知財求人 - 知財ポータルサイト「IP Force」
▶ ブリヂストン アメリカズ タイヤ オペレーションズ、 エルエルシーの特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2022-08-17
(54)【発明の名称】接合部改善のための機械学習
(51)【国際特許分類】
G06N 20/00 20190101AFI20220809BHJP
G06N 3/02 20060101ALI20220809BHJP
B29D 30/00 20060101ALI20220809BHJP
【ＦＩ】
G06N20/00
G06N3/02
B29D30/00
【審査請求】有
【予備審査請求】未請求
(21)【出願番号】P 2022501371
(86)(22)【出願日】2020-07-10
(85)【翻訳文提出日】2022-03-07
(86)【国際出願番号】 US2020041661
(87)【国際公開番号】W WO2021011397
(87)【国際公開日】2021-01-21
(31)【優先権主張番号】62/873,303
(32)【優先日】2019-07-12
(33)【優先権主張国・地域又は機関】US
(81)【指定国・地域】
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．ＪＡＶＡ
(71)【出願人】
【識別番号】515168916
【氏名又は名称】ブリヂストン アメリカズ タイヤ オペレーションズ、 エルエルシー
(74)【代理人】
【識別番号】100196449
【弁理士】
【氏名又は名称】湯澤 亮
(72)【発明者】
【氏名】ナップ、ケヴィン レイ
(72)【発明者】
【氏名】バッタチャルジー、アニルバン カマル
【テーマコード（参考）】
4F215
【Ｆターム（参考）】
4F215AH20
4F215AM23
4F215VA18
4F215VL06
4F215VP10
(57)【要約】
【解決手段】 接合改善のための機械学習のシステム及び方法。システムは、１つ以上のセンサから、１つ以上のタイヤ製造機器によるタイヤの製造に対応する１つ以上の値を受信することができる。システムは、１つ以上の値に基づいて１つ以上のメトリックを決定することができる。システムは、１つ以上の値及び１つ以上のメトリックに基づいて行列を生成することができる。システムは、機械学習モデルへの行列の入力を介して、接合部許容誤差メトリックの値を予測することができる。システムは、接合部許容誤差メトリックの値に基づいて、調整すべき少なくとも１つの機器のパラメータ決定することができる。システムは、接合部許容誤差メトリックの値に応答して、１つの機器を調整するためのコマンドを提供することができる。
【選択図】図２
【選択図】図２
【特許請求の範囲】
【請求項1】
タイヤを製造するためのシステムであって、１つ以上のプロセッサと、メモリと、を備え、前記メモリが、命令を記憶するように構成され、前記命令が、前記１つ以上のプロセッサによって実行可能であり、前記１つ以上のプロセッサに、
タイヤ製造工場内の１つ以上のタイヤ製造機器の１つ以上のセンサから、前記１つ以上のタイヤ製造機器によるタイヤの製造に対応する１つ以上の値を受信することと、
前記１つ以上の値に基づいて１つ以上のメトリックを決定することと、
前記１つ以上の値及び前記１つ以上のメトリックに基づいて行列を生成することと、
タイヤ製造性データを出力するように構築された機械学習モデルへの前記行列の入力を介して、前記タイヤの接合部許容誤差メトリックの値を予測することと、
前記接合部許容誤差メトリックの前記値に基づいて、前記タイヤ製造工場内の調整すべき少なくとも１つの機器のパラメータを決定することと、
前記接合部許容誤差メトリックの前記値に応答して、前記タイヤ製造工場内の前記少なくとも１つの機器を調整するためのコマンドを提供することと、を行わせる、システム。
【請求項2】
前記タイヤの複数の接合部の各々と対になった、前記１つ以上のタイヤ製造機器の各々のための複数の機械学習モデルを構築するための１つ以上のプロセッサを有するモデル生成構成要素を更に備え、前記機械学習モデルが、前記複数の機械学習モデルのうちの１つに対応する、請求項１に記載のシステム。
【請求項3】
前記機械学習モデルが、複数の機械学習モデルのうちの第１の機械学習モデルであり、前記１つ以上のプロセッサが、前記１つ以上のタイヤ製造機器の第１の加圧ローラ構成要素及び前記タイヤの第１の接合部のための、前記複数の機械学習モデルのうちの前記第１の機械学習モデルを構築することと、
前記第１の加圧ローラ構成要素及び前記タイヤの第２の接合部のための、前記複数の機械学習モデルのうちの第２の機械学習モデルを構築することと、
前記第１の加圧ローラ構成要素及び前記タイヤの第３の接合部のための、前記複数の機械学習モデルのうちの第３の機械学習モデルを構築することと、
第２の加圧ローラ構成要素及び前記タイヤの前記第１の接合部のための、前記複数の機械学習モデルのうちの第４の機械学習モデルを構築することと、
前記第２の加圧ローラ構成要素及び前記タイヤの前記第２の接合部のための、前記複数の機械学習モデルのうちの第５の機械学習モデルを構築することと、
前記第２の加圧ローラ構成要素及び前記タイヤの前記第３の接合部のための、前記複数の機械学習モデルのうちの第６の機械学習モデルを構築することと、
第３の加圧ローラ構成要素及び前記タイヤの前記第１の接合部のための、前記複数の機械学習モデルのうちの第７の機械学習モデルを構築することと、
前記第３の加圧ローラ構成要素及び前記タイヤの前記第２の接合部のための、前記複数の機械学習モデルのうちの第８の機械学習モデルを構築することと、
前記第３の加圧ローラ構成要素及び前記タイヤの前記第３の接合部のための、前記複数の機械学習モデルのうちの第９の機械学習モデルを構築することと、を更に引き起こす、請求項１に記載のシステム。
【請求項4】
前記１つ以上のプロセッサが、前記タイヤの前に製造されたタイヤの接合部が所定の接合点から逸脱した度合いに基づいて前記機械学習モデルを訓練することを更に引き起こす、請求項１に記載のシステム。
【請求項5】
前記１つ以上のプロセッサが、以前の接合の結果、所定の期間数にわたる接合点の移動平均、前記接合点の所定の移動平均数の勾配に基づいて、前記機械学習モデルを訓練することを更に引き起こす、請求項１に記載のシステム。
【請求項6】
前記１つ以上のプロセッサが、複数の機械学習モデルに基づいて、前記接合部許容誤差メトリックの前記値が、前記タイヤの複数の接合部のうちの第１の接合部が許容誤差ウィンドウを超えると予測することを決定することと、
ポリシーに基づいて、前記タイヤの前記複数の接合部のうちの前記第１の接合部に対応する前記少なくとも１つの機器を選択することと、
前記第１の接合部の特性を調整して前記第１の接合部を前記許容誤差ウィンドウ内に収めるように、前記ポリシーに基づいて選択された前記少なくとも１つの機器に命じることと、を更に引き起こす、請求項１に記載のシステム。
【請求項7】
前記１つ以上のプロセッサが、前記１つ以上のタイヤ製造機器から、前記１つ以上の値の時系列を受信することと、
前記１つ以上の値の前記時系列に基づいて、複数の所定の期間にわたる移動平均を決定することであって、前記複数の所定の期間が、少なくとも２つの異なる所定の期間を含む、決定することと、
前記複数の所定の期間にわたる前記移動平均の勾配を決定することと、
前記複数の所定の期間にわたる前記移動平均の前記勾配に基づいて、前記行列を生成することと、を更に引き起こす、請求項１に記載のシステム。
【請求項8】
前記１つ以上のプロセッサが、前記機械学習モデルを介して予測された前記接合部許容誤差メトリックの前記値と関連付けられた信頼性スコアを識別することと、
前記信頼性スコアを閾値と比較することと、
前記信頼性スコアが前記閾値を満たすことに応答して、前記少なくとも１つの機器の前記パラメータを調整することを決定することと、を更に引き起こす、請求項１に記載のシステム。
【請求項9】
前記１つ以上のプロセッサが、前記機械学習モデルの出力に基づいて、前記タイヤの接合部が許容誤差ウィンドウを超えると予測することと、
前記予測に応答して、前記少なくとも１つの機器によって加えられる圧力量を調整することと、
前記圧力量の前記調整に続いて、前記１つ以上のタイヤ製造機器による前記タイヤの前記製造に対応する１つ以上の値を受信することと、
前記圧力量の前記調整に続いて受信された前記１つ以上の値に基づいて、更新された行列を生成することと、
前記更新された行列の前記機械学習モデルへの入力を介して、前記タイヤの前記接合部が前記許容誤差ウィンドウを満たすと予測することと、を更に引き起こす、請求項１に記載のシステム。
【請求項10】
前記１つ以上のプロセッサが、前記機械学習モデルの出力に基づいて、前記タイヤの接合部が許容誤差ウィンドウを満たさないと予測することと、
前記予測に応答して、前記少なくとも１つの機器によって使用される第１のパラメータを調整することと、
前記第１のパラメータの前記調整に続いて、前記１つ以上のタイヤ製造機器による前記タイヤの前記製造に対応する１つ以上の値を受信することと、
前記第１のパラメータの前記調整に続いて受信された前記１つ以上の値に基づいて、更新された行列を生成することと、
前記更新された行列の前記機械学習モデルへの入力を介して、前記タイヤの前記接合部が前記許容誤差ウィンドウを満たさないと予測することと、
前記タイヤの前記接合部が、前記調整に続いて前記許容誤差ウィンドウを満たさないという前記予測に応答して、前記少なくとも１つの機器の第２のパラメータ又は前記タイヤ製造工場の第２の機器のパラメータのうちの少なくとも１つを調整することと、を更に引き起こす、請求項１に記載のシステム。
【請求項11】
タイヤを製造する方法であって、タイヤ製造工場内の１つ以上のタイヤ製造機器の１つ以上のセンサから、１つ以上のプロセッサによって、前記１つ以上のタイヤ製造機器によるタイヤの製造に対応する１つ以上の値を受信することと、
前記１つ以上のプロセッサによって、前記１つ以上の値に基づいて１つ以上のメトリックを決定することと、
前記１つ以上のプロセッサによって、前記１つ以上の値及び前記１つ以上のメトリックに基づいて行列を生成することと、
前記１つ以上のプロセッサによって、タイヤ製造性データを出力するように構築された機械学習モデルへの前記行列の入力を介して、前記タイヤの接合部許容誤差メトリックの値を予測することと、
前記接合部許容誤差メトリックの前記値に基づいて、前記１つ以上のプロセッサによって、前記タイヤ製造工場内の調整すべき少なくとも１つの機器のパラメータを決定することと、
前記１つ以上のプロセッサによって、前記接合部許容誤差メトリックの前記値に応答して、前記タイヤ製造工場内の前記少なくとも１つの機器を調整するためのコマンドを提供することと、を含む、方法。
【請求項12】
前記タイヤの複数の接合部の各々と対になった、前記１つ以上のタイヤ製造機器の各々のための複数の機械学習モデルを構築することを更に含み、前記機械学習モデルが、前記複数の機械学習モデルのうちの１つに対応している、請求項１１に記載の方法。
【請求項13】
前記機械学習モデルが、複数の機械学習モデルのうちの第１の機械学習モデルであり、前記方法が、前記１つ以上のタイヤ製造機器の第１の加圧ローラ構成要素及び前記タイヤの第１の接合部のための、前記複数の機械学習モデルのうちの前記第１の機械学習モデルを構築することと、
前記第１の加圧ローラ構成要素及び前記タイヤの第２の接合部のための、前記複数の機械学習モデルのうちの第２の機械学習モデルを構築することと、
前記第１の加圧ローラ構成要素及び前記タイヤの第３の接合部のための、前記複数の機械学習モデルのうちの第３の機械学習モデルを構築することと、
第２の加圧ローラ構成要素及び前記タイヤの前記第１の接合部のための、前記複数の機械学習モデルのうちの第４の機械学習モデルを構築することと、
前記第２の加圧ローラ構成要素及び前記タイヤの前記第２の接合部のための、前記複数の機械学習モデルのうちの第５の機械学習モデルを構築することと、
前記第２の加圧ローラ構成要素及び前記タイヤの前記第３の接合部のための、前記複数の機械学習モデルのうちの第６の機械学習モデルを構築することと、
第３の加圧ローラ構成要素及び前記タイヤの前記第１の接合部のための、前記複数の機械学習モデルのうちの第７の機械学習モデルを構築することと、
前記第３の加圧ローラ構成要素及び前記タイヤの前記第２の接合部のための、前記複数の機械学習モデルのうちの第８の機械学習モデルを構築することと、
前記第３の加圧ローラ構成要素及び前記タイヤの前記第３の接合部のための、前記複数の機械学習モデルのうちの第９の機械学習モデルを構築することと、を更に含む、請求項１１に記載の方法。
【請求項14】
前記タイヤの前に製造されたタイヤの接合部が所定の接合点から逸脱した度合いに基づいて前記機械学習モデルを訓練することを更に含む、請求項１１に記載の方法。
【請求項15】
以前の接合の結果、所定の期間数にわたる接合点の移動平均、前記接合点の所定の移動平均数の勾配に基づいて、前記機械学習モデルを構築することを更に含む、請求項１１に記載の方法。
【請求項16】
複数の機械学習モデルに基づいて、前記接合部許容誤差メトリックの前記値が、前記タイヤの複数の接合部のうちの第１の接合部が許容誤差ウィンドウを超えると予測することを決定することと、ポリシーに基づいて、前記タイヤの前記複数の接合部のうちの前記第１の接合部に対応する前記少なくとも１つの機器を選択することと、
前記第１の接合部の特性を調整して前記第１の接合部を前記許容誤差ウィンドウ内に収めるように、前記ポリシーに基づいて選択された前記少なくとも１つの機器に命じることと、を更に含む、請求項１１に記載の方法。
【請求項17】
前記１つ以上のタイヤ製造機器から、前記１つ以上の値の時系列を受信することと、前記１つ以上の値の前記時系列に基づいて、複数の所定の期間にわたる移動平均を決定することであって、前記複数の所定の期間が、少なくとも２つの異なる所定の期間を含む、決定することと、
前記複数の所定の期間にわたる前記移動平均の勾配を決定することと、
前記複数の所定の期間にわたる前記移動平均の前記勾配に基づいて、前記行列を生成することと、を更に含む、請求項１１に記載の方法。
【請求項18】
前記機械学習モデルを介して予測された前記接合部許容誤差メトリックの前記値と関連付けられた信頼性スコアを識別することと、前記信頼性スコアを閾値と比較することと、
前記信頼性スコアが前記閾値を満たすことに応答して、前記少なくとも１つの機器の前記パラメータを調整することを決定することと、を更に含む、請求項１１に記載の方法。
【請求項19】
前記機械学習モデルの出力に基づいて、前記タイヤの接合部が許容誤差ウィンドウを超えると予測することと、前記予測に応答して、前記少なくとも１つの機器によって加えられる圧力量を調整することと、
前記圧力量の前記調整に続いて、前記１つ以上のタイヤ製造機器による前記タイヤの前記製造に対応する１つ以上の値を受信することと、
前記圧力量の前記調整に続いて受信された前記１つ以上の値に基づいて、更新された行列を生成することと、
前記更新された行列の前記機械学習モデルへの入力を介して、前記タイヤの前記接合部が前記許容誤差ウィンドウを満たすと予測することと、を更に含む、請求項１１に記載の方法。
【請求項20】
前記機械学習モデルの出力に基づいて、前記タイヤの接合部が許容誤差ウィンドウを満たさないと予測することと、前記予測に応答して、前記少なくとも１つの機器によって使用される第１のパラメータを調整することと、
前記第１のパラメータの前記調整に続いて、前記１つ以上のタイヤ製造機器による前記タイヤの前記製造に対応する１つ以上の値を受信することと、
前記第１のパラメータの前記調整に続いて受信された前記１つ以上の値に基づいて、更新された行列を生成することと、
前記更新された行列の前記機械学習モデルへの入力を介して、前記タイヤの前記接合部が前記許容誤差ウィンドウを満たさないと予測することと、
前記タイヤの前記接合部が、前記調整に続いて前記許容誤差ウィンドウを満たさないという前記予測に応答して、前記少なくとも１つの機器の第２のパラメータ又は前記タイヤ製造工場の第２の機器のパラメータのうちの少なくとも１つを調整することと、を更に含む、請求項１１に記載の方法。
【発明の詳細な説明】
【技術分野】
【0001】
（関連出願の相互参照）
本出願は、２０１９年７月１２日に出願された米国仮特許出願第６２／８７３，３０３号の優先権を主張するものであり、その内容は、その全体が参照により本明細書に組み込まれる。
本出願は、２０１９年７月１２日に出願された米国仮特許出願第６２／８７３，３０３号の優先権を主張するものであり、その内容は、その全体が参照により本明細書に組み込まれる。
【発明の概要】
【発明が解決しようとする課題】
【0002】
製造工場は、機器及びプロセスを使用して製品又は商品を製造又は作製することができる。作製される製品又は商品の複雑さ、及び完成した製品又は商品の厳格な許容誤差又は品質要件のために、欠陥を生じさせず、又は資源を無駄にせずに製品又は商品を効率的に製造することは困難であり得る。
【0003】
この技術的な解決策は、機械学習を使用して接合部を改善するシステム及び方法を対象とする。例えば、タイヤ生産ラインには、タイヤを製造するための製造機器を含まれ得る。製造機器は、様々な接合部を使用してタイヤを組み立てることができる。接合部は、製造機器の少なくとも１つのパラメータ設定に起因して許容誤差外になる場合がある。許容誤差外の接合部により、製造機器の警報が鳴り、稼働時間が遅らされるか、又は許容誤差を超えた接合部が検出されない場合は、欠陥タイヤ若しくは仕様通りに作製されなかったタイヤとなる可能性がある。更に、接合部が各製造機器間で許容誤差外かどうかを検出すること、又はタイヤの接合部を組み立てる前に接合部が許容誤差外かどうかを適時に検出することは困難であり得る。
【0004】
この技術的な解決策のシステム及び方法により、機械学習を使用して接合部を改善することができる。技術的な解決策では、製造工場で製造された欠陥製品の数を減少させるか、又は許容誤差仕様若しくは他の品質仕様を満たす製品の生産速度を増加させることができる。技術的な解決策では、製造機器を停止することなく製造機器の動作パラメータを自動的に調整することによって、製造機器の非稼働時間を更に低減することができる。
【0005】
少なくとも１つの態様では、タイヤを製造するためなどの接合部予測及び改善のシステムを対象とする。システムは、データ処理システムを含むことができる。データ処理システムは、１つ以上のプロセッサ及びメモリを含むことができる。データ処理システムは、インターフェース、入力生成器、モデルマネージャ、機器コントローラ、データリポジトリ、又は機械学習エンジンを含むことができる。データ処理システムは、タイヤ製造工場内の１つ以上のタイヤ製造機器の１つ以上のセンサから、１つ以上のタイヤ製造機器によるタイヤの製造に対応する１つ以上の値を受信することができる。データ処理システムは、１つ以上の値に基づいて１つ以上のメトリックを決定することができる。データ処理システムは、１つ以上の値及び１つ以上のメトリックに基づいて行列を生成することができる。データ処理システムは、タイヤ製造性データを出力するように構築された機械学習モデルへの行列の入力を介して、タイヤの接合部許容誤差メトリックの値を予測することができる。データ処理システムは、接合部許容誤差メトリックの値に基づいて、タイヤ製造工場内の調整すべき少なくとも１つの機器のパラメータを決定することができる。データ処理システムは、接合部許容誤差メトリックの値に応答して、タイヤ製造工場内の少なくとも１つの機器を調整するためのコマンドを提供することができる。
【0006】
少なくとも１つの態様では、タイヤを製造するためなどの接合予測及び改善の方法を対象とする。本方法は、１つ以上のプロセッサ及びメモリを有するデータ処理システムによって実施することができる。本方法は、タイヤ製造工場内の１つ以上のタイヤ製造機器の１つ以上のセンサから、１つ以上のタイヤ製造機器によるタイヤの製造に対応する１つ以上の値を受信するデータ処理システムを含むことができる。本方法は、１つ以上の値に基づいて１つ以上のメトリックを決定するデータ処理システムを含むことができる。本方法は、１つ以上の値及び１つ以上のメトリックに基づいて行列を生成するデータ処理システムを含むことができる。本方法は、タイヤ製造性データを出力するように構築された機械学習モデルへの行列の入力を介して、タイヤの接合部許容誤差メトリックの値を予測するデータ処理システムを含むことができる。本方法は、接合部許容誤差メトリックの値に基づいて、タイヤ製造工場内の調整すべき少なくとも１つの機器のパラメータを決定するデータ処理システムを含むことができる。本方法は、接合部許容誤差メトリックの値に応答して、タイヤ製造工場内の少なくとも１つの機器を調整するためのコマンドを提供するデータ処理システムを含むことができる。
【0007】
これら及び他の態様並びに実装形態は、以下で詳細に説明される。前述の情報及び次の詳細な説明は、様々な態様及び実装形態の例示的な例を含み、特許請求される態様及び実装態様の性質及び特徴を理解するための概要又は枠組みを提供する。図面は、様々な態様及び実装形態の例示及び更なる理解を提供し、この明細書に組み込まれ、この明細書の一部を構成する。
【図面の簡単な説明】
【0008】
添付の図面は、縮尺通りに図示されることを意図するものではない。様々な図面における同様の参照番号及び名称は、同様の要素を示す。明確にするために、全ての構成要素が全ての図面でラベル付けされ得るわけではない。図面
【0009】
【0010】
【0011】
【0012】
【0013】
【0014】
【0015】
【0016】
【発明を実施するための形態】
【0017】
以下は、機械学習を使用して接合部を改善する方法、装置、及びシステムに関連する様々な概念及びこれらの実装形態のより詳細な説明である。上で導入され、以下でより詳細に説明される様々な概念は、いくつかの方法のいずれかで実施され得る。
【0018】
この技術的な解決策は、機械学習を使用して接合部を改善するシステム及び方法を対象とする。例えば、タイヤ生産ラインには、タイヤを製造するための製造機器を含めることができる。製造機器は、様々な接合部を使用してタイヤを組み立てることができる。接合部は、製造機器の少なくとも１つのパラメータ設定に起因して許容誤差外にある場合がある。許容誤差外の接合部により、製造機器の警報を鳴らして稼働時間を遅らせるか、又は許容誤差外の接合部が検出されない場合は、欠陥タイヤ若しくは仕様通りに作製されないタイヤとなる可能性がある。更に、接合部が各製造機器間で許容誤差外にあるかどうかを検出すること、又は接合部がタイヤの接合部を組み立てる前に許容誤差外にあるかどうかを適時に検出することは困難であり得る。
【0019】
この技術的な解決策のシステム及び方法により、機械学習を使用して接合部を改善することができる。技術的な解決策では、製造工場で製造された欠陥製品の数を減少させるか、又は許容誤差仕様を満たす製品の生産速度を増加させることができる。技術的な解決策では、製造機器を停止することなく製造機器の動作パラメータを自動的に調整することによって、製造機器の非稼働時間を更に低減することができる。
【0020】
例えば、技術的な解決策には、タイヤなどの製品の製造に対応する値を受信することができるデータ処理システム（又は１つ以上のプロセッサ）を含めることができる。これらの値は、製造ライン又は工場内の製造機器又は他のデバイスを介して感知、測定、検出、又は別様に識別することができる。これらの値は、製品の製造中など、リアルタイムで受信することができる。これらの値は、リアルタイムデータストリーム又はデータフィード（例えば、１Ｈｚ、２Ｈｚ、３Ｈｚ、５Ｈｚ、１０Ｈｚなどの所定の速度でサンプリングされた値のデータストリーム、又は接合部の改善を容易にする他の速度）で受信することができる。データ処理システムは、受信された値を前処理して、統計的メトリックなどのこれらの値に基づいてメトリックを決定することができる。データ処理システムは、受信された値及び生成された統計的メトリックに基づいて行列を生成又は構築することができる。例えば、データ処理システムでは、（例えば、データ値を削除又はフィルタリングするための任意の初期の前処理の後に）受信された値を含む行列、並びに受信された値に関連付けられた統計的メトリックを生成することができる。データ処理システムは、出力値を予測、決定、又は別様に識別するために、行列を機械学習モデルに入力することができる。出力値は、入力行列に基づいて１つ以上の値を有する出力行列を含むことができる。機械学習モデルの出力には、例えば、製造されている製品の態様又は特性が許容誤差内又は許容誤差外にあるかどうかに関する分類を含めることができる。出力は、製造されている製品（例えば、タイヤ）の態様又は特性（例えば、接合厚さ又は場所）が許容誤差外にある度合いを更に示すことができる。データ処理システムは、機械学習モデル（又は１つ以上の機器若しくは機器に関連する態様のために構築された１つ以上の機械学習モデル）を使用して、許容誤差メトリック又は他の出力値を予測することに応答して、許容誤差外にあると予測又は識別された製品の態様又は特性を改善するために、製品を製造している１つの機器の動作を調整、修正、又は別様に操作するかどうかを決定することができる。データ処理システムは、制御コマンド又は命令を生成し、命令を１つの機器に提供することができる。例えば、データ処理システムは、接合部が許容誤差範囲を満たしていないか、又は満たさないことを予測し、次いで加圧ローラを調整して、接合部を改善するために圧力を増加又は減少させることができる。したがって、接合部に欠陥があるかどうかを前もって予測することにより、データ処理システムは、接合部を改善するために機器を事前に調整することができ、それにより、製造機器によって生産された欠陥タイヤの可能性、及び数を低減することができる。
【0021】
したがって、技術的な解決策では、タイヤの組み立て前に許容誤差外の接合部を予測し、接合部の問題を自動的に解決することができる。この予測は、欠陥タイヤの数を低減するか、又は非稼働時間（「Ｎ．Ｏ．Ｔ．（non-operational time）」）を低減することによって、タイヤの生産性を向上させることができる。Ｎ．Ｏ．Ｔ．は、製造機器における接合部が許容誤差を超えた警報に起因する場合がある。製造システムは、少なくとも、製造機器、センサ、及びデータ処理システムを含むことができ、データ処理システムは機械学習エンジンを含むことができる。機械学習エンジンは、製造機器に関連付けられた履歴データ値を使用して訓練することができる。履歴データ値は、以前の許容誤差外の接合部組み立てからなど、接合部の組み立てに関連付けられた値を含むことができる。
【0022】
図１は、タイヤを製造するための自律接合予測及び調整の例示的なシステムを図示するブロック図を示す。システム１００は、許容誤差外の接合予測及びパラメータ調整値に使用するための少なくとも１つのデータ処理システム１１０を含むことができる。パラメータは、特性と呼ぶことができる。データ処理システム１１０は、少なくとも１つのインターフェース１１２、少なくとも１つの入力生成器１１４、少なくとも１つのモデルマネージャ１１６、少なくとも１つの機器コントローラ１１８、少なくとも１つの機械学習エンジン１２０、及び少なくとも１つのデータリポジトリ１２８を含むことができる。データ処理システム１１０は、とりわけ、通信バス、回路、プロセッサ、通信インターフェースなどのハードウェア、又はハードウェアとソフトウェアとの組み合わせを含むことができる。データ処理システム１１０は、コンピュータ又はクラウド（例えば、遠隔デバイス又はシステム）上又はその中に存在することができる。例えば、図１は、データ処理システム１１０が製造機器１０４に対して遠隔であり得るように、ネットワーク１０１を介してデータ処理システム１１０と通信する製造機器１０４を示す。
【0023】
データリポジトリ１２８は、センサデータ構造１３０、メトリックデータ構造１３２、モデルデータ構造１３４、収集されたデータ構造１３６、機器ＩＤデータ構造１３８、コマンドデータ構造１４０、ポリシーデータ構造１４２、及び履歴データ構造１４４を含むか、又は記憶することができる。センサデータ構造１２４は、利用可能なセンサに関する情報、センサの識別情報、アドレス情報、インターネットプロトコル情報、一意の識別子、データ形式、センサと通信するために使用されるプロトコル、又はセンサタイプ若しくは識別子への情報タイプのマッピングを含むことができる。センサデータ構造１２４は、センサ１０８によって収集された情報を更に含むか、又は記憶することができる。センサデータ構造１２４は、タイムスタンプ、日付スタンプ、又は他の時間関連情報を使用してセンサデータを記憶することができる。センサデータ構造１２４は、機器ＩＤ１３８スタンプを使用してセンサデータを記憶して、このセンサデータを少なくとも１つの製造機器１０４に関連付けることができる。センサデータ構造１２４は、製造機器１０４から得られた様々なタイプの値に基づいてセンサデータを分類することができる。値のタイプは、少なくとも、例えば、温度データ、接合偏差データ、圧力データ、速度データ、厚さデータ、位置データ、向きデータ、又は負荷データを含むことができる。
【0024】
メトリックデータ構造１３２は、接合部の許容誤差を決定するために使用される様々なメトリックを含むか、記憶するか、又は維持することができる。メトリックとは、図４及び図５に示すような、データセット分析に関連する、少なくとも１つの接合偏差、接合部許容誤差、勾配導関数、勾配安定性、又は他の関数を導出するための１つ以上の関数を指すことができる。メトリックデータ構造１３２は、メトリックを製造機器１０４に対応するセンサデータと関連付けることができる。例えば、センサ１０８は、製造機器１０４に対応する位置又は向きデータタイプの値を提供することができる。この値は、センサデータ構造１３０に記憶することができる。センサ１０８の値は、データのコンパイルのための少なくとも１つのメトリックと関連付けられて、機械学習エンジン１２０の少なくとも１つの行列を生成することができる。
【0025】
メトリックデータ構造１３２は、センサデータ構造１３０からの少なくとも値若しくは値のタイプ、又はメトリックデータ構造１３２からのメトリックに基づいて、１つ以上の行列を更に含むか、又は記憶することができる。メトリックデータ構造１３２は、センサ１０８からの値を累積し、値を少なくとも１つのメトリックでコンパイルすることによって、生成された行列を記憶することができる。行列は、混同行列、精度行列、精密行列、感度行列、特異性行列、又は機械学習エンジン１２０が入力するのに適した他の関連行列を含むことができる。メトリックデータ構造１３２は、メトリックに関連付けられた値を再配置又は分類して、行列を機械学習エンジン１２０の入力として記憶することができる。メトリックデータ構造１３２は、データ処理システム１１０によって更新又は操作することができる。
【0026】
モデルデータ構造１３４は、機械学習エンジン１２０からの、又は機械学習エンジン１２０のための複数のモデルを含むか、維持するか、又は記憶することができる。モデルは、機械学習モデルと呼ぶことができる。モデルは、少なくとも、例えば、Ｄｅｅｐ Ｂｏｌｔｚｍａｎｎ Ｍａｃｈｉｎｅモデル、ＤｅｅｐＢｅｌｉｅｆ Ｎｅｔｗｏｒｋモデル、畳み込みニューラルネットワーク（「Convolutional Neural Network、ＣＮＮ」）モデル、又はＳｔａｃｋｅｄ Ａｕｔｏ－Ｅｎｃｏｄｅｒｓモデルを含むことができる。モデルデータ構造１３４は、機械学習エンジン１２０のための、又は機械学習エンジン１２０からのモデルを提供又は記憶することができる。モデルデータ構造１３４は、データ処理システム１１０によって更新又は操作することができる。
【0027】
収集されたデータ構造１３６は、機械学習エンジン１２０から生成された１つ以上の値を含むか、又は記憶することができる。値は、製造機器１０４に関連付けられたパラメータ値などの少なくとも１つの予測値を含むことができる。予測値は、一連の許容誤差内及び許容誤差外の接合部を示すことができる。例えば、収集されたデータ構造１３６は、機械学習エンジン１２０からの複数の予測値を記憶することができる。予測値は、製造機器１０４に関連付けられた複数の後続接合部の各々のためのパラメータを示すことができる。収集されたデータ構造１３６は、データ処理システム１１０によって更新又は操作することができる。
【0028】
機器ＩＤデータ構造１３８は、製造機器１０４に関連付けられた情報を含むか、又は記憶することができる。情報は、複数の製造機器から製造機器１０４を識別するための名称、モデル、型式、製造日、ルーティング番号、又は他の識別子を含むことができる。機器ＩＤデータ構造１３８は、各製造機器に対応する情報を、例えば、製造機器１０４のサブセットに分類するか、又はまとめることができる。機器ＩＤデータ構造１３８は、製造機器１０４を置き換えるときなどに、データ処理システム１１０によって更新又は操作することができる。
【0029】
コマンドデータ構造１４０は、製造機器１０４に出力するためのコマンドを含むか、又は記憶することができる。コマンドは、命令、プログラム、スクリプト、又はコントロールなどの他の記述用語と呼ばれるか、又はこれらと互換的に使用することができる。データ処理システム１１０は、コマンドを製造機器１０４に提供することができる。コマンドは、例えば、製造機器１０４の動作を開始、休止、継続、又は停止することができる。コマンドは、例えば、操縦速度、向き、タイミング、圧力、位置合わせ、及び／又は製造機器１０４と互換性のある他の動作を構成するように更に提供することができる。コマンドデータ構造１４０は、データ処理システム１１０によって更新又は操作することができる。
【0030】
ポリシーデータ構造１４２は、製造機器１０４の各々に関連付けられた１つ以上のポリシーを含むか、又は記憶することができる。ポリシーは、接合部の許容誤差を決定するための閾値と呼ぶことができる。ポリシーは、例えば、許容誤差範囲を決定するための中間点、最小点、最大点、又は他の指標を含むことができる。最小点又は最大点は、接合部が許容誤差外になる点を超える点を識別することができる。各製造機器１０４の許容誤差範囲は、機器ＩＤ１３８からの少なくとも１つの情報に基づいて異なり得る。ポリシーデータ構造１４２は、データ処理システム１１０によって更新又は操作することができる。
【0031】
履歴データ構造１４４は、履歴センサ値に関する情報、ニューラルネットワークを訓練又は調節するために使用される訓練セット、ユーザ選好、タイヤ情報／レシピ、事前予測情報、又は事前のパラメータ調整情報などの履歴データを含むか、又は記憶することができる。ニューラルネットワークを調節するとは、履歴データを含む訓練データセットをニューラルネットワークに提供して処理する、機械学習のプロセスを指すか、又はこれを含むことができる。調節とは、ニューラルネットワークが精度を改善することを可能にするために、ニューラルネットワークの訓練又は処理を指すか、又はこれを含むことができる。ニューラルネットワークを調節することは、例えば、ニューラルネットワーク（例えば、入力層１２２、隠れ層１２４、出力層１２６など）のために所望される問題のタイプ又は目標に対して成功することが証明されたアーキテクチャを使用して、ニューラルネットワークを設計することを含むことができる。場合によっては、１つ以上のニューラルネットワークは、同じ又は同様のベースラインモデルで開始してもよいが、調節（又は訓練若しくは学習プロセス）中に、結果ニューラルネットワークは、各ニューラルネットワークを調節して、特定のタイプの入力を処理し、ベースラインモデルで、又は異なる目標若しくは目的のために調節あるいは訓練された異なるニューラルネットワークと比較してより高いレベルの精度及び信頼性を備えた特定のタイプの出力を生成することができるように、十分に異なる可能性がある。ニューラルネットワークを調節することは、各ネットワークの異なるパラメータを設定すること、各ニューラルネットワークの異なるパラメータを微調節すること、又は異なる重み（例えば、ハイパーパラメータ、若しくは学習率）、テンソルフローを割り当てることを含むことができる。したがって、ニューラルネットワークの調節又は訓練プロセス及び目標に基づいて、各ニューラルネットワークのための異なるパラメータを設定することにより、データ処理システムは、経路生成プロセス全体の性能を改善することができる。
【0032】
データ処理システム１１０の構成要素の各々は、ハードウェア、又はソフトウェアとハードウェアとの組み合わせを使用して実装することができる。データ処理システム１１０の各構成要素は、メモリユニット（例えば、メインメモリ８１５又は記憶デバイス８２５）からフェッチされた命令に応答し、これらの命令を処理する論理回路（例えば、中央処理装置又はＣＰＵ）を含むことができる。データ処理システム１１０の各構成要素は、マイクロプロセッサ又はマルチコアプロセッサを含むか、又は使用することができる。マルチコアプロセッサは、単一の計算構成要素上に２つ以上の処理装置を含むことができる。データ処理システム１１０の各構成要素は、これらのプロセッサのいずれか、又は本明細書に記載されるように動作することができる任意の他のプロセッサに基づくことができる。各プロセッサは、命令レベル並列性、スレッドレベル並列性、異なるレベルのキャッシュなどを利用することができる。例えば、データ処理システム１１０は、ネットワーク１０１を介して通信するための少なくとも１つのプロセッサを有する計算デバイス又はサーバなどの少なくとも１つの論理デバイスを含むことができる。
【0033】
ネットワーク１０１は、インターネット、ローカル、ワイド、近距離通信、メトロ又は他のエリアネットワーク、並びに衛星ネットワーク、又は音声若しくはデータ携帯電話通信ネットワークなどの他のコンピュータネットワークなどのコンピュータネットワーク、並びにこれらの組み合わせを含むことができる。ネットワーク１０１は、機器間通信ネットワーク、例えば、機器間データ転送のためのデータ処理システム１１０及びその構成要素を含む構成要素のサブセットを含むか、又は構成することができる。ネットワーク１０１は、例えば、地点間ネットワーク、ブロードキャストネットワーク、電気通信ネットワーク、非同期転送モードネットワーク、同期光学ネットワーク、又は同期デジタル階層ネットワークを含むことができる。ネットワーク１０１は、赤外線チャネル又は衛星バンドなどの少なくとも１つの無線リンクを含むことができる。ネットワーク１０１のトポロジには、バス型、スター型、又はリング型ネットワークトポロジを含めることができる。ネットワーク１０１は、任意のプロトコル、又は高度な移動プロトコル、時間若しくはコード分割多重アクセスプロトコル、移動通信プロトコルのためのグローバルシステム、汎用パケット無線サービスプロトコル、又はＵＭＴＳ（universal mobile telecommunication system）プロトコルを含む機器又は他のデバイス間で通信するためのプロトコルを使用する携帯電話又はデータネットワークを含むことができ、同じタイプのデータを異なるプロトコルを介して送信することができる。
【0034】
データ処理システム１１０の構成要素及び要素は、別個の構成要素、単一の構成要素、又はデータ処理システム１１０の一部であり得る。例えば、インターフェース１１２、入力生成器１１４、モデルマネージャ１１６、機器コントローラ１１８、機械学習エンジン１２０、又はデータリポジトリ１２８（及びデータ処理システム１１０の他の要素）は、例えば、停止コマンドを開始し、モーションコマンドを開始し、タイミングデータを送信又は受信するように構成された１つ以上のプロセッサなどのハードウェアとソフトウェアとの組み合わせを含むことができる。
【0035】
データ処理システム１１０は、製造機器１０４から遠隔であってもよい。データ処理システム１１０の構成要素は、データ処理システム１１０がネットワーク１０１を介していくつかの構成要素をフェッチすることができるように、クラウド内でホストすることができる。例えば、データリポジトリ１２８上に示すデータの一部は、コマンド１４０、ポリシー１４２、又は履歴データ１４４を維持するサーバのクラウドなどの遠隔サーバ上に存在することができ、予測を生成するか、又はニューラルネットワークを訓練するために履歴データ１４４を得た時点で、データ処理システム１１０によって（例えば、ネットワーク１０１を介して）アクセスすることができる。データ処理システム１１０の構成要素は、互いに接続又は通信可能に結合することができる。データ処理システム１１０の様々な構成要素間の接続は、有線若しくは無線、又はこれらの任意の組み合わせであり得る。相対的なシステム又は構成要素は、他の製造機器１０４構成要素上でホストされ、構成要素間の通信又は調整を可能にすることができる。
【0036】
システム１００は、１つ以上の製造機器１０４を含むか、これらとインターフェース接続するか、又は別様に通信することができる。製造機器１０４は、鋼、金属、ゴム、ＡＢＳプラスチック、アルミニウム、チタン、炭素繊維、又は機械装置を構築するための様々な他の材料などの様々な材料で構成することができる。製造機器１０４は、例えば、押出機、カレンダー（例えば、ゴム化合物を薄いシートに圧搾する複数の大径ロールのセット）、タイヤ作製機、又はロボットを含む、１つ以上のタイプの製品を製造するように構成された１つ以上のタイプの機械を含むことができる。製造機器１０４は、１つ以上のパラメータを使用してタイヤを製造するための複数の接合部を組み立てることができる。製造機器１０４は、タイヤを製造するための１つ以上の接合部を組み立てるための１つ以上の構成要素を含むことができる。構成要素は、例えば、第１の機器、第２の機器、及び第３の機器としてラベル付けすることができる。製造機器１０４の各構成要素は、１つ以上の接合部を含むことができる。接合部は、例えば、左接合部、中間接合部、又は右接合部としてラベル付けすることができる。製造機器１０４は、例えば、加圧ローラであってもよい。製造機器１０４は、ネットワーク１０１を介してデータ処理システム１１０に情報を通信又は提供することができる。データ処理システム１１０は、提供された情報に基づくことができる１つ以上の命令を製造機器１０４に提供することができる。
【0037】
システム１００は、１つ以上のセンサ１０８を含むか、これらとインターフェース接続するか、又は別様に通信することができる。センサ１０８は、製造機器１０４に結合されるか、又はこれと関連付けることができる。センサ１０８は、データ処理システム１１０に情報を提供することができる。データ処理システム１１０は、センサデータ構造１３０内のセンサ１０８によって提供される情報を記憶することができる。データ処理システム１１０は、インターフェース１１２を介してセンサ１０８とインターフェース接続することができる。センサ１０８は、製造機器１０４の一部又は製造機器１０４から遠隔であり得る。データ処理システム１１０は、１つ以上の異なるタイプのセンサ１０８を含む第１の１つ以上のセンサからデータを収集することができる。第１の１つ以上のセンサは、例えば、温度センサ、近接センサ、圧力センサ、速度センサ、トルクセンサ、又は距離センサを含むことができる。データ処理システム１１０は、各接合部間の変位を測定するなどのために、向きデータ、圧力データ、負荷／重量データ、又は近接データなど、センサ１０８からの製造機器１０４情報を集合的に抽出することができる。
【0038】
開示されたシステム及び方法は、許容誤差外の接合部を低減することによってタイヤを製造するための改善された生産性を提供することができる。本開示は、時には、グラフィックプロットを介した予測に基づいてパラメータを調整することを指すことができるが、これは例示であって、決して限定することを意図するものではない。例えば、図４～図５では、一定期間にわたる接合部の予測又はデルタ差を示すことができる。接合部の少なくとも１つのパラメータは、データプロット４００又はデータプロット５００に表される値に基づいて調整することができる。
【0039】
データ処理システム１１０は、インターフェース１１２を含むことができる。インターフェース１１２は、情報を受信及び送信するように設計、構成、構築、又は操作することができる。インターフェース１１２は、ネットワークプロトコルなどの１つ以上のプロトコルを使用して情報を受信及び送信することができる。インターフェース１１２は、ハードウェアインターフェース、ソフトウェアインターフェース、有線インターフェース、又は無線インターフェースを含むことができる。インターフェース１１２は、１つの形式から別の形式へのデータの変換又はフォーマット化を容易にすることができる。例えば、インターフェース１１２は、ソフトウェア構成要素などの様々な構成要素間で通信するための定義を含むアプリケーションプログラミングインターフェースを含むことができる。インターフェース１１２は、１つ以上のセンサ１０８と通信して情報を収集又は受信するように設計、構築、又は操作することができる。インターフェース１１２は、１つ以上の機器コントローラ１１８と通信して、製造機器１０４を制御するためのコマンド又は命令を提供するように設計、構築、又は操作することができる。
【0040】
インターフェース１１２は、製造工場内の１つ以上の製造機器１０４の１つ以上のセンサ１０８によって感知、測定、又は検出された１つ以上の値を受信することができる。１つ以上の製造機器１０４の各機器は、対応する機器ＩＤ１３８に基づいて区別することができる。１つ以上のセンサ１０８から受信された被感知データは、１つ以上のセンサ１０８によって検出、取得、感知、収集、又は別様に識別されたデータを含むことができる。被感知データは、例えば、材料の速度、トルク、圧力、向き、温度、重量、密度、厚さ、長さ、色、硬度、又は他の特性など、１つ以上のセンサ１０８からのデータを含むことができる。例えば、速度データは、少なくとも１つの動作を実施する製造機器１０４に対応する動き情報を提供することができる。トルクデータは、例えば、材料を収集するために製造機器１０４を圧延するときに、製造機器１０４によって加えられる回転力を決定することができる。圧力データには、製造機器１０４上に貼り付けるために材料に加えられた圧力を含めることができ、例えば、材料は、１００ポンド／平方インチ（ｐｓｉ）で加圧ローラ（例えば、製造機器１０４）上に適用することができる。向きデータには、例えば、タイヤなどの単一の物体に接合部を位置合わせして組み立てるために、製造機器１０４内の各接合部の向きを含めることができる。向きは、例えば、０度、１０度、９０度、１８０度などを含むことができる。温度データは、材料又は製造機器１０４の温度を示すことができる。
【0041】
データ処理システム１１０は、機械学習エンジン１２０の少なくとも１つの入力を生成するように設計、構築、又は操作された入力生成器１１４を含むことができる。入力生成器１１４は、データ処理システム１１０の他の構成要素と相互接続することができる。入力生成器１１４は、インターフェース１１２を介して１つ以上のセンサ１０８によって感知された１つ以上の値に基づいて、１つ以上のメトリックを決定又は選択することができる。入力生成器１１４は、データリポジトリ１２８のセンサデータ構造１３０からの値にアクセスすることができる。入力生成器１１４は、メトリックデータ構造１３２の複数のメトリックに更にアクセスすることができる。入力生成器１１４は、メトリックデータ構造１３２に記憶されたメトリックのリストから少なくとも１つのメトリックを決定することができる。メトリックは、センサ１０８によって感知された値をメトリックデータ構造１３２からの少なくとも１つのメトリックと関連付けるなどのように分類することができる。関数を示すメトリックは、少なくとも接合偏差及び勾配導関数を算出することができる。接合偏差は、例えば、中心点から逸脱したデータ点の測定値であり得る。中心点は、理想的な又は所望の接合部を決定するための点であり得る中間点であってもよい。中間点は、ポリシー１４２に基づいて、データ処理システム１１０によって決定又は構成することができる。図４に示すように、ｙ軸は、加圧ローラ設定のモデル規定後の接合部重複又はすき間の許容可能な品質許容誤差及び実際の測定値を示すことができる。測定値は、例えば、センチメートル、ミリメートル、インチなどを含む任意の単位であってもよい。ｘ軸は、接合部が測定され、記録された日付及び時間を示すことができる。勾配導関数は、例えば、許容誤差外の接合部を予測するために許容誤差測定期間の間の移動平均勾配であり得る。例えば、入力生成器１１４は、複数の所定の期間にわたる移動平均の勾配（例えば、勾配導関数）を決定することができる。期間とは、複数の所定の期間にわたる移動平均を決定するための時系列を指すことができる。期間は、例えば、５、１０、２５、又は５０期間に設定されて、勾配を生成するための設定期間内にデータセットをグループ化することができる。複数の所定の期間は、少なくとも２つの異なる所定の期間で構成することができる。決定された勾配を使用して、機械学習エンジン１２０のための少なくとも１つの行列を生成することができる。
【0042】
入力生成器１１４は、機械学習エンジン１２０のための少なくとも１つの行列を生成することができる。行列は、センサ１０８によって感知された１つ以上の値に基づくことができる。行列は、センサ１０８によって感知された値と関連付けられたメトリックデータ構造１３２から決定又は選択されたメトリックに更に基づくことができる。行列は、例えば、センサ１０８及び対応する選択されたメトリックからの値を含むか、又はこれらに基づいて、二次元（「two-dimensional、２Ｄ」）又は三次元（「three-dimensional、３Ｄ」）アレイであり得る。行列は、機械学習エンジン１２０のデータを処理するためにグループ化、分類、ラベル付け、又は別様に編成することができる。入力生成器１１４は、センサデータ構造１３０に記憶されたタイムスタンプに基づいて、行列内のデータを編成することができる。入力生成器１１４は、センサ値履歴、ニューラルネットワークを訓練又は調節するために使用される訓練セット、ユーザ選好、タイヤ情報／レシピ、事前予測情報、又は事前のパラメータ調整情報など、履歴データ構造１４４から追加情報を取得して、計算のために機械学習エンジン１２０に提供することができる。入力生成器１１４は、選択されたメトリックを使用してセンサ１０８の値に基づいて計算されたデータを更に含むことができる。計算されたデータは、例えば、機械学習エンジン１２０の少なくとも１つの前処理工程を促進することができる。入力生成器１１４は、生成された行列をメトリックデータ構造１３２に記憶することができる。更なる例では、データ処理システム１１０は、以前に生成された行列を履歴データ構造１４４に転送することができる。例えば、入力生成器１１４は、第１の接合部の第１の行列を生成し、メトリックデータ構造１３２に第１の行列を記憶することができる。データ処理システム１１０は、第２の接合部を製造する指示に基づいて、第１の行列をメトリックデータ構造１３２から履歴データ１４４に転送して、履歴データ１４４に記憶された第１の行列に部分的に基づくことができる第２の行列を生成することができる。
【0043】
データ処理システム１１０は、製造機器１０４の少なくとも１つのパラメータを調整するための少なくとも１つの値を予測するように設計、構築、又は操作されたモデルマネージャ１１６を含むことができる。予測値は、メトリックデータ構造１３２に記憶された接合部許容誤差メトリックに提供することができる。接合部許容誤差メトリックは、接合部と理想的な接合部との間の許容誤差の差を決定するためのメトリックとすることができる。接合部の許容誤差は、メトリックデータ構造１３２に記憶された、生成された行列と関連付けることができる。接合部の許容誤差は、信頼性スコアとして識別することができる。信頼性スコアは、機械学習エンジン１２０からの少なくとも１つのモデルによって予測された接合部許容誤差メトリックの値と関連付けることができる。行列は、センサ１０８の値及びメトリックデータ構造１３２から選択されたメトリックに対応することができる。例えば、行列は、前述の接合部の様々な情報から生成することができる。生成された行列は、理想的な接合部（例えば、理想的な許容誤差値）と比較するための接合部の許容誤差値を決定することができる。場合によっては、接合部の許容誤差は、履歴データ構造１４４に記憶された行列と関連付けることができる。例えば、モデルマネージャ１１６は、履歴データ構造１４４からの履歴行列を利用して、１つ以上の来るべき接合部許容誤差値の予測を提供することができる。履歴行列は、例えば、少なくとも１つの組み立てられた接合部に対応する、履歴的に収集された接合部許容誤差値を含むことができる。理想的な接合部とは、予想値であると決定されたタイヤの圧力、寸法、形状、重量、又は他の態様などの標準値を有する接合部を指すことができる。接合部許容誤差メトリックは、例えば、圧力、向き、又は負荷など、接合部と理想的な接合部との間の少なくとも１つのパラメータのデルタ差を決定することができる。接合部許容誤差メトリックにより、接合部が許容誤差内又は許容誤差外にあるかどうかを更に決定することができる。許容誤差内又は許容誤差外は、バイナリ判定とすることができる。接合部許容誤差メトリックは、接合部が許容誤差レベルを超える大きさを決定することができる。許容誤差レベルとは、例えば、接合部が許容誤差内又は許容誤差外にあるかどうかを判定するために、少なくとも１つのパラメータの境界値又は閾値を指すことができる。許容誤差レベルは、ポリシーデータ構造１４２からの少なくとも１つのポリシーに基づくことができる。
【0044】
モデルマネージャ１１６は、データ処理システム１１０の様々な他の構成要素と相互接続することができる。モデルマネージャ１１６は、機械学習エンジン１２０と通信して、機械学習エンジン１２０によって生成された１つ以上のモデルを管理することができる。生成されたモデルは、１つ以上の情報をデータリポジトリ１２８に提供又は記憶する入力生成器１１４に基づくことができる。入力生成器１１４によって提供された情報は、行列を生成するためになど、少なくともセンサデータ１３０又はメトリック１３２を含むことができる。機械学習エンジン１２０は、センサデータ構造１３０、メトリックデータ構造１３２、又は履歴データ構造１４４からなど、データリポジトリ１２８から少なくとも情報又は行列を受信することができる。機械学習エンジン１２０と通信するモデルマネージャ１１６は、機械学習エンジン１２０からの少なくとも１つの結果に基づいて、少なくとも１つのモデルを生成することができる。モデルは、様々な情報を提供する製造機器１０４に対応して、モデルの行列を生成することができる。この結果は、データリポジトリ１２８からの様々な情報を使用して、機械学習エンジン１２０によって実施される様々な機械学習技術に基づくことができる。生成されたモデルは、製造機器１０４のパラメータに調整するための１つ以上の値を示すか、又は提供することができる。例えば、モデルマネージャ１１６を使用するデータ処理システム１１０は、少なくとも１つのポリシーに基づいて閾値を満たす接合部許容誤差値（例えば、信頼性スコア）に応答して、少なくとも１つの製造機器１０４構成要素のパラメータを調整することを決定することができる。
【0045】
モデルマネージャ１１６は、機械学習エンジン１２０から１つ以上のデータを受信することができる。モデルマネージャ１１６は、例えば、モデル生成構成要素、又は１つ以上のモデルを構築するための生成器を含むことができる。モデルマネージャ１１６は、機械学習エンジン１２０のデータを使用して、製造機器１０４の各構成要素のための複数のモデルを構築することができる。製造機器１０４の各構成要素は、タイヤの複数の接合部のうちの１つと対にすることができる。例えば、構成要素は、左接合部、中間接合部、又は右接合部と対にすることができる。場合によっては、モデルマネージャ１１６は、モデルデータ構造１３４に記憶された複数のモデルのうちの１つに対応するモデルを生成することができる。モデルマネージャ１１６は、例えば、生成されたモデルを複数のモデルのうちの１つとマージするように決定することができる。モデルマネージャ１１６は、複数のモデルのうちの１つを生成されたモデルと置き換えるように更に決定することができる。モデルマネージャ１１６は、モデルデータ構造１３４内の既存のモデルをマージ又は置き換えることなく、生成されたモデルを記憶するように更に決定することができる。
【0046】
モデルマネージャ１１６は、モデルデータ構造１３４に１つ以上の生成されたモデルを記憶することができる。生成されたモデルからのパラメータの１つ以上の予測値は、収集されたデータ構造１３６に記憶することができる。予測値は、時間枠内の接合部の数に対応することができる。例えば、モデルは、製造機器１０４のパラメータを調整するために、来るべき２０個の接合部の予測値を提供することができる。予測値は、例えば、対応する製造機器１０４のパラメータを調整するために、機器コントローラ１１８に提供することができる。モデルマネージャ１１６は、少なくとも１つの製造機器１０４構成要素又はモデルに関連付けられた接合部タイプに基づいて、生成されたモデルを分類又は編成することができる。例えば、製造機器１０４構成要素は、第１の機器、第２の機器、及び第３の機器とラベル付けされた３部を含むことができる。製造機器１０４構成要素の各々は、例えば、左接合部、中間接合部、及び右接合部とラベル付けされた３つの接合部を含むことができる。製造機器１０４構成要素の３つの構成要素及び各構成要素に関連付けられた３つの接合部は、一例として提供されており、この技術に限定されるものではない。したがって、更なる例では、システム１００は、２個、５個、１０個、又は１５個の構成要素又は接合部などの様々な数の製造機器１０４構成要素及び接合部を含むことができる。
【0047】
モデルマネージャ１１６は、モデルデータ構造１３４に記憶された少なくとも１つのモデルをリフレッシュ、更新、又は別様に訓練することができる。モデルマネージャ１１６は、製造機器１０４に対応するセンサ１０８から追加の又は新しい値を受信することに応答して、モデルを訓練することができる。例えば、モデルマネージャ１１６は、第１の製造機器１０４構成要素と関連付けられた第１のタイプの第１の接合部のための第１のモデルを生成することができる。次いで、モデルマネージャ１１６は、第１の製造機器１０４構成要素と関連付けられた第１のタイプの第２の接合部のための行列を受信することができる。モデルマネージャ１１６は、第１のタイプの接合部及び第１の製造機器１０４構成要素に対応する既存のモデルをリフレッシュ、更新、又は別様に訓練するように決定することができる。更新されたモデルは、更新された予測に基づいて、予測値を追加又は調整することができる。
【0048】
モデルマネージャ１１６は、１つ以上の製造機器１０４のうちの第１の機器及びタイヤの第１の接合部のための、モデルデータ構造１３４に記憶された複数のモデルのうちの第１のモデルを構築することができる。１つ以上の製造機器１０４のうちの機器は、加圧ローラ構成要素と呼ぶことができる。モデルマネージャ１１６は、第１の機器及びタイヤの第２の接合部のための、複数のモデルのうちの第２のモデルを構築することができる。モデルマネージャ１１６は、第１の機器及びタイヤの第３の接合部のための、複数のモデルのうちの第３のモデルを構築することができる。第１の接合部、第２の接合部、及び第３の接合部は、それぞれ、左接合部、中間接合部、及び右接合部と呼ぶことができる。モデルマネージャ１１６は、第２の機器及びタイヤの第１の接合部のための、複数のモデルのうちの第４のモデルを構築することができる。モデルマネージャ１１６は、第２の機器及びタイヤの第２の接合部のための、複数のモデルのうちの第５のモデルを構築することができる。モデルマネージャ１１６は、第２の機器及びタイヤの第３の接合部のための、複数のモデルのうちの第６のモデルを構築することができる。モデルマネージャ１１６は、第３の機器及びタイヤの第１の接合部のための、複数のモデルのうちの第７のモデルを構築することができる。モデルマネージャ１１６は、第３の機器及びタイヤの第２の接合部のための、複数のモデルのうちの第８のモデルを構築することができる。モデルマネージャ１１６は、第３の機器及びタイヤの第３の接合部のための、複数のモデルのうちの第９のモデルを構築することができる。
【0049】
データ処理システム１１０は、ネットワーク１０１を介して製造機器１０４を構成、操縦、又は別様に命令するように設計、構築、又は操作された機器コントローラ１１８を含むことができる。機器コントローラ１１８は、動作を開始、休止、継続、又は停止するなど、１つ以上の動作を実施するように製造機器１０４に命令することができる。機器コントローラ１１８は、製造機器１０４と互換性のある操縦速度、向き、タイミング、圧力、位置合わせ、及び／又は他の動作などの、製造機器１０４の１つ以上のパラメータを構成することができる。
【0050】
機器コントローラ１１８は、データ処理システム１１０の他の構成要素と相互接続することができる。機器コントローラ１１８は、収集されたデータ１３６、機器ＩＤ１３８、又はコマンド１４０などの、データリポジトリ１２８内の様々なデータ構造にアクセスすることができる。収集されたデータ１３６は、機械学習エンジン１２０と通信するモデルマネージャ１１６によって生成されたモデルに基づいた１つ以上の予測値を含むことができる。機器ＩＤ１３８は、例えば、１つ以上の命令を提供するために製造機器１０４と関連付けられたルーティングＩＤを表すことができる。機器ＩＤ１３８は、命令を提供するための製造機器１０４構成要素を更に表すことができる。コマンド１４０は、製造機器１０４又は製造機器１０４構成要素に提供するための命令を含むことができる。
【0051】
データ処理システム１１０は、１つ以上のコマンド１４０を生成、識別、決定、又は製造機器１０４に割り当てるために、１つ以上の製造機器１０４に関連付けられた状態情報を処理するように設計、構築、及び操作された機械学習エンジン１２０を含むことができる。コマンドは、製造機器１０４構成要素に更に連結、提供、又は転送することができる。製造機器１０４構成要素は、標的構成要素と呼ぶことができる。データ処理システム１１０は、機械学習エンジン１２０に、標的構成要素の情報を入力することができる。機械学習エンジン１２０は、入力層１２２、１つ以上の隠れ層１２４、及び出力層１２６を有するニューラルネットワーク（例えば、図６に示すニューラルネットワーク６００）を含むか、又は利用することができる。
【0052】
機械学習エンジン１２０は、例えば、接合部をタイヤに製造する前の接合部が、所定の接合点から逸脱する度合いに基づいて、モデルデータ構造１３４に記憶された１つ以上のモデルを訓練することができる。偏差とは、接合部の許容誤差と接合部に対応する理想的な許容誤差値との間のデルタ差を指すことができる。許容誤差の度合いとは、製造又は組み立てプロセス中のタイヤの温度、圧力、向き、又は位置などの様々なパラメータを指すことができる。機械学習エンジン１２０は、以前の接合の少なくとも１つの結果に基づいて、１つ以上のモデルを更に訓練することができる。以前の接合の結果は、少なくとも１つの、所定の期間数にわたる接合点の移動平均を含むことができる。その結果は、接合点の所定の移動平均数の勾配導関数を更に含むことができる。その結果は、図４及び図５に見られるように、調整されたパラメータを伴うか又は伴わない製造機器１０４の１つ以上の構成要素からのものとすることができる。
【0053】
機械学習エンジン１２０は、ニューラルネットワーク、機械学習技術、又はベースモデルを含むことができる。例えば、機械学習エンジン１２０は、畳み込みニューラルネットワークを含むことができる。機械学習エンジン１２０は、例えば、畳み込みニューラルネットワーク、深層畳み込みネットワーク、フィードフォワード型ニューラルネットワーク、深層フィードフォワード型ニューラルネットワーク、動径基底関数ニューラルネットワーク、コホネン自己組織化ニューラルネットワーク、リカレントニューラルネットワーク、モジュール型ニューラルネットワーク、長期／短期記憶ニューラルネットワークなどを含む、任意のタイプのニューラルネットワークを含むことができる。
【0054】
機械学習エンジン１２０は、１つ以上のニューラルネットワークを維持、管理、記憶、更新、調節、又は構成することができる。機械学習エンジン１２０は、ニューラルネットワーク又は１つ以上の隠れ層１２４のための異なるパラメータ、重み、訓練セット、又は構成を使用して、ニューラルネットワークが入力のタイプ（又は中間入力）を効率的かつ正確に処理し、出力のタイプ（又は中間出力）を生成することを可能にすることができる。ニューラルネットワーク又はその各隠れ中間層を構成及び調節することにより、データ処理システム１１０は、ニューラルネットワークを使用しないか、又は製造機器１０４情報を処理するように訓練又は構成されたニューラルネットワークを使用しないことに対して、接合部許容誤差が予測される効率、信頼性、及び精度を改善することができる。
【0055】
例えば、機械学習エンジン１２０は、畳み込みニューラルネットワークとして構成することができるか、又はこれを含むことができる。畳み込みニューラルネットワークは、各々が異なる目的を果たすことができる、１つ以上の畳み込みセル（又はプーリング層）及びカーネルを含むことができる。入力層１２２は、入力データを処理することができる畳み込みカーネルを含むことができ、プーリング層は、例えば、最大などの非線形関数を使用してデータを単純化し、それにより、不必要な特徴を低減することができる。製造機器１０４情報は、漏斗を形成する畳み込み層に送られ、検出された特徴を圧縮することができる。第１の層は、第１の特性を検出することができ、第２の層は、第２の特性を検出することなどができる。
【0056】
畳み込みニューラルネットワークは、視覚画像を分析するように構成された深層フィードフォワード型人工ニューラルネットワークのタイプであり得る。畳み込みニューラルネットワークは、最小限の前処理を使用するように設計された多層パーセプトロンを含むことができる。畳み込みニューラルネットワークは、これらの共有重みアーキテクチャ及び変換不変特性に基づいて、シフト不変又は空間不変人工ニューラルネットワークを含むか、又はこのように呼ぶことができる。畳み込みニューラルネットワークは、他の分類アルゴリズムと比較して比較的少ない前処理を使用することができるため、畳み込みニューラルネットワークは、他の分類アルゴリズム用にマニュアル設計され得るフィルタを自動的に学習し、それにより、ニューラルネットワークを構成、確立、又は設定することに関連付けられた効率を改善し、それにより、他の分類技術に対して技術的利点を提供することができる。
【0057】
深層学習エンジンは、入力層１２２及び出力層１２６を有するように設計及び構築された畳み込みニューラルネットワークなどのニューラルネットワークを使用することができる。ニューラルネットワークは、畳み込み層、プーリング層、完全に接続された層、又は正規化層を含み得る、１つ以上の隠れ層１２４を有することができる。例えば、畳み込み層では、データ処理システム１１０は、畳み込み演算を入力に適用することができ、その結果を次の層に送る。畳み込みは、個々のニューロンの視覚刺激への応答をエミュレートすることができる。各畳み込みニューロンは、その受容野に対してのみデータを処理する。畳み込み演算を使用して、完全に接続されたフィードフォワード型ニューラルネットワークと比較して、ニューラルネットワークで使用されるニューロンの数を低減することができる。したがって、畳み込み演算は、自由パラメータの数を低減し、より少ないパラメータでネットワークを深くすることができるため、この問題に対する技術的な解決策をもたらすのである。少なくともこのようにして、畳み込みニューラルネットワークを備えた機械学習エンジン１２０は、逆行性伝播を使用することによって多くの層を有する従来の多層ニューラルネットワークを訓練する際の消失勾配又は爆発勾配問題を解決することができる。
【0058】
畳み込みニューラルネットワークで構成された機械学習エンジン１２０は、１つ以上のプーリング層を含むことができる。１つ以上のプーリング層は、ローカルプーリング層又はグローバルプーリング層を含むことができる。プーリング層は、１つの層のニューロンクラスタの出力を次の層の単一のニューロンに組み合わせることができる。例えば、最大プーリングは、前の層のニューロンのクラスタの各々から最大値を使用することができる。別の例は平均プーリングであり、これは、前の層のニューロンのクラスタの各々から平均値を使用することができる。
【0059】
畳み込みニューラルネットワークで構成された機械学習エンジン１２０は、接続された層を含むことができる。接続された層は、１つの層のニューロンを別の層のニューロンに接続することができる。畳み込みニューラルネットワークで構成された機械学習エンジン１２０は、畳み込み層の共有重みを用いて構成することができ、これは、層内の各受容野に使用されている同じフィルタを指すことができ、それにより、メモリフットプリントを低減し、ニューラルネットワークの性能を改善する。
【0060】
畳み込みニューラルネットワーク内の隠れ層１２４は、入力層１２２で受信された製造機器１０４情報に基づいて情報を検出するように調節又は構成されたフィルタを含むことができる。畳み込みニューラルネットワーク内の各層を介したデータ処理システム１１０の工程として、データ処理システム１１０は、第１の層からの入力を変換し、変形された入力を第２の層に出力することなどができる。畳み込みニューラルネットワークは、検出されている物体又は情報のタイプ、及び入力された製造機器１０４情報のタイプに基づいて、１つ以上の隠れ層１２４を含むことができる。
【0061】
データ処理システム１１０は、少なくともセンサデータ１３０、メトリック１３２、又は履歴データ１４４を使用して、機械学習エンジン１２０のニューラルネットワークを訓練することができる。ニューラルネットワークは、データ処理システム１１０の１つ以上のサーバ上で、又はデータ処理システム１１０から遠隔で訓練することができる。機械学習エンジン１２０のニューラルネットワークは、１つ以上のコマンド１４０を提供して標的構成要素を制御し、製造機器１０４の非稼働時間を低減するために、標的構成要素からのパラメータ及び許容誤差情報などの接合部情報を処理、分析、又は使用して、パラメータ調整のための１つ以上の値を予測するように訓練することができる。
【0062】
データ処理システム１１０は、機械学習エンジン１２０からの出力に基づいて、予測値（例えば、データリポジトリ１２８に記憶された収集されたデータ１３６）を製造機器１０４に割り当てることができる。データ処理システム１１０は、機械学習エンジン１２０を使用して、例えば、製造機器１０４を提供するために、機器コントローラ１１８のパラメータ値を調整することができる。データ処理システム１１０は、機械学習エンジン１２０の出力層１２６を介して、予測値を出力して、標的構成要素、又は製造機器１０４の１つ以上の他の構成要素に割り当てることができる。そうするために、データ処理システム１１０は、標的構成要素のための様々な接合部情報（例えば、圧力、向き、寸法、温度）を、ニューラルネットワークの入力層１２２に入力することができる。データ処理システム１１０は、（例えば、機械学習エンジン１２０を介して）この情報を分析して、予測値を標的構成要素に割り当てることができる。例えば、接合部の許容誤差が、少なくとも１つのポリシー１４２に基づいて、許容誤差レベル未満である場合、データ処理システム１１０は、機械学習エンジン１２０を使用して、許容誤差外の接合部を低減するために標的構成要素のパラメータを調整するための予測値を提供するように決定することができる。接合部許容誤差を修正するために標的構成要素を調整するためのパラメータ値は、接合部のタイプに関連付けられた標的構成要素の少なくとも１つの圧力、向き、位置合わせ、又は位置値を含むことができる。接合部のタイプは、左接合部、中間接合部、又は右接合部を含むことができる。しかしながら、接合部が少なくとも１つのポリシー１４２（例えば、理想的な接合部の中間点から低いデルタ差）に基づいて許容誤差範囲内にある場合、データ処理システム１１０は、機械学習エンジン１２０を使用して、パラメータの調整値を提供しないように決定することができる。代わりに、データ処理システム１１０は、モデル１３４をリフレッシュ、更新、又は訓練して、予測範囲を更に増加するように決定することができる。例えば、モデルは、２０個の来るべき接合部のための許容誤差レベルを予測し、少なくとも１つの接合部情報でモデルを更新することによって、更新されたモデルは、２５個、３０個、又は４０個の来るべき接合部のための許容誤差レベルを予測することができる。
【0063】
第２のニューラルネットワークは、機械学習エンジン１２０によって維持することができる。第２のニューラルネットワークは、図６に示すニューラルネットワーク６００の１つ以上の構成要素又は機能性を含むことができる。第２のニューラルネットワークは、畳み込みニューラルネットワークなどのニューラルネットワーク６００と同じタイプのニューラルネットワークであり得る。第２のニューラルネットワークは、製造機器１０４のパラメータを調整するための予測値を生成することができる。例えば、製造機器１０４は、センサ１０８を使用して各構成要素の様々な情報を提供することができ、データ処理システム１１０は、複数の構成要素の各々の情報を機械学習エンジン１２０に入力して、複数の構成要素の各々に値を割り当て、複数の構成要素のうちの少なくとも１つの構成要素に１つ以上のコマンド１４０を指示して、許容誤差外の接合部を低減するためのパラメータを変更することができる。
【0064】
データ処理システム１１０が製造機器１０４の１つ以上の構成要素の更新された状態情報を受信すると、データ処理システム１１０は、履歴データ１４４及び更新されたパラメータ値、センサ１０８からの被感知値、又は任意の後続のパラメータ値に基づいて、製造機器１０４のための更新されたモデルを生成することができる。データ処理システム１１０は、更新された情報が、例えば、各接合部に関連付けられた製造機器１０４のセンサ１０８又は各構成要素から受信されたときに、製造機器１０４のためのモデルを継続的に更新又は再生することができる。したがって、データ処理システム１１０は、履歴データ１４４、電流受信センサ１０８情報、及びパラメータ値に基づいて、製造機器１０４のためのモデルを継続的又は定期的に更新することができる。
【0065】
図２は、一実施形態による、予測分析プロセスのための機械学習エンジンの例示的な動作図を示す。動作２００は、図１及び図８に示す１つ以上のシステム、構成要素、又は機能によって実施することができる。例えば、動作は、データ処理システム、製造機器、センサ、インターフェース、入力生成器、モデルマネージャ、機器コントローラ、機械学習エンジン、又はデータリポジトリによって実施することができる。ＡＣＴ２０４において、データ処理システムは、訓練データを受信、識別、又は収集して、機械学習エンジンからの少なくとも１つのモデルを訓練することができる。訓練データは、少なくとも１つの遠隔サーバ、履歴データ、センサデータ、又は現在若しくは過去の接合部に関する様々な情報を含む他のデータベースからであり得る。訓練データは、例えば、生産データ、圧力パラメータデータ、タイヤ構築データ、又は接合データ履歴を含むことができる。訓練データは、子構成要素生産データ、及びロット追跡データを更に含むことができる。子構成要素生産データとは、製造機器の各構成要素を指すことができる。訓練データは、各子構成要素に対応することができる。例えば、訓練データは、製造機器の第１の機器の左接合部に対応することができ、異なる訓練データは、製造機器の第２の機器の右接合部に対応することができる。ロットトランスデータは、接合部を生産するための材料情報を含むことができる。ロット追跡データは、例えば、接合部を生産するための少なくとも１つの材料、構造、寸法、又はテクスチャを含むことができる。
【0066】
ＡＣＴ２０８において、データ処理システムは、ＡＣＴ２０４の訓練データを機械学習エンジンに送って訓練することができる。機械学習エンジンは、図１でより詳細に説明されるように、訓練データを使用して１つ以上の機械学習技術を実施することができる。機械学習エンジンは、データ処理システムのインターフェースを介して１つ以上の訓練データを受信することができる。機械学習エンジンは、訓練データに基づいて少なくとも１つのモデルを生成又は更新することができる。モデルは、モデルデータ構造に記憶することができる。
【0067】
ＡＣＴ２１２において、データ処理システムは、生成されたモデルを機械学習エンジンに送って、追加の機械学習技術を実施することができる。ＡＣＴ２１６において、データ処理システムは、入力データを機械学習エンジンに送ることができる。入力データは、センサデータに基づいて、様々なセンサデータ及び選択されたメトリックを表すことができる。入力データは、例えば、現在の接合部又は過去に製造された接合部に対応する情報を更に表すことができる。センサデータ及び選択されたメトリックを使用して、機械学習エンジンに入力するための行列を生成することができる。
【0068】
ＡＣＴ２２０において、データ処理システムは、入力データとモデルとの両方を機械学習エンジンに送ることができる。機械学習エンジンは、入力データ及びモデルをマージして、パラメータ調整値を予測するためのモデルを更新することができる。ＡＣＴ２２４において、データ処理システムは、パラメータ調整値を予測することができる。パラメータ調整値は、ＡＣＴ２２０からの更新されたモデルに基づくことができる。予測は、データリポジトリ内の収集されたデータに記憶することができる。データ処理システムは、予測値に基づいて、製造機器に少なくとも１つのコマンドを提供することができる。予測値は、例えば、現在の許容誤差外の接合部に対する、接合部の圧力、向き、又は位置合わせを含むことができる。
【0069】
ＡＣＴ２２８において、データ処理システムは、接合部に対応する構成要素のパラメータへの調整に基づいて、接合部の決定又は評価を実施することができる。例えば、データ処理システムは、構成要素のパラメータの変更に続いて、接合部が許容誤差範囲内にあると決定することができる。許容誤差範囲とは、例えば、中間点からの少なくとも１つのデルタ差を指すことができる。許容誤差内の接合部に基づいて、データ処理システムは、製造機器のパラメータを更に調整することを決定することができる。更なる例では、データ処理システムは、パラメータ調整に基づいて、接合部が許容誤差外にあると決定することができる。データ処理システムは、再評価のためのモデルを訓練及び更新するように決定することができる。動作２００は、例えば、ＡＣＴ２０８、ＡＣＴ２１２、ＡＣＴ２２０、ＡＣＴ２２４、及びＡＣＴ２２８から順次、周期的に繰り返すことができる。ＡＣＴ２０４の訓練データ及びＡＣＴ２１６の入力データは、現在の接合又は接合履歴に対応する、１つ以上の情報を受信することに基づいてモデルを訓練するために、動作２００のサイクルに提供することができる。
【0070】
図３は、一実施形態による、機械学習エンジンのモデルを管理するための分析データ階層の例示的な動作図を示す。動作３００は、図１及び図８に示す１つ以上のシステム、構成要素、又は機能によって実施される。例えば、動作は、データ処理システム、製造機器、センサ、インターフェース、入力生成器、モデルマネージャ、機器コントローラ、機械学習エンジン、又はデータリポジトリによって実施することができる。動作３００では、パラメータ調整を予測するための様々なモデルの生成を実証することができる。動作３００には、機械タイプ３０４、タイヤタイプ３０８、製造機器３１２、構成要素３１６、及び接合部３２０など、タイヤを製造するためのデータ階層の様々な構成要素を含めることができる。製造機器３１２とは、図１の製造機器１０４を指すことができる。データ処理システムは、タイヤ製造機械と関連付けられた型式、モデル、又は他の機器ＩＤに基づいて、機械タイプ３０４を決定することができる。
【0071】
データ処理システムは、少なくとも１つのロット追跡データを受信するために、機械タイプ３０４のタイヤタイプ３０８を決定することができる。タイヤタイプ３０８は、１つ以上のタイプの車両との適合性に基づくことができる。例えば、タイヤタイプ３０８は、セダン、ミニバン、トラック、ＳＵＶ、又は他のタイプの車両のためのものであり得る。タイヤタイプ３０８は、材料の寸法及び厚さに基づく。データ処理システムは、１つ以上のパラメータを調整するための製造機器３１２を決定して、タイヤタイプ３０８を製作又は生産することができる。データ処理システムは、タイヤタイプ３０８の指示を少なくとも１つの製造機器３１２に送って、１つ以上の接合部３２０を使用してタイヤタイプ３０８の対応するタイヤを製作又は生産することができる。
【0072】
データ処理システムは、機器ＩＤに基づいて、複数の製造機器３１２から各製造機器３１２を識別することができる。複数の製造機器３１２は、ＶＭＩ Ｍａｘｘ又は他の関連するタイヤ作製機（「tire building machine、ＴＢＭ」）などのタイヤ製造機のうちの１つであり得る。機械タイプ３０４は、様々な関連する動作能力及びパラメータを決定することができる。データ処理システムは、機器ＩＤを更に使用して、複数の構成要素３１６の各構成要素を識別して１つ以上のパラメータを調整することができる。製造機器３１２は、複数の製造機器３１２の各々に対応する様々な構成要素３１６を含むことができる。製造機器の構成要素３１６は、例えば、少なくとも１つの第１の機器３１７、第２の機器３１８、及び第３の機器３１９を含むことができる。各構成要素とは、タイヤを製造するための製造機器３１２の一部を指すことができる。各構成要素は、タイヤを製造するための対応する接合部３２０を含むことができる。接合部３２０は、製造機器３１２の構成要素３１６を識別することと同様に、機器ＩＤを使用して識別することができる。接合部は、左接合部３２２、中間接合部３２４、又は右接合部３２６などの様々な接合タイプを含むことができる。接合部３２０は、構成要素３１６の各々に対応することができ、例えば、第１の機器３１７は、第１の左接合部３２２、第１の中間接合部３２４、及び第１の右接合部３２６を含むことができ、第２の機器３１８は、第２の左接合部３２２、第２の中間接合部３２４、及び第２の右接合部３２６を含むことができ、第３の機器３１９もこれに続いて、第３の機器３１９に対応する接合部３２０を含むことができる。データ処理システムは、構成要素３１６の少なくとも１つの接合部３２０に対応する１つ以上の値を受信することができる。値は、少なくとも１つのメトリックと共に使用して、機械学習エンジンのための行列を生成することができる。機械学習エンジンは、製造機器の各構成要素の各接合部に対応するモデルを生成又は更新することができる。モデルは、例えば、パラメータ調整のための対応する接合タイプに基づいてモデルを編成、分類、グループ化、又は別様に配置するために、モデルマネージャ１１６に提供することができる。
【0073】
加えて、動作３００では、本明細書に記載の工程を実施することができる。データ処理システムは、タイヤを製造するための機械タイプ３０４を識別して、１つ以上の製造機器３１２情報を収集することができる。データ処理システムは、製造するタイヤのタイヤタイプ３０８を更に識別することができる。データ処理システムは、タイヤタイプ３０８のタイヤを製造することに対応する、複数の製造機器３１２からの製造機器３１２のうちの少なくとも１つを選択することができる。データ処理システムは、情報収集のために、第１の機器３１７、第２の機器３１８、又は第３の機器３１９など、構成要素３１６のうちの１つを更に選択することができる。データ処理システムは、左接合部３２２、中間接合部３２４、又は右接合部３２６などの接合部３２０のうちの少なくとも１つに対応する少なくとも１つのパラメータを調整するために、選択された構成要素３１６から情報を収集することができる。データ処理システムは、モデルを更新、生成、又は管理するために、収集された情報をモデルマネージャ１１６に提供することができる。
【0074】
図４は、一実施形態による、中間点／中心線からの接合偏差の例示的な図を示す。図４は、例えば、データ処理システム、製造機器、センサ、インターフェース、入力生成器、モデルマネージャ、機器コントローラ、機械学習エンジン、又はデータリポジトリによることを含む、図１、図２、図３、又は図７に示す１つ以上のシステム、構成要素、又は機能によって生成され得るデータプロット４００を示す。データプロット４００は、中間点４１０、接合偏差４１５（例えば、データセット４１５）、及び許容誤差範囲外４２０を示す。中間点４１０とは、理想的な状態又はパラメータ下の接合部の予想値点などの理想的な点又は中心線を指すことができる。データプロット４００の許容誤差範囲外４２０部分とは、接合部が１つ以上のポリシーを超えるように、接合部が許容誤差外と見なされる範囲を指すことができる。接合偏差４１５を考慮すると、データプロット４００上の複数の点は、許容誤差外にあると指摘することができる。例えば、おおよその時間８５、５２９、及び８２９において、所与の時間における接合は、許容誤差範囲を超えて（例えば、過ぎて）逸脱した。許容誤差範囲を通過する接合部は、許容誤差外と見なすことができる。データプロット４００では、許容誤差内又は許容誤差外のバイナリを測定するのではなく、接合部が理想的な中間点から逸脱した度合いの測定値を実証する。偏差は、メトリックデータ構造に記憶された少なくとも１つのメトリックに基づくことができる。データプロット４００は、１つ以上のモデルを生成するための複数の値及びメトリックに対する、機械学習エンジン分析のグラフ例であり得る。
【0075】
図５は、一実施形態による、接合偏差４１５のための勾配導関数の例示的な図を示す。図５は、例えば、データ処理システム、製造機器、センサ、インターフェース、入力生成器、モデルマネージャ、機器コントローラ、機械学習エンジン、又はデータリポジトリによることを含む、図１、図２、図３、又は図７に示す１つ以上のシステム、構成要素、又は機能によって生成され得るデータプロット５００を示す。データプロット５００は、データプロット４００と同様の説明を含むことができる。データプロット４００と同様のデータプロット５００は、少なくとも１つの期間の移動平均に基づいて勾配を計算するために、勾配導関数などの少なくとも１つの勾配関数を実施することができる。例えば、データプロット５００上の第１のデータセット４２５は、許容誤差外の接合部を予測するための２０期間の移動平均を使用した勾配導関数を表すことができる。データプロット５００上の第２のデータセット４３０は、許容誤差外の接合部を予測するための５０期間の移動平均を使用した勾配導関数を表し得る。少なくとも移動平均関数及び対応する勾配を使用することにより、データ処理システムは、データプロット５００の運動量の観察を提供して、少なくとも１つの時間、接合部、バッチ、又は以前のパラメータに基づいて許容誤差外にあり得る接合数を予測することができる。
【0076】
図６は、一実装態様による、許容誤差外の接合部を予測し、製造機器のパラメータを決定するために機械学習エンジンによって使用されるニューラルネットワークの一例を示す。図６は、ネットワークに相互接続されたインターフェースを介して製造機器の１つ以上のパラメータを調整するために、機械学習エンジンによって使用されるニューラルネットワークの例示的な動作を示す。動作は、図１、図２、図３、図７、又は図８に示す１つ以上のシステム、構成要素、又は機能によって実施することができる。例えば、動作は、データ処理システム、製造機器、センサ、インターフェース、入力生成器、モデルマネージャ、機器コントローラ、機械学習エンジン、又はデータリポジトリによって、又はこれらを介して実施することができる。
【0077】
ＡＣＴ６１０において、データ処理システムは、ニューラルネットワーク６００の入力層１２２にある製造機器のセンサから様々な情報を入力することができる。センサ１０８からの様々な情報は、図１で更に詳細に説明することができる。データ処理システムは、センサ１０８によって感知された情報に対応する、少なくとも１つの選択されたメトリックを更に入力することができる。データ処理システム１１０は、入力生成器１１４を使用して、センサ情報（例えば、１つ以上の値）及び選択されたメトリックに対応する行列を生成することができる。生成された行列は、機械学習エンジンを提供するためにデータをフィルタリングするためなど、メトリックを使用してセンサ情報を分類することができる。データ処理システムは、入力層１２２で行列を入力することができる。
【0078】
ＡＣＴ６１０における入力に続いて、データ処理システムは、入力情報をニューラルネットワーク６００の共有畳み込み層に送ることができる。入力層１２２は、入力として、少なくともセンサデータ、メトリック、又は履歴データを受信し、データを隠れ層１２４に出力するように訓練、構成、又は操作することができる。ニューラルネットワークは、第１の隠れ層６２４及び第２の隠れ層６２８などの複数の隠れ層を含むことができる。ニューラルネットワークは、第３の隠れ中間層（図示せず）及び第４の隠れ中間層（図示せず）を更に含むことができる。ニューラルネットワークは、出力層１２６を含むことができる。
【0079】
隠れ層１２４は、畳み込み層、プーリング層、完全に接続された層、又は重み付け層であり得る。層内の各ノードは、データに対してプロセス又は動作を実施することができる。各ノード又は層は、入力データを変形して、出力データ（例えば、後続の層に送ることができる中間出力、又はシステム内の別の構成要素に送る最終出力）を生成することができる。
【0080】
例えば、第１の入力層１２２は、製造機器情報データを受信し、データを処理してデータを第１の中間出力に変形し、第１の中間出力を第１の隠れ層６２４に転送することができる。第１の隠れ層６２４は、第１の中間出力を受信し、第１の中間出力を処理して、第１の中間出力を第２の中間出力に変形し、第２の中間出力を第２の隠れ層６２８に転送することができる。第２の隠れ層６２８は、第２の中間出力を受信し、第２の中間出力を処理して、第２の中間出力を第３の中間出力に変形し、第３の中間出力を第３の隠れ中間層（図示せず）に転送することができる。第３の隠れ中間層は、第３の中間出力を受信し、第３の中間出力を処理して、第３の中間出力を第４の中間出力に変形し、第４の中間出力を第４の隠れ中間層（図示せず）に転送することができる。第４の隠れ中間層は、第４の中間出力を受信し、第４の中間出力を処理して、第４の中間出力を第５の中間出力に変形し、第５の中間出力を出力層１２６に転送することができる。出力層１２６は、第５の中間出力を受信し、第５の中間出力を処理して、第５の中間出力を最終出力に変形し、最終出力を転送することができる。最終出力予測には、許容誤差内予測６３４及び許容誤差外予測６３８を含めることができる。出力予測（例えば、許容誤差内予測６３４、許容誤差外予測６３８など）は、例えば、入力に対応する接合部の圧力レベル、厚さレベル、位置、又は向きに対応することができる。例えば、最終出力は、許容誤差外予測６３８にパラメータ調整のための少なくとも１つの値を提供することができる。最終出力は、製造機器のパラメータ又は出力層１２６によって生成されたモデルを少なくとも維持するために、許容誤差内予測６３４を更に提供することができる。出力予測は、製造機器の構成要素に対応する少なくとも１つのモデルを生成又は更新するために使用することができる。したがって、ニューラルネットワーク６００は、製造機器情報を受信し、１つ以上の隠れ層を有する畳み込みニューラルネットワークを使用して予測を出力するように構成、訓練、調節、又は操作することができる。
【0081】
図７は、一実装態様による、タイヤを製造するための例示的な方法を図示するフロー図を示す。方法７００は、例えば、データ処理システム、製造機器、センサ、インターフェース、入力生成器、モデルマネージャ、機器コントローラ、機械学習エンジン、又はデータリポジトリによることを含む、図１～図６又は図８に示す１つ以上のシステム、構成要素、又は機能によって実施することができる。ＡＣＴ７０４において、データ処理システムは、センサデータを受信することができる。データ処理システムは、各製造機器構成要素の１つ以上のセンサによって感知されたデータを受信することができる。データ処理システムは、定期的に、継続的に、要求に応答して、事象又はトリガに応答して、センサデータを受信することができる。データ処理システムは、１つ以上のセンサからセンサデータを受信することができる。データ処理システムは、センサに関連付けられた特性又は測定の変更を検出し、次いで、変更を検出した特定のセンサから、更新された情報を要求することができる。データ処理システムは、全てのセンサからのデータを要求することができる。データ処理システムは、データ処理システムによって実施されている動作のタイプに基づいてセンサのサブセットからのデータを要求することができ、それにより、センサ計算資源利用、プロセッサ利用、メモリ利用、又はＩ／Ｏ利用を低減する。例えば、データ処理システムは、温度センサ、近接センサ、圧力センサ、速度センサ、トルクセンサ、又は距離センサへのアクセスを有し得る。データ処理システムは、例えば、各接合部の接合部許容誤差レベルを決定するために、圧力センサなどの単一のセンサを使用するように決定することができる。この例では、圧力情報は、少なくとも１つのパラメータ値を予測するための機械学習エンジンの入力を生成するために提供することができる。
【0082】
ＡＣＴ７０８において、データ処理システムは、１つ以上のセンサからのデータが、モデル又は予測を生成するための機械学習エンジンへの入力に不十分であると決定することができる。いくつかの実施形態では、データ処理システムは、センサ１０８からインターフェース１１２によって受信されたデータが有効であるかどうかを判定する。例えば、収集されたセンサデータは、十分な解像度、粒度、又はサンプリングレートを有さない場合がある（例えば、サンプリングレートは、少なくとも１つのポリシーに基づく値未満であり得る）。収集されたセンサデータは、低い信号対ノイズ比（例えば、ポリシー上の値未満）を有し得る。収集されたセンサデータは、大量のアーチファクト又はノイズ（例えば、ポリシーに基づく値よりも大きい）を有し得る。ポリシーは、例えば、パラメータ調整値を予測するのに無効又は不正確なモデルの生成を防止するために、ノイズが特定の値を超えていることに基づいて、センサデータを受け入れないか、又は記憶しないように決定することができる。収集されたセンサデータは、誤った読み取り値（例えば、パラメータ値を予測するために設定された値よりも大きい範囲測定値）を有し得る。センサは、収集されたセンサデータの中で誤動作又は障害を示す場合がある。データ処理システムは、例えば、データ又はデータ充足性の少なくとも有効性を決定することに基づいて、ＡＣＴ７０４に戻ることによって、第２のセンサデータを受信することができる。充足性とは、接合部の正確な描写のためにセンサ１０８によって得られたデータ量を指すことができる。第２の実施形態では、データ処理システムは、受信されたデータが有効であると決定することができる。センサ１０８からの有効データは、センサデータ構造に記憶することができる。
【0083】
ＡＣＴ７１２において、データ処理システムは、製造機器構成要素に対応する少なくとも１つの新しい又は追加のセンサ情報の受信を決定することができる。データ処理システムは、センサ１０８によって受信されたデータのタイプ、例えば、温度データ、近接データ、圧力データ、又は距離データを決定することができる。データ処理システムは、入力生成器を使用して、センサデータの値又はタイプに基づいて、メトリックデータ構造に記憶された少なくとも１つのメトリックを選択することができる。メトリックは、製造機器構成要素に対応する、各接合部の許容誤差を決定するために使用されるデータを分類又は編成するための複数の関数を含むことができる。
【0084】
ＡＣＴ７１６において、データ処理システムは、入力生成器１１４を利用して、機械学習エンジンに入力するための行列を生成することができる。行列は、ＡＣＴ７０４及びＡＣＴ７１２のように、収集されたセンサデータ及び決定されたメトリックに基づくことができる。行列は、図１に記載されるように、混同行列、精度行列、精密行列、感度行列、特異性行列、又は機械学習エンジンに入力するための他の関連する行列を含むことができる。データ処理システムは、メトリックデータ構造内の行列を１つ以上のメトリックと共に記憶することができる。場合によっては、メトリックデータ構造に記憶された行列は、データリポジトリから除去されるか、又は少なくとも１つの履歴データ構造若しくは遠隔データリポジトリに転送することができる。行列は、例えば、データリポジトリ１２８内の１つ以上のメモリ空間を新たに割り当てるために除去又は転送される可能性がある。行列は、モデルを生成するために行列を受信する機械学習に基づいて、更に除去又は転送される可能性がある。
【0085】
ＡＣＴ７２０において、データ処理システムは、接合部許容誤差メトリックの値を予測することができる。データ処理システムは、少なくとも１つのパラメータの値を予測して調整することができる。予測値は、収集されたデータ構造に記憶することができる。データ処理システムは、入力生成器から生成された行列を、入力層で機械学習エンジンに入力することができる。機械学習エンジンは、様々な機械学習技術を実施して、製造機器構成要素及び接合タイプに対応する少なくとも１つのモデルを生成又は更新することができる。モデルマネージャは、機械学習エンジンによって生成された複数のモデルを編成、分類、又は別様に管理して、モデルデータ構造に記憶することができる。モデルマネージャは、例えば、第１の機器、第２の機器、又は第３の機器の各々に対応する左タイプ、中間タイプ、又は右タイプとしてモデルを編成又は分類することができる。モデルデータ構造は、モデルマネージャによって維持、更新、又はアクセスすることができる。場合によっては、データ処理システムは、製造機器構成要素及び接合タイプに関連付けられた新しい又は追加の行列を機械学習エンジンに提供することができる。モデルマネージャは、関連する製造機器構成要素及び接合タイプを有するモデルの存在を決定することができる。モデルマネージャは、新しい又は追加の行列に基づいてモデルを更新するために、モデルを機械学習エンジンに提供することができる。
【0086】
場合によっては、機械学習エンジンは、モデルマネージャの新しいモデルを生成することができる。モデルマネージャは、モデルと関連付けられた重複製造機器構成要素又は接合タイプに基づいて、新しいモデルを既存のモデルとマージするか、既存のモデルを置き換えるか、又はモデルデータ構造に重複モデルを記憶するように決定することができる。接合部許容誤差メトリックは、図１に記載されるように、接合部の許容誤差と各接合部の理想的な許容誤差との間で異なるデルタの指示を提供することができる。別の場合では、機械学習エンジンは、モデルを生成するための少なくとも１つの履歴データを更に使用することができる。履歴データはまた、製造機器構成要素又は接合タイプに対応するデータセットを含むことができる。
【0087】
ＡＣＴ７２４において、データ処理システムは、接合部が許容誤差外にあるかどうかを判定することができる。いくつかの実施形態では、データ処理システムは、接合偏差４１５が許容誤差範囲外４２０内にあるかどうかを判定する。接合部許容誤差及び許容誤差範囲外４２０は、機械学習エンジンから生成されたモデルによって決定することができる。データ処理システムは、接合部が、接合部許容誤差と、製造機器構成要素又は接合タイプに対応する、接合部の理想的な許容誤差との間の少なくとも１つのデルタ差に基づいて許容誤差外（例えば、許容誤差範囲外４２０）にあるかどうかを判定することができる。許容誤差範囲外４２０は、図４及び図５に示すように、許容誤差レベル範囲内の特定の値を超えるデルタに更に基づくことができる。許容誤差レベル範囲又は受け入れられた許容誤差は、ポリシーデータ構造に記憶された少なくとも１つのポリシーに基づくことができる。データ処理システムは、許容誤差外の接合部のためにＡＣＴ７２８に進むか（例えば、接合偏差４１５が許容誤差範囲外４２０内にある場合）、又は許容誤差内の接合部のためにＡＣＴ７０４に進むように決定することができる。
【0088】
ＡＣＴ７２８において、データ処理システムは、タイヤ製造工場内の調整すべき少なくとも１つの機器のパラメータを決定することができる。１つの機器とは、第１の機器、第２の機器、又は第３の機器などの製造機器構成要素を指すことができる。各機器は、様々なタイプの接合部、例えば、左接合部、中間接合部、又は右接合部を含むことができる。調整のためのパラメータは、接合部の少なくとも１つの圧力レベル、向き、又は位置を含むことができる。パラメータは、スパイス部許容誤差メトリックからの予測値に基づくことができる。
【0089】
ＡＣＴ７３２において、データ処理システムは、接合部許容誤差メトリックからの予測値に基づいて、タイヤ製造工場内の少なくとも１つの機器を調整するための少なくとも１つのコマンドを提供することができる。データ処理システムは、機器コントローラ１１８を利用して、許容誤差外の接合部の決定に基づいてコマンドを製造機器構成要素に提供することができる。機器コントローラ１１８は、製造機器構成要素を決定して、機器ＩＤに基づくコマンドを提供することができる。機器ＩＤは、例えば、少なくともセンサ１０８又は製造機器１０４と関連付けられたルーティングアドレスを含むことができる。コマンドは、例えば、タイヤを製造するための接合部の圧力値、向き、又は位置を調整することを含むことができる。データ処理システムは、パラメータ調整に基づいて接合部の許容誤差を更に決定することができる。調整されたパラメータを有する接合部に対応する結果又は値は、履歴データ構造に提供することができる。
【0090】
ＡＣＴ７０４に戻って参照すると、データ処理システムは、追加のセンサデータを受信するように決定することができる。追加のセンサデータを受信するための決定は、少なくともＡＣＴ７２４又はＡＣＴ７３２に基づくことができる。例えば、データ処理システムは、接合部許容誤差メトリックの予測値が許容誤差内にあると判定することができる。データ処理システムは、接合部の許容誤差予測に基づいて、コマンドを構成要素に提供しないことによって、製造機器構成要素のパラメータを維持することができる。代わりに、データ処理システムは、構成要素から新しい接合部を検出することに応答して、追加のセンサデータを待機することができる。追加の例では、ＡＣＴ７３２のデータ処理システムは、少なくとも１つの製造機器構成要素に１つ以上のコマンドを提供して、構成要素の圧力、向き、位置合わせ、又は較正など、少なくとも１つのパラメータを変更する。データ処理システムは、これに応答して、調整されたパラメータを有する構成要素に対応するセンサ１０８の１つ以上の値を受信することができる。この値により、ＡＣＴ７０８における有効性を確認することができる。
【0091】
ＡＣＴ７０８に戻って参照すると、データ処理システムは、例えば、許容誤差範囲内にある接合部、又は許容誤差外の接合部に対応する１つ以上のパラメータへの調整に基づいて、ＡＣＴ７０４のセンサデータの有効性を確認することができる。データ処理システムは、少なくとも、センサデータが有効であるという判定、又はパラメータに対する調整に続いて受信された１つ以上の値に基づいて、ＡＣＴ７１６で行列を更新又は生成するように決定することができる。ＡＣＴ７０４のセンサデータを受信及び検証することに応答して、生成又は更新された行列を使用して、既存のモデルを少なくとも生成又は更新するか、又はＡＣＴ７１６に記載されるような追加モデルを提供することができる。データ処理システムは、例えば、タイヤの接合部が許容誤差レベル（例えば、許容誤差ウィンドウ）を満たすことを予測するために、更新されたモデルを使用することができる。データ処理システムは、少なくともＡＣＴ７０４、ＡＣＴ７０８、ＡＣＴ７１２、ＡＣＴ７１６、ＡＣＴ７２０、ＡＣＴ７２４、ＡＣＴ７２８、及びＡＣＴ７３２の間をループすることができる。データ処理システムは、タイヤ製造動作を休止、終了、又は開始するためなどの、データ処理システムのインターフェースを介して開始されたトリガに基づいてループを終結することができる。データ処理システムは、製造機器構成要素のパラメータに対する調整から許容誤差接合を予測することに応答して、ループを更に終結することができる。
【0092】
図７に概ね戻って参照すると、データ処理システムは、ＡＣＴ７１６で更新された行列を受信することができる。データ処理システムは、更新された行列を機械学習エンジンの入力層に提供することができる。機械学習エンジンは、例えば、データリポジトリ内の既存のモデルの更新された情報を提供することができる。データ処理システムは、例えば、更新されたモデルに基づいて、ＡＣＴ７２０のように、タイヤの接合部に対応する値を予測することができる。データ処理システムは、接合部の値（例えば、許容誤差）が、この場合、また一例として、ＡＣＴ７２４で許容誤差レベル又はウィンドウを満たさないと決定することができる。データ処理システムは、ＡＣＴ７２８において、調整のための製造機器のパラメータを決定することができる。したがって、データ処理システムは、ＡＣＴ７３２において、製造機器構成要素の第２のパラメータ又は第２の構成要素若しくは第３の構成要素のパラメータのうちの少なくとも１つを調整することができる。この調整は、更新されたモデルに基づくことができ、タイヤの接合部がパラメータ調整に続く許容誤差ウィンドウを満たさないという予測に応答することができる。
【0093】
図８は、例示的な計算システム８００のブロック図である。コンピュータシステム８００（例えば、計算デバイス、コンピュータシステムなど）は、データ処理システム１１０、又はデータ処理システム１１０などのその構成要素を含むか、又はこれらを実装するために使用することができる。計算システム８００は、情報を通信するための少なくとも１つのバス８０５又は他の通信構成要素、及び情報を処理するためにバス８０５に結合された少なくとも１つのプロセッサ８１０又は処理回路を含む。計算システム８００はまた、情報を処理するためにバスに結合された１つ以上のプロセッサ８１０又は処理回路を含むことができる。計算システム８００はまた、情報を記憶するためにバス８０５に結合されたランダムアクセスメモリ（「random access memory、ＲＡＭ」）又は他の動的記憶デバイスなどの少なくとも１つのメインメモリ８１５、及びプロセッサ８１０によって実行される命令を含む。メインメモリ８１５は、データリポジトリ１２８とすることができるか、又はこれを含むことができる。メインメモリ８１５はまた、製造機器に関連する様々なパラメータ情報、又はプロセッサ８１０による命令の実行中に他の情報を記憶するために使用することができる。計算システム８００は、プロセッサ８１０の静的情報及び命令を記憶するためにバス８０５に結合された少なくとも１つの読み取り専用メモリ（「read only memory、ＲＯＭ」）８２０又は他の静的記憶デバイスを更に含み得る。ソリッドステートデバイス、磁気ディスク、又は光ディスクなどの記憶デバイス８２５をバス８０５に結合して、情報及び命令を持続的に記憶することができる。
【0094】
計算システム８００は、製造機器のオペレータなどのユーザに情報を表示するために、バス８０５を介して、液晶表示装置又は動的行列表示装置などの表示装置８３５に結合され得る。キーボード又は音声インターフェースなどの入力デバイス８３０は、情報及びコマンドをプロセッサ８１０に通信するためのバス８０５に結合され得る。入力デバイス８３０は、タッチスクリーン表示装置８３５を含むことができる。入力デバイス８３０はまた、プロセッサ８１０に方向情報及びコマンド選択を通信し、表示装置８３５上のカーソル移動を制御するために、マウス、トラックボール、又はカーソル方向キーなどのカーソル制御装置を含むことができる。表示装置８３５は、図１のデータ処理システム１１０、センサ１０８、又は他の構成要素の一部とすることができる。
【0095】
本明細書に記載のプロセス、システム、及び方法は、プロセッサ８１０がメインメモリ８１５に含まれる命令の配置を実行することに応答して、計算システム８００によって実装することができる。このような命令は、記憶デバイス８２５などの別のコンピュータ可読媒体からメインメモリ８１５に読み込まれることができる。メインメモリ８１５に含まれる命令の配置の実行は、計算システム８００に、本明細書に記載の例示的なプロセスを実施させる。また、多重処理配置における１つ以上のプロセッサを用いて、メインメモリ８１５に含まれる命令を実行することができる。ハード有線回路は、本明細書に記載のシステム及び方法と一緒にソフトウェア命令の代わりに、又はソフトウェア命令と組み合わせて使用することができる。本明細書に記載のシステム及び方法は、ハードウェア回路とソフトウェアとの任意の特定の組み合わせに限定されるものではない。
【0096】
例示的な計算システムが図８に記載されているが、この明細書に記載される動作を含む主題は、他のタイプのデジタル電子回路、又はこの明細書に開示される構造物及びそれらの構造等価物、若しくはそれらのうちの１つ以上の組み合わせを含む、コンピュータソフトウェア、ファームウェア、若しくはハードウェアで実装することができる。
【0097】
本明細書の説明のいくつかは、システム構成要素（例えば、仲裁構成要素）の態様の構造的独立性を強調しており、また、製造機器１０４及びセンサ１０８は、これらのシステム構成要素の動作及び責任の１つのグループ化を示す。同様の全体的な動作を実行する他のグループ化は、この出願の範囲内にあると理解される。モジュールは、ハードウェアに、又は非一時的なコンピュータ可読記憶媒体上のコンピュータ命令として実装することができ、モジュールは、様々なハードウェア又はコンピュータベースの構成要素にわたって分散することができる。
【0098】
上述のシステムは、これらの構成要素のうちのいずれか又は各々の複数のものを提供することができ、これらの構成要素は、スタンドアロンシステム又は分散型システム内の複数のインスタンス化のいずれかに提供することができる。加えて、上記のシステム及び方法は、１つ以上の製造物品上又は１つ以上の製造物品内に具現化された１つ以上のコンピュータ可読プログラム又は実行可能命令として提供することができる。製造物品は、クラウドストレージ、ハードディスク、ＣＤ－ＲＯＭ、フラッシュメモリカード、ＰＲＯＭ、ＲＡＭ、ＲＯＭ、又は磁気テープであり得る。一般に、コンピュータ可読プログラムは、ＬＩＳＰ、ＰＥＲＬ、Ｃ、Ｃ＋＋、Ｃ＃、ＰＲＯＬＯＧなどの任意のプログラミング言語、又はＪＡＶＡなどの任意のバイトコード言語で実装することができる。ソフトウェアプログラム又は実行可能命令は、オブジェクトコードとして１つ以上の製造物品上に、又は１つ以上の製造物品内に記憶することができる。
【0099】
例示的及び非限定的なモジュール実装要素は、本明細書で決定された任意の値を提供するセンサ、本明細書で決定された値の前駆体である任意の値を提供するセンサ、通信チップ、水晶振動子、通信リンク、ケーブル、ツイストペア配線、同軸配線、シールド配線、送信機、受信機、又は送受信機を含むデータリンク又はネットワークハードウェア、論理回路、配線接続された論理回路、モジュール仕様に従って構成された特定の非一時的な状態の再構成可能な論理回路、少なくとも１つの電気的、油圧式、又は空気圧アクチュエータ、ソレノイド、オプアンプ、アナログ制御要素（例えば、バネ、フィルタ、統合器、加算器、分割器、利得要素）、又はデジタル制御要素を含む任意のアクチュエータを含む。
【0100】
この明細書に記載される主題及び動作は、この明細書に開示される構造物及びそれらの構造等価物、若しくはそれらのうちの１つ以上の組み合わせを含む、デジタル電子回路、あるいはコンピュータソフトウェア、ファームウェア、又はハードウェアで実装することができる。この明細書に記載される主題は、データ処理装置による実行のために１つ以上のコンピュータ記憶媒体上に符号化されるか、又はデータ処理装置の動作を制御するための、１つ以上のコンピュータプログラム、例えば、コンピュータプログラム命令の１つ以上の回路として実装することができる。代替的又は追加的に、プログラム命令は、人工的に生成された伝播信号、例えば、データ処理装置による実行のための好適な受信器装置への送信のための情報を符号化するように生成される機械生成された電気的、光学的、又は電磁的信号で符号化することができる。コンピュータ記憶媒体は、コンピュータ可読記憶デバイス、コンピュータ可読記憶基板、ランダム又はシリアルアクセスメモリアレイ若しくはデバイス、又はそれらのうちの１つ以上の組み合わせであり得るか、又はこれらに含まれ得る。コンピュータ記憶媒体は伝播信号ではないが、コンピュータ記憶媒体は、人工的に生成された伝播信号に符号されたコンピュータプログラム命令のソース又は宛先であり得る。コンピュータ記憶媒体はまた、１つ以上の別個の構成要素又は媒体であり得るか、又はこれらに含まれ得る（例えば、複数のＣＤ、ディスク、又は他の記憶デバイスがクラウドストレージを含む）。この明細書に記載される動作は、１つ以上のコンピュータ可読記憶デバイス上に記憶されたデータ上のデータ処理装置によって実施されるか、又は他のソースから受信される動作として実施することができる。
【0101】
「計算デバイス」、「構成要素」、又は「データ処理装置」などの用語は、例としてプログラム可能なプロセッサ、コンピュータ、チップ上のシステム、又は複数のシステム、又は前述の組み合わせを含む、データを処理するための様々な装置、デバイス、及び機械を含む。装置は、専用論理回路、例えば、ＦＰＧＡ（フィールドプログラマブルゲートアレイ、ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）又はＡＳＩＣ（特定用途向け集積回路、ａｐｐｌｉｃａｔｉｏｎ ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）を含むことができる。装置はまた、ハードウェアに加えて、問題のコンピュータプログラムの実行環境を作成するコード、例えば、プロセッサファームウェア、プロトコルスタック、データベース管理システム、オペレーティングシステム、クロスプラットフォームランタイム環境、仮想マシン、又はそれらのうちの１つ以上の組み合わせを構成するコードを含むことができる。装置及び実行環境では、ウェブサービス、分散計算、及びグリッド計算インフラストラクチャなどの様々な異なる計算モデルインフラストラクチャを実現することができる。
【0102】
コンピュータプログラム（プログラム、ソフトウェア、ソフトウェアアプリケーション、アプリ、スクリプト、又はコードとしても知られる）は、コンパイル型言語又はインタプリタ型言語、宣言型言語又は手続き型言語を含む任意の形式のプログラミング言語で書き込むことができ、また、スタンドアロンプログラムとして、又はモジュール、構成要素、サブルーチン、オブジェクト、若しくは計算環境で使用するのに好適な他の単位として含まれる任意の形式で展開することができる。コンピュータプログラムは、ファイルシステム内のファイルに対応することができる。コンピュータプログラムは、問題のプログラム専用の単一のファイル、又は複数の調整ファイル（例えば、１つ以上のモジュール、サブプログラム、又はコードの一部を記憶するファイル）内の他のプログラム若しくはデータ（例えば、マークアップ言語文書に記憶された１つ以上のスクリプト）を保持するファイルの一部に記憶することができる。コンピュータプログラムは、１つのコンピュータ上で、又は１つのサイトに位置するか、若しくは複数のサイトにわたって分散され、通信ネットワークによって相互接続された複数のコンピュータ上で実行されるように展開することができる。
【0103】
この明細書に記載されるプロセス及び論理フローは、入力データ上で動作し、出力を生成することによって行為を実施するために、１つ以上のコンピュータプログラムを実行する１つ以上のプログラム可能なプロセッサによって実施することができる。プロセス及び論理フローはまた、専用論理回路、例えば、ＦＰＧＡ（フィールドプログラマブルゲートアレイ）又はＡＳＩＣ（特定用途向け集積回路）によって実施することができ、装置はまた、専用論理回路、例えば、ＦＰＧＡ（フィールドプログラマブルゲートアレイ）又はＡＳＩＣ（特定用途向け集積回路）として実装することができる。コンピュータプログラム命令及びデータを記憶するのに好適なデバイスは、例として半導体メモリデバイス、例えば、ＥＰＲＯＭ、ＥＥＰＲＯＭ、及びフラッシュメモリデバイスを含む、不揮発性メモリ、媒体、及びメモリデバイス；磁気ディスク、例えば、内部ハードディスク又は取り外し可能なディスク；光磁気ディスク、及びＣＤ ＲＯＭ；並びにＤＶＤ－ＲＯＭディスクを含むことができる。プロセッサ及びメモリは、専用論理回路によって補われるか、又は専用論理回路に組み込むことができる。
【0104】
本明細書に記載の主題は、例えば、データサーバとしてバックエンド構成要素を含むか、又はミドルウェア構成要素、例えば、アプリケーションサーバを含むか、若しくはフロントエンド構成要素、例えば、グラフィカルユーザインターフェースを有するクライアントコンピュータ、あるいはユーザがこの明細書に記載される主題の実装と対話することができるウェブブラウザ、又は１つ以上のこのようなバックエンド構成要素、ミドルウェア構成要素、若しくはフロントエンド構成要素の組み合わせを含む計算システムで実装することができる。システムの構成要素は、デジタルデータ通信の任意の形式又は媒体、例えば、通信ネットワークによって相互接続することができる。通信ネットワークの例としては、ローカルエリアネットワーク（「local area network、ＬＡＮ」）及び広域ネットワーク（「wide area network、ＷＡＮ」）、インターネットワーク（例えば、インターネット）、及びピアツーピアネットワーク（例えば、アドホックピアツーピアネットワーク）が挙げられる。
【0105】
動作は、特定の順序で図面に示されているが、このような動作は、図示の特定の順序で、又は順番に実施される必要はなく、例示された動作全てが、実施される必要はない。本明細書に記載の行為は、異なる順序で実施することができる。
【0106】
ここで、いくつかの例示的な実装形態を説明してきたが、上記は例示的なものであり、また限定されるものではなく、例として提示されていることは明らかである。特に、本明細書に提示される実施例の多くは、方法行為又はシステム要素の特定の組み合わせを含むが、それらの行為及びそれらの要素は、同じ目標を達成するために他の方法で組み合わせてもよい。１つの実装形態に関連して説明された行為、要素、及び特徴は、他の実装形態における同様の役割又は実装形態から除外されることを意図するものではない。
【0107】
本明細書で使用される表現及び専門用語は、説明の目的のためであり、限定するものと見なされるべきではない。「含む（including）」「備える（comprising）」「有する（having）」「含む（containing）」「含む（involving）」「特徴がある（characterized by）」「特徴とする（characterized in that）」及びこれらの変形の使用は、この後に列挙される項目、これらの等価物、及び追加項目、並びにこの後に列挙される項目から成る代替実装形態を排他的に含むことを意味する。一実装形態では、本明細書に記載のシステム及び方法は、記載された要素、行為、又は構成要素のうちの１つ、１つよりも多くの各組み合わせ、又は全てから成る。
【0108】
単数形で言及される本明細書のシステム及び方法の実装形態又は要素若しくは行為に対するいかなる言及もまた、複数のこれらの要素を含む実装形態を含み、また、本明細書の任意の実装形態又は要素若しくは行為に対する任意の複数の言及もまた、単一の要素のみを含む実装形態を含み得る。単数形又は複数形の言及は、この開示されたシステム又は方法、それらの構成要素、行為、又は要素を単一又は複数の構成に限定することを意図するものではない。任意の情報、行為、又は要素に基づく任意の行為又は要素への言及は、行為又は要素が少なくとも部分的に、任意の情報、行為、又は要素に基づく実装形態を含み得る。
【0109】
本明細書に開示される任意の実装形態は、任意の他の実装形態又は実施形態と組み合わせることができ、「一実装形態（an implementation）」、「いくつかの実装形態（some implementations）」、「一実装形態（one implementation）」などへの言及は、必ずしも相互排他的ではなく、実装形態に関連して説明される特定の特徴、構造、又は特性が、少なくとも１つの実装形態又は実施形態に含まれ得ることを示すことを意図している。本明細書で使用するこのような用語は、必ずしも全てが同じ実装形態を指すものではない。任意の実装形態は、本明細書に開示される態様及び実装形態と一致する任意の方法で、包括的に又は排他的に、任意の他の実装形態と組み合わせることができる。
【0110】
「又は」への言及は、「又は」を使用して記載される任意の用語が、記載された用語の単一、複数、及び全てのいずれかを示すことができるように、包括的であると解釈され得る。例えば、「「Ａ」及び「Ｂ」のうちの少なくとも１つ」への言及は、「Ａ」のみ、「Ｂ」のみ、並びに「Ａ」及び「Ｂ」の両方を含むことができる。「備える（comprising）」又は他の開放的な専門用語と併せて使用されるこのような言及は、追加項目を含むことができる。
【0111】
図面、詳細な説明、又は任意の請求項における技術的特徴の後に参照符号が付されている場合、これらの参照符号は、図面、詳細な説明、及び請求項の明瞭性を高めるために含まれている。したがって、参照符号もこれらの不在も、いかなる請求項要素の範囲に限定的な影響を及ぼすものではない。
【0112】
様々な要素のサイズ、寸法、構造、形状、及び割合、パラメータの値、取り付け配置、材料の使用、色、向きの変化などの記載された要素及び行為の修正は、本明細書に開示される主題の教示及び利点から実質的に逸脱することなく発生することができる。例えば、一体的に形成されたものとして示される要素は、複数の部品又は要素で構築することができ、要素の位置は、逆にするか、又はさもなければ変化させることができ、個別の要素又は位置の性質又は数を変更又は変化させることができる。また、本開示の範囲から逸脱することなく、開示された要素及び動作の設計、動作状態、及び配置において、他の置換、修正、変更、及び省略を行うことができる。
【0113】
本明細書に記載のシステム及び方法は、その特性から逸脱することなく、他の特定の形態で具体化され得る。したがって、本明細書に記載のシステム及び方法の範囲は、前述の説明ではなく添付の特許請求の範囲によって示され、特許請求の範囲の当量の意味及び範囲内にある変更は、その中に包含される。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【手続補正書】
【提出日】2022-03-07
【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】
タイヤを製造するためのシステムであって、１つ以上のプロセッサと、メモリと、を備え、前記メモリが、命令を記憶するように構成され、前記命令が、前記１つ以上のプロセッサによって実行可能であり、前記１つ以上のプロセッサに、
タイヤ製造工場内の１つ以上のタイヤ製造機器の１つ以上のセンサから、前記１つ以上のタイヤ製造機器によるタイヤの製造に対応する１つ以上の値を受信することと、
前記１つ以上の値に基づいて１つ以上のメトリックを決定することと、
前記１つ以上の値及び前記１つ以上のメトリックに基づいて行列を生成することと、
タイヤ製造性データを出力するように構築された機械学習モデルへの前記行列の入力を介して、前記タイヤの接合部許容誤差メトリックの値を予測することと、
前記接合部許容誤差メトリックの前記値に基づいて、前記タイヤ製造工場内の調整すべき少なくとも１つの機器のパラメータを決定することと、
前記接合部許容誤差メトリックの前記値に応答して、前記タイヤ製造工場内の前記少なくとも１つの機器を調整するためのコマンドを提供することと、を行わせる、システム。
【請求項2】
前記タイヤの複数の接合部の各々と対になった、前記１つ以上のタイヤ製造機器の各々のための複数の機械学習モデルを構築するための１つ以上のプロセッサを有するモデル生成構成要素を更に備え、前記機械学習モデルが、前記複数の機械学習モデルのうちの１つに対応する、請求項１に記載のシステム。
【請求項3】
前記機械学習モデルが、複数の機械学習モデルのうちの第１の機械学習モデルであり、前記１つ以上のプロセッサが、前記１つ以上のタイヤ製造機器の第１の加圧ローラ構成要素及び前記タイヤの第１の接合部のための、前記複数の機械学習モデルのうちの前記第１の機械学習モデルを構築することと、
前記第１の加圧ローラ構成要素及び前記タイヤの第２の接合部のための、前記複数の機械学習モデルのうちの第２の機械学習モデルを構築することと、
前記第１の加圧ローラ構成要素及び前記タイヤの第３の接合部のための、前記複数の機械学習モデルのうちの第３の機械学習モデルを構築することと、
第２の加圧ローラ構成要素及び前記タイヤの前記第１の接合部のための、前記複数の機械学習モデルのうちの第４の機械学習モデルを構築することと、
前記第２の加圧ローラ構成要素及び前記タイヤの前記第２の接合部のための、前記複数の機械学習モデルのうちの第５の機械学習モデルを構築することと、
前記第２の加圧ローラ構成要素及び前記タイヤの前記第３の接合部のための、前記複数の機械学習モデルのうちの第６の機械学習モデルを構築することと、
第３の加圧ローラ構成要素及び前記タイヤの前記第１の接合部のための、前記複数の機械学習モデルのうちの第７の機械学習モデルを構築することと、
前記第３の加圧ローラ構成要素及び前記タイヤの前記第２の接合部のための、前記複数の機械学習モデルのうちの第８の機械学習モデルを構築することと、
前記第３の加圧ローラ構成要素及び前記タイヤの前記第３の接合部のための、前記複数の機械学習モデルのうちの第９の機械学習モデルを構築することと、を更に引き起こす、請求項１に記載のシステム。
【請求項4】
前記１つ以上のプロセッサが、前記タイヤの前に製造されたタイヤの接合部が所定の接合点から逸脱した度合い、又は
以前の接合の結果、所定の期間数にわたる接合点の移動平均、前記接合点の所定の移動平均数の勾配に基づいて、前記機械学習モデルを訓練することを更に引き起こす、請求項１に記載のシステム。
【請求項5】
前記１つ以上のプロセッサが、複数の機械学習モデルに基づいて、前記接合部許容誤差メトリックの前記値が、前記タイヤの複数の接合部のうちの第１の接合部が許容誤差ウィンドウを超えると予測することを決定することと、
ポリシーに基づいて、前記タイヤの前記複数の接合部のうちの前記第１の接合部に対応する前記少なくとも１つの機器を選択することと、
前記第１の接合部の特性を調整して前記第１の接合部を前記許容誤差ウィンドウ内に収めるように、前記ポリシーに基づいて選択された前記少なくとも１つの機器に命じることと、を更に引き起こす、請求項１に記載のシステム。
【請求項6】
前記１つ以上のプロセッサが、前記１つ以上のタイヤ製造機器から、前記１つ以上の値の時系列を受信することと、
前記１つ以上の値の前記時系列に基づいて、複数の所定の期間にわたる移動平均を決定することであって、前記複数の所定の期間が、少なくとも２つの異なる所定の期間を含む、決定することと、
前記複数の所定の期間にわたる前記移動平均の勾配を決定することと、
前記複数の所定の期間にわたる前記移動平均の前記勾配に基づいて、前記行列を生成することと、を更に引き起こす、請求項１に記載のシステム。
【請求項7】
前記１つ以上のプロセッサが、前記機械学習モデルの出力に基づいて、前記タイヤの接合部が許容誤差ウィンドウを超えると予測することと、
前記予測に応答して、前記少なくとも１つの機器によって加えられる圧力量を調整することと、
前記圧力量の前記調整に続いて、前記１つ以上のタイヤ製造機器による前記タイヤの前記製造に対応する１つ以上の値を受信することと、
前記圧力量の前記調整に続いて受信された前記１つ以上の値に基づいて、更新された行列を生成することと、
前記更新された行列の前記機械学習モデルへの入力を介して、前記タイヤの前記接合部が前記許容誤差ウィンドウを満たすと予測することと、を更に引き起こす、請求項１に記載のシステム。
【請求項8】
前記１つ以上のプロセッサが、前記機械学習モデルの出力に基づいて、前記タイヤの接合部が許容誤差ウィンドウを満たさないと予測することと、
前記予測に応答して、前記少なくとも１つの機器によって使用される第１のパラメータを調整することと、
前記第１のパラメータの前記調整に続いて、前記１つ以上のタイヤ製造機器による前記タイヤの前記製造に対応する１つ以上の値を受信することと、
前記第１のパラメータの前記調整に続いて受信された前記１つ以上の値に基づいて、更新された行列を生成することと、
前記更新された行列の前記機械学習モデルへの入力を介して、前記タイヤの前記接合部が前記許容誤差ウィンドウを満たさないと予測することと、
前記タイヤの前記接合部が、前記調整に続いて前記許容誤差ウィンドウを満たさないという前記予測に応答して、前記少なくとも１つの機器の第２のパラメータ又は前記タイヤ製造工場の第２の機器のパラメータのうちの少なくとも１つを調整することと、を更に引き起こす、請求項１に記載のシステム。
【請求項9】
タイヤを製造する方法であって、タイヤ製造工場内の１つ以上のタイヤ製造機器の１つ以上のセンサから、１つ以上のプロセッサによって、前記１つ以上のタイヤ製造機器によるタイヤの製造に対応する１つ以上の値を受信することと、
前記１つ以上のプロセッサによって、前記１つ以上の値に基づいて１つ以上のメトリックを決定することと、
前記１つ以上のプロセッサによって、前記１つ以上の値及び前記１つ以上のメトリックに基づいて行列を生成することと、
前記１つ以上のプロセッサによって、タイヤ製造性データを出力するように構成された機械学習モデルへの前記行列の入力を介して、前記タイヤの接合部許容誤差メトリックの値を予測することと、
前記接合部許容誤差メトリックの前記値に基づいて、前記１つ以上のプロセッサによって、前記タイヤ製造工場内の調整すべき少なくとも１つの機器のパラメータを決定することと、
前記１つ以上のプロセッサによって、前記接合部許容誤差メトリックの前記値に応答して、前記タイヤ製造工場内の前記少なくとも１つの機器を調整するためのコマンドを提供することと、を含む、方法。
【請求項10】
前記タイヤの複数の接合部の各々と対になった、前記１つ以上のタイヤ製造機器の各々のための複数の機械学習モデルを構築することを更に含み、前記機械学習モデルが、前記複数の機械学習モデルのうちの１つに対応している、請求項９に記載の方法。
【請求項11】
前記機械学習モデルが、複数の機械学習モデルのうちの第１の機械学習モデルであり、前記方法が、前記１つ以上のタイヤ製造機器の第１の加圧ローラ構成要素及び前記タイヤの第１の接合部のための、前記複数の機械学習モデルのうちの前記第１の機械学習モデルを構築することと、
前記第１の加圧ローラ構成要素及び前記タイヤの第２の接合部のための、前記複数の機械学習モデルのうちの第２の機械学習モデルを構築することと、
前記第１の加圧ローラ構成要素及び前記タイヤの第３の接合部のための、前記複数の機械学習モデルのうちの第３の機械学習モデルを構築することと、
第２の加圧ローラ構成要素及び前記タイヤの前記第１の接合部のための、前記複数の機械学習モデルのうちの第４の機械学習モデルを構築することと、
前記第２の加圧ローラ構成要素及び前記タイヤの前記第２の接合部のための、前記複数の機械学習モデルのうちの第５の機械学習モデルを構築することと、
前記第２の加圧ローラ構成要素及び前記タイヤの前記第３の接合部のための、前記複数の機械学習モデルのうちの第６の機械学習モデルを構築することと、
第３の加圧ローラ構成要素及び前記タイヤの前記第１の接合部のための、前記複数の機械学習モデルのうちの第７の機械学習モデルを構築することと、
前記第３の加圧ローラ構成要素及び前記タイヤの前記第２の接合部のための、前記複数の機械学習モデルのうちの第８の機械学習モデルを構築することと、
前記第３の加圧ローラ構成要素及び前記タイヤの前記第３の接合部のための、前記複数の機械学習モデルのうちの第９の機械学習モデルを構築することと、を更に含む、請求項９に記載の方法。
【請求項12】
複数の機械学習モデルに基づいて、前記接合部許容誤差メトリックの前記値が、前記タイヤの複数の接合部のうちの第１の接合部が許容誤差ウィンドウを超えると予測することを決定することと、ポリシーに基づいて、前記タイヤの前記複数の接合部のうちの前記第１の接合部に対応する前記少なくとも１つの機器を選択することと、
前記第１の接合部の特性を調整して前記第１の接合部を前記許容誤差ウィンドウ内に収めるように、前記ポリシーに基づいて選択された前記少なくとも１つの機器に命じることと、を更に含む、請求項９に記載の方法。
【請求項13】
前記１つ以上のタイヤ製造機器から、前記１つ以上の値の時系列を受信することと、前記１つ以上の値の前記時系列に基づいて、複数の所定の期間にわたる移動平均を決定することであって、前記複数の所定の期間が、少なくとも２つの異なる所定の期間を含む、決定することと、
前記複数の所定の期間にわたる前記移動平均の勾配を決定することと、
前記複数の所定の期間にわたる前記移動平均の前記勾配に基づいて、前記行列を生成することと、を更に含む、請求項９に記載の方法。
【請求項14】
前記機械学習モデルの出力に基づいて、前記タイヤの接合部が許容誤差ウィンドウを超えると予測することと、前記予測に応答して、前記少なくとも１つの機器によって加えられる圧力量を調整することと、
前記圧力量の前記調整に続いて、前記１つ以上のタイヤ製造機器による前記タイヤの前記製造に対応する１つ以上の値を受信することと、
前記圧力量の前記調整に続いて受信された前記１つ以上の値に基づいて、更新された行列を生成することと、
前記更新された行列の前記機械学習モデルへの入力を介して、前記タイヤの前記接合部が前記許容誤差ウィンドウを満たすと予測することと、を更に含む、請求項９に記載の方法。
【請求項15】
前記機械学習モデルの出力に基づいて、前記タイヤの接合部が許容誤差ウィンドウを満たさないと予測することと、前記予測に応答して、前記少なくとも１つの機器によって使用される第１のパラメータを調整することと、
前記第１のパラメータの前記調整に続いて、前記１つ以上のタイヤ製造機器による前記タイヤの前記製造に対応する１つ以上の値を受信することと、
前記第１のパラメータの前記調整に続いて受信された前記１つ以上の値に基づいて、更新された行列を生成することと、
前記更新された行列の前記機械学習モデルへの入力を介して、前記タイヤの前記接合部が前記許容誤差ウィンドウを満たさないと予測することと、
前記タイヤの前記接合部が、前記調整に続いて前記許容誤差ウィンドウを満たさないという前記予測に応答して、前記少なくとも１つの機器の第２のパラメータ又は前記タイヤ製造工場の第２の機器のパラメータのうちの少なくとも１つを調整することと、を更に含む、請求項９に記載の方法。
【国際調査報告】