの場合、内部ネットワークから切り離されるシステムを作成することを意味する。
【発明の概要】
【発明が解決しようとする課題】
【0004】
【課題を解決するための手段】
【0005】
いくつかの実施形態では、製造システムが本明細書に開示されている。製造システムには、１つまたは複数のステーション、監視プラットフォーム、および制御モジュールが含まれる。１つまたは複数のステーションの各ステーションは、構成要素の多工程製造プロセスにおいて少なくとも１つの工程を実行するように構成される。監視プラットフォームは、多工程製造プロセス全体で構成要素の進行を監視するように構成されている。制御モジュールは、製造システムへのサイバー攻撃を検出するように構成されており、制御モジュールは動作を実行するように構成されている。動作には、１つまたは複数のステーションの第１のステーションの制御値の受信が含まれる。制御値には、第１の処理ステーションの属性が含まれる。動作には、１つまたは複数の機械学習アルゴリズムを使用して、第１のステーションの制御値に基づいてサイバー攻撃があるかどうかを決定することも含まれる。動作には、決定に基づいて、構成要素の処理を停止するためのアラートを生成することがさらに含まれる。
【0006】
いくつかの実施形態では、コンピュータ実装方法が本明細書に開示されている。コンピューティングシステムは、構成要素を処理するように構成された製造システムの１つまたは複数のステーションの第１のステーションの制御値を受信する。制御値には、第１のステーションの属性が含まれる。コンピューティングシステムは、１つまたは複数の機械学習アルゴリズムを使用して、第１のステーションの制御値に基づいてサイバー攻撃があるかどうかを決定する。コンピューティングシステムは、決定に基づいて、構成要素の処理を停止するためのアラートを生成する。コンピューティングシステムは、サイバー攻撃によって引き起こされたエラーを修正するためのアクションのセットを生成する。アクションのセットは、製造システムの下流ステーションに関連付けられている。
【0007】
いくつかの実施形態では、製造システムが本明細書に開示されている。製造システムには、１つまたは複数のステーション、監視プラットフォーム、および制御モジュールが含まれる。１つまたは複数のステーションの各ステーションは、構成要素の多工程製造プロセスにおいて少なくとも１つの工程を実行するように構成される。監視プラットフォームは、多工程製造プロセス全体で構成要素の進行を監視するように構成されている。制御モジュールは、製造システムへのサイバー攻撃を検出するように構成されており、制御モジュールは動作を実行するように構成されている。動作には、１つまたは複数のステーションの第１のステーションの制御値の受信が含まれる。制御値には、第１のステーションの属性が含まれる。動作には、１つまたは複数の機械学習アルゴリズムを使用して、第１のステーションの制御値に基づいてサイバー攻撃があるかどうかを決定することも含まれていた。動作はさらに、決定に基づいて、構成要素の処理を停止するためのアラートを生成することを含む。動作にはさらに、１つまたは複数の第２の機械学習アルゴリズムを使用して、サイバー攻撃によって引き起こされたエラーを修正するためのアクションのセットを生成することが含まれる。アクションのセットは、製造システムの下流ステーションに関連付けられている。
【0008】
本開示の上記の特徴を詳細に理解することができるように、上記で簡単に要約された本開示のより具体的な説明は、実施形態を参照することによって得ることができ、そのいくつかは、添付図面に示される。しかしながら、添付図面は、本開示の典型的な実施形態のみを示しており、したがって、その範囲を限定すると見なされるべきではないのは、本開示は、他の同等に有効な実施形態を認めることができるからであることに留意されたい。
【図面の簡単な説明】
【0009】
【図1】例示的な実施形態による、製造環境を示すブロック図である。
【0010】
【図2】例示的な実施形態による、カルマンフィルタを実装する単一入力、単一出力システムのアーキテクチャを示すブロック図である。
【0011】
【図3】例示的な実施形態による、オートエンコーダを実装するシステムのアーキテクチャを示すブロック図である。
【0012】
【図4】例示的な実施形態による、機械学習モジュールを使用して強化学習アプローチを実装するシステムのアーキテクチャを示すブロック図である。
【0013】
【図5】例示的な実施形態による、製造プロセスへのサイバー攻撃を管理する方法を示す流れ図である。
【0014】
【図6A】例示的な実施形態による、システムバスコンピューティングシステムアーキテクチャを示している。
【0015】
【図6B】例示的な実施形態による、チップセットアーキテクチャを有するコンピュータシステムを示している。
【発明を実施するための形態】
【0016】
理解を容易にするために、可能な場合、図に共通する同一の要素を示すために同一の参照番号が使用されてきた。一実施形態で開示される要素は、特定の記述なしに他の実施形態で有益に利用され得ることが企図される。
【0017】
製造プロセスは複雑であり得、最終製品が製造されるまで異なるプロセスステーション（または「ステーション」）によって処理される原材料を含むことができる。いくつかの実施形態では、各プロセスステーションは、処理のための入力を受け取り、追加の処理のために次の（下流の）プロセスステーションに渡され得る中間出力を出力し得る。いくつかの実施形態では、最終プロセスステーションは、処理のための入力を受け取り、最終製品、またはより一般的には最終出力を出力することができる。
【0018】
いくつかの実施形態では、各ステーションは、一連のプロセス工程を実行することができる１つまたは複数のツール／機器を含むことができる。例示的なプロセスステーションは、以下に限定されないが、コンベヤベルト、射出成形プレス、切断機、ダイスタンピングマシン、押出機、コンピュータ数値制御（ＣＮＣ）ミル、グラインダ、組立ステーション、３次元プリンタ、品質管理ステーション、検証ステーションなどを含み得る。
【0019】
いくつかの実施形態では、各プロセスステーションの動作は、１つまたは複数のプロセスコントローラによって制御され得る。いくつかの実施形態では、各プロセスステーションは、プロセスステーションの動作を制御するようにプログラムされ得る１つまたは複数のプロセスコントローラを含み得る。いくつかの実施形態では、オペレータまたは制御アルゴリズムは、各制御値について、所望の値または値の範囲を表すことができるステーションコントローラ設定値をステーションコントローラに提供することができる。いくつかの実施形態では、製造プロセスにおけるフィードバックまたはフィードフォワードに使用される値は、制御値と呼ばれることがある。例示的な制御値には、速度、温度、圧力、真空、回転、電流、電圧、電力、粘度、ステーションで使用される材料／資源、スループット率、停止時間、有害ガス、ｐＨ、光吸収、粒子密度、および幾何学的構造などが含まれ得るが、これらに限定されない。
【0020】
統計的プロセス制御（ＳＰＣ）は、統計的方法を使用してプロセスを監視および制御する品質管理の方法である。一般に、ＳＰＣは、製造プロセスの各工程に対してプロセス標準を確立し、生産ライフサイクル全体にわたって監視することを求めている。ＳＰＣの目標は、ライフサイクルを通じてプロセスを継続的に改善することである。
【0021】
ＳＰＣの目的のために、各ノードが仕様の範囲内で動作している限り、最終製品も仕様の範囲内であると想定される。仕様は、対象分野の専門知識と過去の実績に基づいて設定できる。あるノードの次のノードまたは後続のノードへの信頼性と影響は、ＳＰＣでは直接調整されない。代わりに、各サブプロセスを独立したエンティティとして調べることができる。このアプローチにより、各ノードの動作条件のマージンが広くなり、システムが絶対的に最高の効率または安定性で動作することさえできなくなる。セキュリティの観点から、このマージンは高度なプロセスのサイバー攻撃の標的となる可能性がある。システム内の１つまたは複数のノードがそれらの仕様の上限（または下限）で動作を開始した場合、個々の警報はトリガされないが、プロセス全体の品質に影響する。これは特に、例えば、報告されたセンサー信号が悪意のあるコードによって偽造される中間者サイバー攻撃に当てはまる。ノードのライフサイクルも影響を受けるため、修復のためにダウンタイムを増やす必要がある。下流ノードのいくつかの層も影響を受け、時間の経過とともに、システムの継続的なドリフトはコンプライアンス違反になる傾向がある。その時点までに、システムを回復するために必要な修正は大規模で、法外な費用がかかる。
【0022】
本明細書で提供される１つまたは複数の技術は、疑わしい悪意のある活動をプロセス変動として扱い、システムの動作パラメータを能動的に調整することによってそれを修正することによる、産業セキュリティへの新しいアプローチに向けられている。産業システムへの脅威が増加し、高度化するにつれて、システム全体を強化するために、従来のセキュリティ方法をプロセス制御の進歩と重ね合わせる必要がある。
【0023】
図１は、例示的な実施形態による、製造環境１００を示すブロック図である。製造環境１００は、製造システム１０２、監視プラットフォーム１０４、および制御モジュール１０６を含み得る。製造システム１０２は、多工程製造システムを広く表すことができる。いくつかの実施形態では、製造システム１０２は、組立ラインシステムを表すことができ、各処理ステーションは、人間の労働者を表すことができる。いくつかの実施形態では、製造システム１０２は、積層造形で使用するための製造システム（例えば、３Ｄ印刷システム）を表すことができる。いくつかの実施形態では、製造システム１０２は、減算加工（ｓｕｂｔｒａｃｔｉｖｅ ｍａｎｕｆａｃｔｕｒｉｎｇ）（例えば、ＣＮＣ機械加工）で使用するための製造システムを表すことができる。いくつかの実施形態では、製造システム１０２は、積層造形と減算加工の組み合わせで使用するための製造システムを表すことができる。より一般的には、いくつかの実施形態では、製造システム１０２は、一般的な製造プロセスで使用するための製造システムを表すことができる。
【0024】
製造システム１０２は、１つまたは複数のステーション１０８１～１０８ｎ（一般に、「ステーション１０８」）を含み得る。各ステーション１０８は、多工程製造プロセスにおける工程および／またはステーションを表すことができる。例えば、各ステーション１０８は、３Ｄ印刷プロセスにおける層堆積動作を表すことができる（例えば、ステーション１０８１は、層１に対応し得、ステーション１０８２は、層２に対応し得る、等々）。別の例では、各ステーション１０８は、特定の処理ステーションに対応することができる。別の例では、各ステーション１０８は、組立ライン製造プロセスにおいて特定のタスクを実行する特定の人間のオペレータに対応することができる。
【0025】
各ステーション１０８は、プロセスコントローラ１１４および制御論理１１６を含み得る。各プロセスコントローラ１４１１～１１４ｎは、各々それぞれのステーション１０８の動作を制御するようにプログラムされ得る。いくつかの実施形態では、制御モジュール１０６は、各制御値について、所望の値または値の範囲を表すことができるステーションコントローラ設定値を各プロセスコントローラ１１４に提供することができる。制御論理１１６は、ステーション１０８のプロセス工程に関連する属性／パラメータを参照することができる。動作中、各ステーション１０８の制御論理１１６は、最終品質基準の現在の軌道に応じて、制御モジュール１０６によって製造プロセス全体を通して動的に更新され得る。
【0026】
監視プラットフォーム１０４は、製造システム１０２の各ステーション１０８を監視するように構成され得る。いくつかの実施形態では、監視プラットフォーム１０４は、製造システム１０２の構成要素であり得る。例えば、監視プラットフォーム１０４は、３Ｄ印刷システムの構成要素であり得る。いくつかの実施形態では、監視プラットフォーム１０４は、製造システム１０２から独立していてもよい。例えば、監視プラットフォーム１０４は、既存の製造システム１０２に後付けすることができる。いくつかの実施形態では、監視プラットフォーム１０４は、多工程プロセスの各工程で製品またはツーリング（例えば、労働者またはプロセスツール）の画像を捕捉するように構成された画像化デバイスを表すことができる。例えば、監視プラットフォーム１０４は、各ステーション１０８での構成要素の画像および／または各ステーション１０８で製品を開発している構成要素（例えば、ツール、人間など）の画像を捕捉するように構成され得る。一般に、監視プラットフォーム１０４は、製品（例えば、画像、電圧読み取り、速度読み取りなど）および／またはツール（例えば、手の位置、ツーリング位置など）の生産に関連する情報を捕捉し、その情報を入力として、評価のために制御モジュール１０６に提供するように構成され得る。
【0027】
制御モジュール１０６は、１つまたは複数の通信チャネルを介して製造システム１０２および監視プラットフォーム１０４と通信することができる。いくつかの実施形態では、１つまたは複数の通信チャネルは、セルラーネットワークまたはＷｉ－Ｆｉネットワークなどのインターネットを介した個々の接続を表すことができる。いくつかの実施形態では、１つまたは複数の通信チャネルは、直接接続を使用して端末、サービス、およびモバイルデバイスを接続することができ、例えば、無線周波数識別（ＲＦＩＤ）、近距離無線通信（ＮＦＣ）、ブルートゥース（商標）、低エネルギーブルートゥース（商標）（ＢＬＥ）、Ｗｉ－Ｆｉ（商標）、ＺｉｇＢｅｅ（商標）、後方散乱通信（ＡＢＣ）プロトコル、ＵＳＢ、ＷＡＮ、またはＬＡＮなどである。
【0028】
制御モジュール１０６は、製造システム１０２の各プロセスコントローラを制御するように構成され得る。例えば、監視プラットフォーム１０４によって取得された情報に基づいて、制御モジュール１０６は、特定のステーション１０８に関連するプロセス制御を調整するように構成され得る。いくつかの実施形態では、制御モジュール１０６は、予測される最終品質基準に基づいて特定のステーション１０８のプロセス制御を調整するように構成され得る。
【0029】
上記のように、プロセスを検出するための従来のアプローチは、様々なＳＰＣ技術を攻撃する。ＳＰＣは、プロセス制御に対する静的で非介入的なアプローチであり、明確に定義された統計特性が各ノードで合格または不合格になることが受動的に観測される。これらの従来のシステムが、製造された製品を保持するか廃棄するかを決定するのは、最後のノードの処理の後でのみである。
【0030】
従来のプロセスを改善するために、制御モジュール１０６は、エラー検出モジュール１３０を含む。エラー検出モジュール１３０は、所与のステーション１０８または製造システム１０２のノードでエラーを検出するように構成され得る。例えば、プロセス制御への動的な介入アプローチの一部として使用されるエラー検出モジュール１３０では、検出された損傷を引き起こしているノードに続く各ノードは、最適化問題（例えば、損傷回復問題）に織り込まれ、その解決策をインスタンス化するために能動的に制御される。いくつかの実施形態では、このプロセスは、所与のサイクルの終わりではなく、リアルタイムまたはほぼリアルタイムで、各サイクルが進行している間に行うことができる。
【0031】
エラー検出モジュール１３０によって実装される１つまたは複数の技術を理解するために、制御モジュール１０６が製造システム（例えば、製造システム１０２）をどのように定義するかを理解することが重要である。製造システムは、フィードバックやフィードフォワード構成など、様々なトポロジスキームを使用して定義できる。いくつかの実施形態では、製造システムＦは、フィードフォワードリンクされたチェーンで接続された、１，．．．，Ｎとラベル付けされたｎ個のプロセスノード（またはステーション１０８）の線形シーケンスとして定義され得る。例えば：
Ｆ：→１→２→・・・→ｉ→・・・→ｎ
Ｆ：→１→２→・・・→ｉ→・・・→ｎ
【0032】
同様に、いくつかの実施形態では、製造システムＦは、１，．．．，Ｎとラベル付けされた、ｎ個のプロセスノード（またはステーション１０８）の非線形シーケンスとして定義され得る。いくつかの実施形態では、各ノードｉによって行われる処理は、２つの属性付き分布を有することができる。予測された分布Ｑｉ、観測された分布Ｐｉ。Ｑｉは、
および
によって特徴付けられる。
の場合、Ｑｉは完全に特徴付けられる。Ｐｉは、
および
によって特徴付けられる。
の場合、Ｐｉは完全に特徴付けられる。
【数1】
【数2】
【数3】
【数4】
【数5】
【数6】
【0033】
いくつかの実施形態では、ノードｉによって引き起こされる損傷は、Ｑｉに関するＰｉのカルバック・ライブラー発散として定義され得る。
【数7】
【0034】
いくつかの実施形態において、損傷は、累積的であり得るか、またはＦ全体にわたって付加的であり得る。例えば：
【数8】
【0035】
エラー検出モジュール１３０に戻って参照すると、エラー検出モジュール１３０は、製造システム１０２の所与のノードｋでの損傷またはエラーを検出するように構成され得る。例えば、エラー検出モジュール１３０がノードｋが損傷を引き起こしたことを検出した場合（つまり、損傷または歪んだ分布を生成した場合）、エラー検出モジュール１３０は、Ｐｋからサンプリングし、そこから流れる後続のすべての結果の分布、Ｐｋ＋１，．．．，ＰＮを生成する制御戦略を採用できるため、残りの累積ダメージｄｋ＋１，．．．，ｄｋを減らすか、最小化することができる。したがって、エラー検出モジュール１３０の損傷回復問題は、次のように定式化することができる。
【数9】
【0036】
いくつかの実施形態では、エラー検出モジュール１３０は、所与のノードで検出された損傷を識別または修正するための１つまたは複数の技術を実装することができる。いくつかの実施形態では、エラー検出モジュール１３０は、カルマンフィルタ１３２を使用して、所与の処理ノードでの損傷またはエラーを検出することができる。いくつかの実施形態では、エラー検出モジュール１３０は、所与の処理ノードでの損傷またはエラーを検出するためのオートエンコーダ１３４を含むことができる。いくつかの実施形態では、エラー検出モジュール１３０は、機械学習モジュール１３６の深層強化学習技術を使用して、所与の処理ノードでの損傷またはエラーを検出し、下流ノードまたはステーション１０８での損傷またはエラーによって引き起こされる検出された変動を修正することができる。いくつかの実施形態では、エラー検出モジュール１３０は、カルマンフィルタ１３２、オートエンコーダ１３４、または機械学習モジュール１３６のうちの１つまたは複数を使用することができ、所与の処理ノードでの損傷もしくはエラーを検出し、および／または下流ノードもしくはステーション１０８での損傷またはエラーによって引き起こされる検出された変動を修正する。
【0037】
いくつかの実施形態では、エラー検出モジュール１３０は、処理ノードでエラーを検出するためにカルマンフィルタ１３２を実装することができる。上からの分布記述、すなわちｄｉを一般化するために、単一入力、単一出力システムを状態空間形式で次のように確立することができる。
システムの任意の状態として定義された
、システムの出力として定義されたｙについて、Ａ、Ｂ、Ｃは、基礎となるダイナミクスの常微分方程式を定義するシステム行列であり得る。このシステムの入力ｕεは、次のように定義されるノイズの多い入力信号であり得、
ｕε，ｉ＝ｕｉ（ｔ）＋εｔ
ここで、εｔは、εｔ～Ｎ（με，ｉ，Ｒｉ）によって寄与される付加ノイズであり得る。いくつかの実施形態では、観測された出力ｙＶは、以下のようなシステム出力の関数であり得る。
ｙＶ，ｉ＝ｙｉ（ｔ）＋Ｖｔ
同様にノイズの多い信号測定の場合、
を使用する。いくつかの実施形態では、この表記は、プロセスの特定のノードｉに対してｙＶ，ｉ～Ｑｉを確立することによって調整できる。影響を受けていないシステムでは、ノイズの寄与の平均はゼロである可能性があり、με，ｉ＝μＶ，ｉ＝０となる。しかし、悪意のあるサイバー攻撃では、偏差はゼロ以外の平均入力ノイズとして現れる可能性がある。
【数10】
【数11】
ｕε，ｉ＝ｕｉ（ｔ）＋εｔ
ここで、εｔは、εｔ～Ｎ（με，ｉ，Ｒｉ）によって寄与される付加ノイズであり得る。いくつかの実施形態では、観測された出力ｙＶは、以下のようなシステム出力の関数であり得る。
ｙＶ，ｉ＝ｙｉ（ｔ）＋Ｖｔ
同様にノイズの多い信号測定の場合、
【数12】
【0038】
一般に、カルマンフィルタ１３２は、ゼロ平均ノイズに依存し得る。しかし、悪意のあるサイバー攻撃の場合、入力命令のオフセットは、ゼロ以外の平均付加ノイズとして現れる可能性がある。したがって、カルマンフィルタ１３２は、以下の推定される時不変システムについて解釈され得る。
【数13】
【0039】
いくつかの実施形態では、カルマンフィルタ１３２は、出力の測定値、ノードまたはプロセスのｙＶ，ｉ（ｔ）、および正規の、手つかずの入力命令ｕｉ（ｔ）を使用して構築され得る。プロセスが正しく較正されている場合、ステーション１０８またはノードの入力／出力センサー測定値は、ゼロ平均ノイズを有するはずである。しかし、悪意のあるサイバー攻撃の場合、ゼロ以外のバイアスが発生する。
【0040】
いくつかの実施形態では、カルマンフィルタ１３２は、以下のように解釈され得る。
プロセスノードのｋ番目のサンプルｉの場合、
は測定更新表記であり得、Σｉ，ｋは状態予測の共分散、Ｒｉは入力ノイズεｔの共分散、Ｋｉ，ｋはカルマンゲインであり得る。サンプルが十分に大きい場合、イノベーション分布
は
である必要がある。しかし、悪意のあるサイバー攻撃では、
であるが、これは最小限のサンプル内で自然に発生する可能性がある。サンプル閾値がｋ＞ｋｍｉｎに達する場合、
に対して警報が確立される。ここで、γｉはプロセスノード用に調整される。イノベーションエラーがゼロ以外であり、閾値γｉを超えている場合、エラー検出モジュール１３０は、悪意のあるサイバー攻撃が発生している可能性があるかどうかを決定し得る。
【数14】
【数15】
【数16】
【数17】
【数18】
【数19】
【0041】
図２は、例示的な実施形態による、カルマンフィルタ１３２を実装する単一入力、単一出力システム（以下、「システム２００」）のアーキテクチャを示すブロック図である。
【0042】
示されるように、システム２００は、コントローラ２０２（例えば、Ｃ（ｓ））、プラント２０４（例えば、Ｇ（ｓ））、測定部２０６（例えば、Ｈ（ｓ））、攻撃２０８（例えば、Ａ（ｓ））、およびカルマンフィルタ１３２（例えば、ＫＦ）を含み得る。いくつかの実施形態では、システム２００は、第２のコントローラ２０２を含み得る。いくつかの実施形態では、コントローラ２０２、プラント２０４、および測定部２０６は、ノード制御の基本的な構成を表すことができ、一方、カルマンフィルタ１３２は、イノベーションエラーを生成した。
【0043】
図２に示されるようないくつかの実施形態では、ツインコントローラは、カルマンフィルタ１３２の偏りのない基準として使用され得る。
【0044】
図１に戻って参照すると、いくつかの実施形態では、エラー検出モジュール１３０は、オートエンコーダ１３４を使用して、サイバー攻撃に対応する異常を検出することができる。測定された出力
のシーケンスの場合、教師なしオートエンコーダトレーニングをインスタンス化して、出力観測のエントロピーを以下のようなパラメータセットθＡＥにマッピングできる。
【数20】
【数21】
【0045】
いくつかの実施形態では、オートエンコーダ１３４のエラーは、以下のように定義され得る。
また、
の通常の動作では、ここで
および
は最尤法を使用した分布に適合する。続いて、シーケンスの異常スコアａｉは、次のように定義できる。
【数22】
【数23】
【数24】
【数25】
【数26】
【0046】
カルマンフィルタ１３２と同様に、異常スコアａｉ＞γｉの場合、エラー検出モジュール１３０は、オートエンコーダ１３４を使用して異常を検出することができる。
【0047】
図３は、いくつかの実施形態による、オートエンコーダ１３４を実装するシステム３００のアーキテクチャを示すブロック図である。示されるように、システム３００は、コントローラ３０２（例えば、Ｃ（ｓ））、プラント３０４（例えば、Ｇ（ｓ））、測定部３０６（例えば、Ｈ（ｓ））、攻撃３０８（例えば、Ａ（ｓ））、オートエンコーダ１３４（例えば、ＡＥ）、および警報３１２（例えば、Ａ）を含み得る。コントローラ３０２、プラント３０４、および測定部３０６は、ノード制御の基本的な構成を表すことができ、一方、オートエンコーダ３４４は、エラーを検出することができる。いくつかの実施形態では、エラー検出モジュール１３０は、十分な異常スコアに基づいて、警報３１２をトリガすることができる。
【0048】
図１に戻って参照すると、いくつかの実施形態では、エラー検出モジュール１３０は、１つまたは複数の深層強化学習技術を使用して、サイバー攻撃に対応する処理におけるエラーまたは異常を識別することができる。上記のように、損傷ｄｉの定義が与えられると、
の損傷回復問題を、そのアクション
（ただし、ｉ＝ｋ＋１，．．．，ｎ、反復のあるセットｊ＝１，．．．，ｍにわたる）を通じて解決するために一連の分布Ｐｋ＋１，．．．，Ｐｎを構築しようとする強化学習エージェントに対して遅延報酬関数を定式化できる：
ただし、
【数27】
【数28】
【数29】
【数30】
【0049】
いくつかの実施形態では、エラー検出モジュール１３０は、プロセスのｉ番目のノードのｋ番目のサンプルについて状態
が与えられた場合に、１つのネットワークがアクションαｉ，ｋを生成することができるように、アクタークリティカルモダリティでエージェントをトレーニングすることができ、別のネットワークは、パラメータθＱ，ｉで学習されたＱ値
の予測を生成し得、
はパラメータθπ，ｉで学習したポリシーであり得る。いくつかの実施形態では、報酬は、以下のようなベルマン定式化を使用して計算することができる。
【数31】
【数32】
【数33】
【数34】
【0050】
いくつかの実施形態では、強化学習技術に関連する更新法則は、以下であり得る。
【数35】
【0051】
いくつかの実施形態では、更新法則は、Ｑ値を低減または最小化することができ、それによって損傷を最小化することができ、分布をその正規の形に戻すことを目的としたアクションに現れることができる。いくつかの実施形態において、アクションの１つの定式化は、以下であり得る。
【0052】
いくつかの実施形態において、アクションの定式化は、以下であり得る。
ここで、ｕｉ，ｋは
および
の入力になり得る。αｉ，ｋは命令修飾子であり、ｕ＊
ｉ，ｋはノードｉの特定のサンプルｋに対して読み取られた命令であり得る。この命令が破損していて、その破損が状態に現れた場合、ポリシーπｉ，ｋがそれを修正するように動作し得る。
【数36】
【数37】
【数38】
【0053】
強化学習アプローチを利用することにより、エラー検出モジュール１３０は、プロセスベースの悪意のあるサイバー攻撃を名目上のプロセス変動にバンドルすることによってシステムセキュリティに対処する新しい方法を提供し得、それらの変動の直接制御および修正を提供する。アプローチは、単なる検出または受動的防止の方法ではない。むしろ、サイバー攻撃は、機械が標準から外れたり、原材料の在庫が厳密な仕様から外れたりするなど、日常的な（例えば、ありそうな）システムの変化として現れると想定され得る。
【0054】
図４は、いくつかの実施形態による、機械学習モジュール１３６を使用して強化学習アプローチを実装するシステム４００のアーキテクチャを示すブロック図である。示されるように、システム４００は、マルチノードシステム、ｉ＝０，…，Ｎを表すことができる。各ノードｉに対して、コントローラ４０２０、４０２１、および４０２Ｎ（例えば、Ｃ０（ｓ）、Ｃｉ（ｓ），．．．ＣＮ（ｓ））、プラント４０４０、４０４ｉ、および４０４Ｎ（例えば、Ｇ０（ｓ）、Ｇｉ（ｓ）、ＧＮ（ｓ））、および測定部４０６０、４０６ｉ、および４０６Ｎ（例えば、Ｈ０（ｓ）、Ｈｉ（ｓ）、ＨＮ（ｓ））が存在する場合がある。一緒に、ノードは、データストア４０８（例えば、Ｙ）からサンプリングされた、時間ｋ、Ｓｋでのシステム４００の状態によって支配されるポリシー学習フィードバックループ、および現在の状態４１０を入力π（Ｓｋ）として取るポリシーに埋め込まれ得る。攻撃４１２は、単一のノードｉについて、ブロックＡ（ｓ）によって表され得る。
【0055】
いくつかの実施形態では、サイバー攻撃によって引き起こされるエラーを修正するために取るべきアクションのセットを識別するために、時間サンプルｋの状態Ｓｋを非線形フィルタに入力することができ、その重みが、観測されたアーティファクトまたは構成要素が与えられた場合の、時間サンプルｋ＋ｎのその後の損傷を最小化するように選択することができる。いくつかの実施形態では、フィルタの出力は、所定のプロセス設定値または制御値を変更するスカラーまたはベクトルであり得る。状態からアクションへの変換は、ポリシーと呼ばれる場合がある。
【0056】
図５は、例示的な実施形態による、製造プロセスへのサイバー攻撃を管理する方法５００を示す流れ図である。方法５００は、工程５０２として開始することができる。
【0057】
工程５０２において、制御モジュール１０６は、製造システム１０２のステーション１０８から制御値を受信することができる。いくつかの実施形態では、制御モジュール１０６は、所与のステーション１０８に関連付けられたプロセスコントローラから制御値を受信することができる。プロセスコントローラは、一般に、ステーション１０８の動作を制御するようにプログラムされ得る。例示的な制御値には、速度、温度、圧力、真空、回転、電流、電圧、電力、粘度、ステーションで使用される材料／資源、スループット率、停止時間、有害ガスなどが含まれ得るが、これらに限定されない。より一般的には、制御値は、ステーション１０８によって処理されている構成要素の属性ではなく、ステーション１０８の属性を指すことができる。
【0058】
工程５０４において、制御モジュール１０６は、ステーション１０８から受信した制御値に基づいて、サイバー攻撃が存在することを決定することができる。例えば、いくつかの実施形態では、エラー検出モジュール１３０は、カルマンフィルタ１３２を使用して、制御値が与えられた場合にステーション１０８の異常スコアを生成することができる。例えば、異常スコアが所定の閾値よりも大きい場合、制御モジュール１０６は、サイバー攻撃が現在進行中であるかどうかを決定することができる。別の例では、エラー検出モジュール１３０は、オートエンコーダ１３４を使用して、制御値が与えられた場合にステーション１０８の異常スコアを生成することができる。例えば、異常スコアが所定の閾値よりも大きい場合、制御モジュール１０６は、サイバー攻撃が現在進行中であるかどうかを決定することができる。別の例では、エラー検出モジュール１３０は、機械学習モジュール１３６を使用して、ステーション１０８に対応するＱ値を予測することができる。例えば、Ｑ値が許容値の範囲外である場合、制御モジュール１０６は、サイバー攻撃が現在進行中であるかどうかを決定することができる。
【0059】
いくつかの実施形態において、方法５００は、工程５０６を含み得る。工程５０６で、サイバー攻撃が発生しているとの決定に応答して、制御モジュール１０６は、アラートまたは警報をトリガすることができる。いくつかの実施形態では、アラートまたは警報は、製造システム１０２を監督するユーザへの通知であり得る。いくつかの実施形態では、アラートまたは警報は、製造システム１０２の各ステーション１０８１～１０８ｎの処理をストップまたは停止する信号であり得る。
【0060】
いくつかの実施形態において、方法５００は、工程５０８～５１０を含み得る。工程５０８で、サイバー攻撃が発生しているとの決定に応答して、制御モジュール１０６は、サイバー攻撃によって引き起こされた損傷を修正するための１つまたは複数のアクションを生成することができる。例えば、エラー検出モジュール１３０は、プロセスのｉ番目のノードのｋ番目のサンプルの状態
が与えられた場合に、１つのネットワークがアクションαｉ，ｋを生成できるように、アクタークリティカルモダリティでエージェントをトレーニングでき、別のネットワークがＱ値
の予測を生成し得、パラメータθＱ，ｉで学習する。ここで、
はパラメータθπ，ｉで学習したポリシーであり得る。いくつかの実施形態では、報酬は、以下のようなベルマン定式化を使用して計算することができる。
【数39】
【数40】
【数41】
【数42】
【0061】
いくつかの実施形態では、強化学習技術に関連する更新法則は、以下であり得る。
【数43】
【0062】
いくつかの実施形態では、更新法則は、Ｑ値を低減または最小化し、それによって損傷を最小化し得、分布をその正規の形に戻すことを目的としたアクションに現れる可能性がある。いくつかの実施形態において、アクションの１つの定式化は、以下であり得る。
【0063】
いくつかの実施形態において、アクションの定式化は、以下であり得る。
ここで、ｕｉ，ｋは
および
の入力になり得る。αｉ，ｋは命令修飾子であり、ｕ＊
ｉ，ｋはノードｉの特定のサンプルｋに対して読み取られた命令であり得る。この命令が破損していて、その破損が状態に現れた場合、ポリシーπｉ，ｋがそれを修正するように動作する可能性がある。
【数44】
【数45】
【数46】
【0064】
工程５１０において、制御モジュール１０６は、機械学習モジュール１３６によって生成された更新されたアクションを下流ステーション１０８に提供することができる。いくつかの実施形態では、制御モジュール１０６は、更新された命令を各下流ステーション１０８のプロセスコントローラに送信することができる。
【0065】
図６Ａは、例示的な実施形態による、システムバスコンピューティングシステムアーキテクチャ６００を示している。システム６００の１つまたは複数の構成要素は、バス６０５を使用して互いに電気的に通信していてもよい。システム６００は、プロセッサ（例えば、１つまたは複数のＣＰＵ、ＧＰＵまたは他のタイプのプロセッサ）６１０と、読み取り専用メモリ（ＲＯＭ）６２０およびランダムアクセスメモリ（ＲＡＭ）６２５などのシステムメモリ６１５を含む様々なシステム構成要素をプロセッサ６１０に結合するシステムバス６０５とを含み得る。システム６００は、プロセッサ６１０に直接接続されているか、近接しているか、またはプロセッサ６１０の一部として統合されている高速メモリのキャッシュを含むことができる。システム６００は、プロセッサ６１０による迅速なアクセスのために、メモリ６１５および／またはストレージデバイス６３０からキャッシュ６１２にデータをコピーすることができる。このようにして、キャッシュ６１２は、データを待機している間のプロセッサ６１０の遅延を回避する性能の向上を提供することができる。これらおよび他のモジュールは、プロセッサ６１０を制御するか、または制御して様々なアクションを実行するように構成することができる。他のシステムメモリ６１５も同様に使用可能であり得る。メモリ６１５は、異なる性能特性を備えた複数の異なるタイプのメモリを含み得る。プロセッサ６１０は、単一のプロセッサまたは複数のプロセッサを表すことができる。プロセッサ６１０は、プロセッサ６１０およびソフトウェア命令が実際のプロセッサ設計に組み込まれている専用プロセッサを制御するように構成された、ストレージデバイス６３０に記憶されたサービス１ ６３２、サービス２ ６３４、およびサービス３ ６３６などの汎用プロセッサまたはハードウェアモジュールまたはソフトウェアモジュールのうちの１つまたは複数を含むことができる。プロセッサ６１０は、本質的に、複数のコアまたはプロセッサ、バス、メモリコントローラ、キャッシュなどを含む、完全に自己完結型のコンピューティングシステムであり得る。マルチコアプロセッサは、対称または非対称であり得る。
【0066】
コンピューティングデバイス６００とのユーザ相互作用を可能にするために、入力デバイス６４５は、音声用のマイクロフォン、ジェスチャまたはグラフィック入力用のタッチセンシティブスクリーン、キーボード、マウス、モーション入力、音声などの任意の数の入力メカニズムであり得る。出力デバイス６３５はまた、当業者に知られているいくつかの出力機構のうちの１つまたは複数であり得る。場合によっては、マルチモーダルシステムは、ユーザがコンピューティングデバイス６００と通信するために複数のタイプの入力を提供することを可能にすることができる。通信インターフェース６４０は、一般に、ユーザ入力およびシステム出力を運営および管理することができる。特定のハードウェア構成での動作に制限はない。したがって、ここでの基本機能は、開発時に改善されたハードウェアまたはファームウェア構成に簡単に置き換えることができる。
【0067】
ストレージデバイス６３０は、不揮発性メモリであり得るか、ハードディスクまたは、磁気カセット、フラッシュメモリカード、ソリッドステートメモリデバイス、デジタル多用途ディスク、カートリッジ、ランダムアクセスメモリ（ＲＡＭ）６２５、読み取り専用メモリ（ＲＯＭ）６２０、およびそれらのハイブリッドなどの、コンピュータによってアクセス可能なデータを記憶することができる他のタイプのコンピュータ可読媒体であり得る。
【0068】
ストレージデバイス６３０は、プロセッサ６１０を制御するためのサービス６３２、６３４、および６３６を含むことができる。他のハードウェアまたはソフトウェアモジュールが企図されている。ストレージデバイス６３０は、システムバス６０５に接続することができる。一態様では、特定の機能を実行するハードウェアモジュールは、機能を実行するために必要なハードウェア構成要素（プロセッサ６１０、バス６０５、ディスプレイ６３５など）に関連してコンピュータ可読媒体に記憶されたソフトウェア構成要素を含むことができる。
【0069】
図６Ｂは、例示的な実施形態による、チップセットアーキテクチャを有するコンピュータシステム６５０を示している。コンピュータシステム６５０は、開示された技術を実装するために使用することができるコンピュータハードウェア、ソフトウェア、およびファームウェアの一例であり得る。システム６５０は、識別された計算を実行するように構成されたソフトウェア、ファームウェア、およびハードウェアを実行することができる任意の数の物理的および／または論理的に異なるリソースを表す１つまたは複数のプロセッサ６５５を含むことができる。１つまたは複数のプロセッサ６５５は、１つまたは複数のプロセッサ６５５への入力および１つまたは複数のプロセッサ６５５からの出力を制御することができるチップセット６６０と通信することができる。この例では、チップセット６６０は、情報をディスプレイなどの出力６６５に出力し、例えば、磁気媒体および固体媒体を含むことができるストレージデバイス６７０に対して情報を読み書きすることができる。チップセット６６０は、ＲＡＭ６７５との間でデータの読み取りと書き込みを行うこともできる。チップセット６６０とインターフェースするために、様々なユーザインターフェース構成要素６８５とインターフェースするためのブリッジ６８０を提供することができる。そのようなユーザインターフェース構成要素６８５は、キーボード、マイクロフォン、タッチ検出および処理回路、マウスなどのポインティングデバイスなどを含むことができる。一般に、システム６５０への入力は、機械によって生成された、および／または人間によって生成された、様々なソースのいずれかから来ることができる。
【0070】
チップセット６６０はまた、異なる物理的インターフェースを有することができる１つまたは複数の通信インターフェース６９０とインターフェースすることができる。このような通信インターフェースには、有線および無線のローカルエリアネットワーク、ブロードバンドワイヤレスネットワーク、およびパーソナルエリアネットワークのインターフェースを含めることができる。本明細書に開示されるＧＵＩを生成、表示、および使用するための方法のいくつかの用途は、物理インターフェースを介して順序付けられたデータセットを受信することを含むことができ、またはストレージ６７０もしくは６７５に記憶されたデータを分析する１つもしくは複数のプロセッサ６５５によってマシン自体によって生成され得る。さらに、マシンは、ユーザインターフェース構成要素６８５を介してユーザから入力を受け取り、１つまたは複数のプロセッサ６５５を使用してこれらの入力を解釈することによってブラウジング機能などの適切な機能を実行することができる。
【0071】
例示的なシステム６００および６５０は、複数のプロセッサ６１０を有することができるか、またはより大きな処理能力を提供するために一緒にネットワーク化されたコンピューティングデバイスのグループまたはクラスタの一部であり得ることが理解され得る。
【0072】
上記は本明細書に記載の実施形態に向けられているが、他のさらなる実施形態は、その基本的な範囲から逸脱することなく考案され得る。例えば、本開示の態様は、ハードウェアまたはソフトウェア、あるいはハードウェアとソフトウェアの組み合わせで実装され得る。本明細書で説明される一実施形態は、コンピュータシステムで使用するためのプログラム製品として実装され得る。プログラム製品のプログラムは、実施形態の機能（本明細書に記載の方法を含む）を定義し、様々なコンピュータ可読記憶媒体に含めることができる。例示的なコンピュータ可読記憶媒体には、以下が含まれるが、これらに限定されない。（ｉ）情報が永続的に保存される書き込み不可能な記憶媒体（例えば、ＣＤ－ＲＯＭドライブによって読み取り可能なＣＤ－ＲＯＭディスク、フラッシュメモリ、ＲＯＭチップ、または任意のタイプのソリッドステート不揮発性メモリなどのコンピュータ内の読み取り専用メモリ（ＲＯＭ）デバイス）、（ｉｉ）変更可能な情報が記憶される書き込み可能な記憶媒体（例えば、ディスケットドライブもしくはハードディスクドライブ内のフロッピーディスク、または任意のタイプのソリッドステートランダムアクセスメモリ）。そのようなコンピュータ可読記憶媒体は、開示された実施形態の機能を指示するコンピュータ可読命令を運ぶ場合、本開示の実施形態である。
【0073】
前述の実施例は例示的なものであり、限定的ではないことが当業者には理解されよう。明細書を読み、図面を研究すると、それらに対するすべての順列、拡張、同等物、および改善が当業者に明らかであり、本開示の真の趣旨および範囲に含まれることが意図されている。したがって、以下の添付の特許請求の範囲には、これらの教示の真の趣旨と範囲に含まれるすべてのそのような修正、順列、および同等物が含まれることが意図されている。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6A】
【図6B】
【手続補正書】
【提出日】2024-01-30
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
多工程製造プロセスにおける異常を検出する製造システムであって、
それぞれが構成要素を製造するための多工程製造プロセスにおける少なくとも１つの工程を実行するように構成されている、複数のステーションと、
前記多工程製造プロセス全体を通して前記構成要素の進行を監視するように構成された監視プラットフォームと、
前記製造システムの異常を検出するように構成された制御モジュールであって、
前記複数のステーションのうちの第１のステーションの属性を含む制御値を受信することと、
前記第１のステーションの前記制御値に基づいて異常があることを決定することと、
前記決定に基づいて、前記異常が引き起こす損傷を最小限とするように変更した制御値のセットを決定することにより、前記異常によって引き起こされたエラーを修正するためのアクションのセットを生成することと、
前記製造システムにおける少なくとも一つの下流ステーションと関連する少なくとも一つのプロセスコントローラに、前記アクションのセットを提供することと、
を含む動作を実行するように構成された制御モジュールと、を含む、製造システム。
それぞれが構成要素を製造するための多工程製造プロセスにおける少なくとも１つの工程を実行するように構成されている、複数のステーションと、
前記多工程製造プロセス全体を通して前記構成要素の進行を監視するように構成された監視プラットフォームと、
前記製造システムの異常を検出するように構成された制御モジュールであって、
前記複数のステーションのうちの第１のステーションの属性を含む制御値を受信することと、
前記第１のステーションの前記制御値に基づいて異常があることを決定することと、
前記決定に基づいて、前記異常が引き起こす損傷を最小限とするように変更した制御値のセットを決定することにより、前記異常によって引き起こされたエラーを修正するためのアクションのセットを生成することと、
前記製造システムにおける少なくとも一つの下流ステーションと関連する少なくとも一つのプロセスコントローラに、前記アクションのセットを提供することと、
を含む動作を実行するように構成された制御モジュールと、を含む、製造システム。
【請求項2】
前記動作が、
前記制御値に基づいて前記第１のステーションの異常スコアを生成することをさらに含む、請求項１に記載の製造システム。
前記制御値に基づいて前記第１のステーションの異常スコアを生成することをさらに含む、請求項１に記載の製造システム。
【請求項3】
前記制御値に基づいて前記第１のステーションの前記異常スコアを生成することが、
カルマンフィルタを含む１つまたは複数の機械学習アルゴリズムを使用して、前記制御値に基づいて前記第１のステーションの前記異常スコアを生成することを含む、請求項２に記載の製造システム。
カルマンフィルタを含む１つまたは複数の機械学習アルゴリズムを使用して、前記制御値に基づいて前記第１のステーションの前記異常スコアを生成することを含む、請求項２に記載の製造システム。
【請求項4】
前記制御値に基づいて前記第１のステーションの前記異常スコアを生成することが、
オートエンコーダを含む１つまたは複数の機械学習アルゴリズムを使用して、前記制御値に基づいて前記第１のステーションの前記異常スコアを生成することを含む、請求項２に記載の製造システム。
オートエンコーダを含む１つまたは複数の機械学習アルゴリズムを使用して、前記制御値に基づいて前記第１のステーションの前記異常スコアを生成することを含む、請求項２に記載の製造システム。
【請求項5】
前記第１のステーションの前記制御値に基づいて異常があることを決定することが、
前記異常スコアが異常を示す閾値を超えていることを決定することを含む、請求項２に記載の製造システム。
前記異常スコアが異常を示す閾値を超えていることを決定することを含む、請求項２に記載の製造システム。
【請求項6】
前記第１のステーションの前記制御値に基づいて異常があることを決定することが、
前記制御値に基づいて前記構成要素の予測品質基準を生成することと、
前記予測品質基準が許容値の範囲外であることを決定することと、
を含む、請求項1に記載の製造システム。
前記制御値に基づいて前記構成要素の予測品質基準を生成することと、
前記予測品質基準が許容値の範囲外であることを決定することと、
を含む、請求項1に記載の製造システム。
【請求項7】
前記動作が、
前記異常の通知を含むアラートを生成することをさらに含む、請求項１に記載の製造システム。
前記異常の通知を含むアラートを生成することをさらに含む、請求項１に記載の製造システム。
【請求項8】
多工程製造プロセスにおける異常を検出するためのコンピュータ実装方法であって、
コンピューティングシステムによって、製造システムにおける複数のステーションのうちの第１のステーションの属性を含む制御値を受信することと、
前記コンピューティングシステムによって、前記第１のステーションの前記制御値に基づいて異常があることを決定することと、
前記決定に基づいて、前記異常が引き起こす損傷を最小限とするように変更した制御値のセットを決定することにより、前記異常によって引き起こされたエラーを修正するためのアクションのセットを生成することと、
前記コンピューティングシステムによって、前記変更した制御値のセットに基づいて、前記製造システムにおける少なくとも一つの下流ステーションと関連する少なくとも一つのプロセスコントローラに、前記少なくとも一つの下流ステーションの属性のセットを調整させることにより、前記少なくとも一つの下流ステーションに前記アクションのセットを実行させることと、
を含む、コンピュータ実装方法。
コンピューティングシステムによって、製造システムにおける複数のステーションのうちの第１のステーションの属性を含む制御値を受信することと、
前記コンピューティングシステムによって、前記第１のステーションの前記制御値に基づいて異常があることを決定することと、
前記決定に基づいて、前記異常が引き起こす損傷を最小限とするように変更した制御値のセットを決定することにより、前記異常によって引き起こされたエラーを修正するためのアクションのセットを生成することと、
前記コンピューティングシステムによって、前記変更した制御値のセットに基づいて、前記製造システムにおける少なくとも一つの下流ステーションと関連する少なくとも一つのプロセスコントローラに、前記少なくとも一つの下流ステーションの属性のセットを調整させることにより、前記少なくとも一つの下流ステーションに前記アクションのセットを実行させることと、
を含む、コンピュータ実装方法。
【請求項9】
前記コンピューティングシステムによって、前記制御値に基づいて前記第１のステーションの異常スコアを生成することをさらに含む、請求項８に記載のコンピュータ実装方法。
【請求項10】
前記コンピューティングシステムによって、前記制御値に基づいて前記第１のステーションの前記異常スコアを生成することが、
カルマンフィルタを含む１つまたは複数の機械学習アルゴリズムを使用して、前記制御値に基づいて前記第１のステーションの前記異常スコアを生成することを含む、請求項９に記載のコンピュータ実装方法。
カルマンフィルタを含む１つまたは複数の機械学習アルゴリズムを使用して、前記制御値に基づいて前記第１のステーションの前記異常スコアを生成することを含む、請求項９に記載のコンピュータ実装方法。
【請求項11】
前記コンピューティングシステムによって、前記制御値に基づいて前記第１のステーションの前記異常スコアを生成することが、
オートエンコーダを含む１つまたは複数の機械学習アルゴリズムを使用して、前記制御値に基づいて前記第１のステーションの前記異常スコアを生成することを含む、請求項９に記載のコンピュータ実装方法。
オートエンコーダを含む１つまたは複数の機械学習アルゴリズムを使用して、前記制御値に基づいて前記第１のステーションの前記異常スコアを生成することを含む、請求項９に記載のコンピュータ実装方法。
【請求項12】
前記コンピューティングシステムによって、前記第１のステーションの前記制御値に基づいて異常があることを決定することが、
前記異常スコアが異常を示す閾値を超えていることを決定することを含む、請求項９に記載のコンピュータ実装方法。
前記異常スコアが異常を示す閾値を超えていることを決定することを含む、請求項９に記載のコンピュータ実装方法。
【請求項13】
前記コンピューティングシステムによって、前記第１のステーションの前記制御値に基づいて異常があることを決定することが、
前記制御値に基づいて、製造中の構成要素の予測品質基準を生成することと、
前記予測品質基準が許容値の範囲外であることを決定することと、
を含む、請求項９に記載のコンピュータ実装方法。
前記制御値に基づいて、製造中の構成要素の予測品質基準を生成することと、
前記予測品質基準が許容値の範囲外であることを決定することと、
を含む、請求項９に記載のコンピュータ実装方法。
【請求項14】
前記コンピューティングシステムによって、前記異常の通知を含むアラートを生成することをさらに含む、請求項８に記載のコンピュータ実装方法。
【請求項15】
異常を決定してアラートを生成する製造システムであって、
それぞれが構成要素を製造するための多工程製造プロセスにおける少なくとも１つの工程を実行するように構成されている、複数のステーションと、
前記製造システムの異常を検出するように構成された制御モジュールであって、
前記複数のステーションのうちの第１のステーションの属性を含む制御値を受信することと、
前記第１のステーションの前記制御値に基づいて異常があることを決定することと、
前記決定に基づいて、前記異常が引き起こす損傷を最小限とするように変更した制御値のセットを決定することにより、前記異常によって引き起こされたエラーを修正するためのアクションのセットを生成することと、
前記製造システムにおける少なくとも一つの下流ステーションと関連する少なくとも一つのプロセスコントローラに、前記アクションのセットを提供することと
を含む動作を実行するように構成された制御モジュールと、を含む、製造システム。
それぞれが構成要素を製造するための多工程製造プロセスにおける少なくとも１つの工程を実行するように構成されている、複数のステーションと、
前記製造システムの異常を検出するように構成された制御モジュールであって、
前記複数のステーションのうちの第１のステーションの属性を含む制御値を受信することと、
前記第１のステーションの前記制御値に基づいて異常があることを決定することと、
前記決定に基づいて、前記異常が引き起こす損傷を最小限とするように変更した制御値のセットを決定することにより、前記異常によって引き起こされたエラーを修正するためのアクションのセットを生成することと、
前記製造システムにおける少なくとも一つの下流ステーションと関連する少なくとも一つのプロセスコントローラに、前記アクションのセットを提供することと
を含む動作を実行するように構成された制御モジュールと、を含む、製造システム。
【請求項16】
前記動作が、
前記制御値に基づいて前記第１のステーションの異常スコアを生成することをさらに含む、請求項１５に記載の製造システム。
前記制御値に基づいて前記第１のステーションの異常スコアを生成することをさらに含む、請求項１５に記載の製造システム。
【請求項17】
前記制御値に基づいて前記第１のステーションの前記異常スコアを生成することが、
カルマンフィルタを含む１つまたは複数の機械学習アルゴリズムを使用して、前記制御値に基づいて前記第１のステーションの前記異常スコアを生成することを含む、請求項１６に記載の製造システム。
カルマンフィルタを含む１つまたは複数の機械学習アルゴリズムを使用して、前記制御値に基づいて前記第１のステーションの前記異常スコアを生成することを含む、請求項１６に記載の製造システム。
【請求項18】
前記制御値に基づいて前記第１のステーションの前記異常スコアを生成することが、
オートエンコーダを含む前記１つまたは複数の機械学習アルゴリズムを使用して、前記制御値に基づいて前記第１のステーションの前記異常スコアを生成することを含む、請求項１６に記載の製造システム。
オートエンコーダを含む前記１つまたは複数の機械学習アルゴリズムを使用して、前記制御値に基づいて前記第１のステーションの前記異常スコアを生成することを含む、請求項１６に記載の製造システム。
【請求項19】
前記第１のステーションの前記制御値に基づいて異常があることを決定することが、
前記異常スコアが異常を示す閾値を超えていることを決定すること、を含む、請求項１６に記載の製造システム。
前記異常スコアが異常を示す閾値を超えていることを決定すること、を含む、請求項１６に記載の製造システム。
【請求項20】
前記第１のステーションの前記制御値に基づいて異常があることを決定することが、
前記制御値に基づいて前記構成要素の予測品質基準を生成することと、
前記予測品質基準が許容値の範囲外であることを決定することと、
を含む、請求項１５に記載の製造システム。
前記制御値に基づいて前記構成要素の予測品質基準を生成することと、
前記予測品質基準が許容値の範囲外であることを決定することと、
を含む、請求項１５に記載の製造システム。