СПОСОБ И СИСТЕМА ОБУЧЕНИЯ АЛГОРИТМА МАШИННОГО ОБУЧЕНИЯ Российский патент 2018 года по МПК G06N99/00 

Описание патента на изобретение RU2649792C2

ОБЛАСТЬ ТЕХНИКИ

[001] Изобретение относится к способам и системам для отбора обучающей выборки для обучения алгоритма машинного обучения.

УРОВЕНЬ ТЕХНИКИ

[002] Во многих отраслях промышленности, таких как химическая, нефтяная, энергетическая, пищевая, текстильная, бумажная и металлургическая, используют промышленные процессы преобразования газов, жидкостей и/или твердых веществ для производства промышленных товаров и материалов, которые, в свою очередь, используются в других промышленных процессах. Электронное и механическое оборудование обычно замеряет, показывает и управляет расходом, давлением, температурой, уровнем и составом этих различных газов, жидкостей и/или твердых веществ. Таким образом, в зависимости от характера данного промышленного процесса может быть измерено множество параметров процесса с целью контроля, исследования и улучшения производительности данного промышленного процесса.

[003] Например, промышленная система управления может быть реализована с возможностью контролировать производственный процесс и вносить изменения или корректировки для поддержания производительности на определенных приемлемых условиях или при определенных ограничениях. Измерение и контроль параметров процесса, связанных с этими газами, жидкостями и/или твердыми частицами, может находиться в диапазоне от показа и/или регулирования одного параметра процесса до оптимизации сотен параметров процесса, относящихся ко всему производственному процессу.

[004] Тем не менее, в большинстве случаев промышленный процесс может зависеть от многих параметров, которые неизвестны или не могут быть определены системой промышленного контроля. Например, некоторые из этих параметров могут быть неизвестны из-за того, что на заводе, где происходит производственный процесс, не установлено соответствующее измерительное оборудование. Или некоторые из этих параметров не могут контролироваться, например точный состав добавок, вводимых в промышленный процесс. В другом примере некоторые из этих параметров могут быть подвержены вмешательству человека, что оказывает большое влияние на производственный процесс и, следовательно, на конечный выход.

[005] Постоянная задача производственного процесса заключается в обеспечении максимальной прибыли на единицу времени работы процесса. В некоторых ситуациях для этого требуется усиленный контроль над стабильностью конечной продукции, что может быть труднодостижимо, принимая во внимание все неконтролируемые параметры производственных процессов.

РАСКРЫТИЕ

[006] Задачей предлагаемой технологии является устранение по меньшей мере некоторых недостатков, присущих известному уровню техники.

[007] Изобретатели разработали несколько вариантов осуществления настоящей технологии, принимая во внимание необходимость уменьшения количества вводов для данного промышленного процесса, чтобы уменьшить затраты на единицу времени работы процесса, контролируя при этом качество продукции данного промышленного процесса. Без желания выдвигать какую-либо теорию разработчики создали настоящую технологию, по меньшей мере некоторые варианты осуществления которой могут позволить отбирать параметры процесса таким образом, что они влияют на предсказуемость выходных результатов промышленного процесса, с помощью алгоритма машинного обучения. По крайней мере некоторые варианты осуществления настоящей технологии могут позволить прогнозировать выходные результаты производственного процесса путем исправления ошибок, связанных по меньшей мере с некоторыми неконтролируемыми параметрами производственного процесса.

[008] В некоторых вариантах осуществления настоящей технологии предлагается способ обучения алгоритма машинного обучения (MLA). Способ выполняется на сервере, который реализует MLA. Способ включает в себя создание сервером обучающей выборки для обучения MLA, причем обучающая выборка включает в себя множество векторов признаков и соответствующие связанные расчетные погрешности. Для создания обучающей выборки способ включает в себя создание сервером множества векторов признаков на основе данных истории, связанных с производственным процессом, причем каждый вектор признаков представляет множество идентифицированных признаков промышленного процесса в данных истории. Для создания обучающей выборки способ также включает в себя извлечение сервером множества выходных значений из данных истории, причем каждое выходное значение в множестве выходных значений представляет соответствующий прошлый результат производственного процесса и соответственно связано с каждым вектором признаков в множестве векторов признаков. Для создания обучающей выборки способ также включает в себя идентификацию сервером соответствующего значения целевого признака процесса в каждом векторе признаков, причем целевой признак процесса был предварительно определен оператором. Для создания обучающей выборки способ также включает в себя определение сервером функции регрессии, которая представляет взаимоотношения между каждым значением целевого признака процесса и соответствующим выходным значением. Для создания обучающей выборки способ также включает в себя определение сервером расчетного выходного значения для каждого соответствующего значения целевого признака процесса на основе функции регрессии. Для создания обучающей выборки способ также включает в себя определение сервером расчетной погрешности для каждого вектора признаков на основе соответствующего связанного выходного значения и соответствующего связанного расчетного выходного значения. Способ также включает в себя обучение сервером MLA на основе обучающей выборки прогнозированию соответствующей расчетной погрешности для каждого вектора признаков. Обучение MLA включает в себя ввод сервером каждого вектора признаков и соответствующей связанной расчетной погрешности в MLA.

[009] В некоторых вариантах осуществления способа способ дополнительно включает в себя сохранение сервером функции регрессии в хранилище.

[0010] В некоторых вариантах осуществления способа способ дополнительно включает в себя после обучения MLA получение сервером функции регрессии из хранилища. Способ дополнительно включает в себя получение сервером текущих значений набора признаков процесса и текущих выходных значений, которые представляют желаемый результат промышленного процесса, а набор признаков процесса представляет множество идентифицированных признаков промышленного процесса за исключением целевого признака процесса. Способ дополнительно включает в себя определение сервером первого пробного расчетного выходного значения для первого пробного значения целевого признака процесса на основе функции регрессии. Способ дополнительно включает в себя определение сервером первой пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса и первого пробного значения целевого признака процесса с помощью ввода сервером текущих значений набора признаков процесса и первого пробного значения целевого признака процесса в обученный MLA. Способ дополнительно включает в себя определение сервером первого пробного скорректированного расчетного выходного значения на основе первого пробного расчетного выходного значения и первой пробной расчетной погрешности. Способ дополнительно включает в себя определение сервером второго пробного расчетного выходного значения для второго пробного значения целевого признака процесса на основе функции регрессии. Способ дополнительно включает в себя определение сервером второй пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса и второго пробного значения целевого признака процесса с помощью ввода сервером текущих значений текущего набора признаков процесса и второго пробного значения целевого признака процесса в обученный MLA. Способ дополнительно включает в себя определение сервером второго пробного скорректированного расчетного выходного значения на основе второго пробного расчетного выходного значения и второй пробной расчетной погрешности. Способ дополнительно включает в себя отбор сервером данного из первого пробного значения целевого признака процесса и второго пробного значения целевого признака процесса как текущего значения целевого признака процесса на основе разницы между текущим выходным значением и первым пробным скорректированным расчетным выходным значением и разницы между текущим выходным значением и вторым пробным скорректированным расчетным выходным значением.

[0011] В некоторых вариантах осуществления способа способ дополнительно включает в себя инициацию выполнения производственного процесса с текущими значениями набора признаков процесса и текущим значением целевого признака процесса для получения текущего выходного значения.

[0012] В некоторых вариантах осуществления способа способ дополнительно включает в себя определение сервером первого пробного значения и второго пробного значения на основе данных истории.

[0013] В некоторых вариантах осуществления способа функция регрессии является либо линейной регрессией (linear regression), либо дробно-линейной регрессией (broken linear regression), либо логистической регрессией (logistic regression), либо полиномиальной регрессией (polynomial regression), либо гребневой регрессией (ridge regression), либо лассо-регрессией (lasso regression).

[0014] В некоторых вариантах осуществления способа способ включает в себя идентификацию сервером соответствующего значения первого целевого признака процесса и второго целевого признака процесса в каждом векторе признаков, где первый целевой признак процесса и второй целевой признак процесса были предварительно определены оператором. Способ также включает в себя определение сервером планарной функции регрессии, которая представляет взаимоотношения между каждым значением первого целевого признака процесса, соответствующим значением второго целевого признака процесса и соответствующим выходным значением. Способ дополнительно включает в себя определение сервером расчетного выходного значения для каждого соответствующего значения первого целевого признака процесса и соответствующего значения второго целевого признака процесса на основе планарной функции регрессии. Способ также включает в себя определение сервером расчетной погрешности для каждого вектора признаков на основе соответствующего связанного выходного значения и соответствующего связанного расчетного выходного значения. Способ также включает в себя обучение сервером MLA на основе обучающей выборки прогнозированию соответствующей расчетной погрешности для каждого вектора признаков. Обучение MLA включает в себя ввод сервером каждого вектора признаков и соответствующей связанной расчетной погрешности в MLA.

[0015] В некоторых вариантах осуществления способа способ дополнительно включает в себя после обучения MLA получение сервером планарной функции регрессии из хранилища. Способ дополнительно включает в себя получение сервером текущих значений набора признаков процесса и текущего выходного значения, которое представляют желаемый результат промышленного процесса, а набор признаков процесса представляет множество идентифицированных признаков промышленного процесса за исключением первого целевого признака процесса и второго целевого признака процесса. Способ дополнительно включает в себя определение сервером первого пробного расчетного выходного значения для первого пробного значения первого целевого признака процесса и первого значения второго целевого признака процесса на основе планарной функции регрессии. Способ дополнительно включает в себя определение сервером первой пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса и первого пробного значения первого целевого признака процесса и первого пробного значения второго целевого признака процесса с помощью ввода сервером текущих значений набора признаков процесса, первого пробного значения первого целевого признака процесса и первого значения второго целевого признака процесса в обученный MLA. Способ дополнительно включает в себя определение сервером первого пробного скорректированного расчетного выходного значения на основе первого пробного расчетного выходного значения и первой пробной расчетной погрешности. Способ дополнительно включает в себя определение сервером второго пробного расчетного выходного значения для второго пробного значения первого целевого признака процесса и второго значения второго целевого признака процесса на основе планарной функции регрессии. Способ дополнительно включает в себя определение сервером второй пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса, второго пробного значения первого целевого признака процесса и второго пробного значения второго целевого признака процесса с помощью ввода сервером текущих значений текущего набора признаков процесса, второго пробного значения первого целевого признака процесса и второго значения второго целевого признака процесса в обученный MLA. Способ дополнительно включает в себя определение сервером второго пробного скорректированного расчетного выходного значения на основе второго пробного расчетного выходного значение и второй пробной расчетной погрешности. Способ дополнительно включает в себя отбор сервером первых пробных значений или вторых пробных значений как текущей пары значений для первого целевого признака процесса и второго целевого признака процесса соответственно на основе разницы между текущим выходным значением и первым пробным скорректированным расчетным выходным значением и разницы между текущим выходным значением и вторым пробным скорректированным расчетным выходным значением.

[0016] В некоторых вариантах осуществления способа способ дополнительно включает в себя инициацию выполнения производственного процесса с текущей парой значений для первого целевого признака процесса и второго целевого признака процесса соответственно для получения текущего выходного значения.

[0017] В некоторых вариантах осуществления способа способ дополнительно включает в себя определение сервером пары первых пробных значений и пары вторых пробных значений на основе данных истории.

[0018] В некоторых вариантах осуществления способа промышленный процесс является процессом легирования стали.

[0019] В некоторых вариантах осуществления настоящей технологии предлагается сервер для обучения алгоритма машинного обучения (MLA), причем сервер реализует MLA. Сервер выполнен с возможностью создавать обучающую выборку для обучения MLA, причем обучающая выборка включает в себя множество векторов признаков и соответствующие связанные расчетные погрешности. Для создания обучающей выборки сервер выполнен с возможностью создавать множество векторов признаков на основе данных истории, связанных с производственным процессом, причем каждый вектор признаков представляет множество идентифицированных признаков промышленного процесса в данных истории. Для создания обучающей выборки сервер выполнен с возможностью извлекать множество выходных значений из данных истории, причем каждое выходное значение в множестве выходных значений представляет соответствующий прошлый результат производственного процесса и соответственно связано с каждым вектором признаков в множестве векторов признаков. Для создания обучающей выборки сервер выполнен с возможностью идентифицировать соответствующее значение целевого признака процесса в каждом векторе признаков, причем целевой признак процесса был предварительно определен оператором. Для создания обучающей выборки сервер выполнен с возможностью определять функцию регрессии, которая представляет взаимоотношения между каждым значением целевого признака процесса и соответствующим выходным значением. Для создания обучающей выборки сервер выполнен с возможностью определять расчетное выходное значение для каждого соответствующего значения целевого признака процесса на основе функции регрессии. Для создания обучающей выборки сервер выполнен с возможностью определять расчетную погрешность для каждого вектора признаков на основе соответствующего связанного выходного значения и соответствующего связанного расчетного выходного значения. Сервер выполнен с возможностью обучать MLA на основе обучающей выборки прогнозировать соответствующую расчетную погрешность для каждого вектора признаков. Для обучения MLA сервер выполнен с возможностью вводить каждый вектор признаков и соответствующую связанную расчетную погрешность в MLA.

[0020] В некоторых вариантах осуществления севера сервер выполнен с дополнительной возможностью сохранения функции регрессии в хранилище.

[0021] В некоторых вариантах осуществления севера сервер выполнен с дополнительной возможностью после обучения получать функцию регрессии из хранилища. Сервер выполнен с дополнительной возможностью получать текущие значения набора признаков процесса и текущее выходное значение, которое представляет желаемый результат промышленного процесса, а набор признаков процесса представляет множество идентифицированных признаков промышленного процесса за исключением целевого признака процесса. Сервер выполнен с дополнительной возможностью определять первое пробное расчетное выходное значение для первого пробного значения целевого признака процесса на основе функции регрессии. Сервер выполнен с дополнительной возможностью определять первую пробную расчетную погрешность от обученного MLA для текущих значений набора признаков процесса и первого пробного значения целевого признака процесса с помощью ввода текущих значений набора признаков процесса и первого пробного значения целевого признака процесса в обученный MLA. Сервер выполнен с дополнительной возможностью определять первое пробное скорректированное расчетное выходное значение на основе первого пробного расчетного выходного значения и первой пробной расчетной погрешности. Сервер выполнен с дополнительной возможностью определять второе пробное расчетное выходное значение для второго пробного значения целевого признака процесса на основе функции регрессии. Сервер выполнен с дополнительной возможностью определять вторую пробную расчетную погрешность от обученного MLA для текущих значений набора признаков процесса и второго пробного значения целевого признака процесса с помощью ввода текущих значений текущего набора признаков процесса и второго пробного значения целевого признака процесса в обученный MLA. Сервер выполнен с дополнительной возможностью определять второе пробное скорректированное расчетное выходное значение на основе второго пробного расчетного выходного значения и второй пробной расчетной погрешности. Сервер выполнен с дополнительной возможностью отбирать данное из первого пробного значения целевого признака процесса и второго пробного значения целевого признака процесса как текущее значение целевого признака процесса на основе разницы между текущим выходным значением и первым пробным скорректированным расчетным выходным значением и разницы между текущим выходным значением и вторым пробным скорректированным расчетным выходным значением.

[0022] В некоторых вариантах осуществления сервера сервер выполнен с дополнительной возможностью инициировать выполнение производственного процесса с текущими значениями набора признаков процесса и текущим значением целевого признака процесса для получения текущего выходного значения.

[0023] В некоторых вариантах осуществления сервера сервер выполнен с дополнительной возможностью определять первое пробное значение и второе пробное значение на основе данных истории.

[0024] В некоторых вариантах осуществления сервера функция регрессии является либо линейной регрессией, либо дробно-линейной регрессией, либо логистической регрессией, либо полиномиальной регрессией, либо гребневой регрессией, либо лассо-регрессией.

[0025] В некоторых вариантах осуществления сервера сервер выполнен с возможностью идентифицировать соответствующее значение первого целевого признака процесса и второго целевого признака процесса в каждом векторе признаков, где первый целевой признак процесса и второй целевой признак процесса были предварительно определены оператором. Сервер выполнен с возможностью определять планарную функцию регрессии, которая представляет взаимоотношения между каждым значением первого целевого признака процесса, соответствующим значением второго целевого признака процесса и соответствующим выходным значением. Сервер выполнен с возможностью определять расчетное выходное значение для каждого соответствующего значения первого целевого признака процесса и соответствующего значения второго целевого признака процесса на основе планарной функции регрессии. Сервер выполнен с возможностью определять расчетную погрешность для каждого вектора признаков на основе соответствующего связанного выходного значения и соответствующего связанного расчетного выходного значения. Сервер выполнен с возможностью обучать MLA на основе обучающей выборки прогнозировать соответствующую расчетную погрешность для каждого вектора признаков. Для обучения MLA сервер выполнен с возможностью вводить каждый вектор признаков и соответствующую связанную расчетную погрешность в MLA.

[0026] В некоторых вариантах осуществления севера сервер выполнен с дополнительной возможностью после обучения получать планарную функцию регрессии из хранилища. Сервер выполнен с возможностью получать текущие значения набора признаков процесса и текущее выходное значение, которое представляет желаемый результат промышленного процесса, а набор признаков процесса представляет множество идентифицированных признаков промышленного процесса за исключением первого целевого признака процесса и второго целевого признака процесса. Сервер выполнен с возможностью определять первое пробное расчетное выходное значение для первого пробного значения первого целевого признака процесса и первого значения второго целевого признака процесса на основе планарной функции регрессии. Сервер выполнен с возможностью определять первую пробную расчетную погрешность от обученного MLA для текущих значений набора признаков процесса и первого пробного значения первого целевого признака процесса и первого пробного значения второго целевого признака процесса с помощью ввода текущих значений набора признаков процесса, первого пробного значения первого целевого признака процесса и первого значения второго целевого признака процесса в обученный MLA. Сервер выполнен с возможностью определять первое пробное скорректированное расчетное выходное значение на основе первого пробного расчетного выходного значения и первой пробной расчетной погрешности. Сервер выполнен с возможностью определять второе пробное расчетное выходное значение для второго пробного значения первого целевого признака процесса и второго пробного значения второго целевого признака процесса на основе планарной функции регрессии. Сервер выполнен с возможностью определять вторую пробную расчетную погрешность от обученного MLA для текущих значений набора признаков процесса, второго пробного значения первого целевого признака процесса и второго пробного значения второго целевого признака процесса с помощью ввода текущих значений текущего набора признаков процесса, второго пробного значения первого целевого признака процесса и второго значения второго целевого признака процесса в обученный MLA. Сервер выполнен с возможностью определять второе пробное скорректированное расчетное выходное значение на основе второго пробного расчетного выходного значения и второй пробной расчетной погрешности. Сервер выполнен с возможностью отбирать первые пробные значения или вторые пробные значения как текущую пару значений для первого целевого признака процесса и второго целевого признака процесса соответственно на основе разницы между текущим выходным значением и первым пробным скорректированным расчетным выходным значением и разницы между текущим выходным значением и вторым пробным скорректированным расчетным выходным значением.

[0027] В некоторых вариантах осуществления сервера сервер выполнен с дополнительной возможностью инициировать выполнение производственного процесса с текущей парой значений для первого целевого признака процесса и второго целевого признака процесса соответственно для получения текущего выходного значения.

[0028] В некоторых вариантах осуществления сервера сервер выполнен с дополнительной возможностью определять пару первых пробных значений и пару вторых пробных значений на основе данных истории.

[0029] В контексте настоящего описания, если конкретно не указано иное, «сервер» подразумевает под собой компьютерную программу, работающую на соответствующем оборудовании, которая способна получать запросы (например, от клиентских устройств) по сети и выполнять эти запросы или инициировать выполнение этих запросов. Оборудование может представлять собой один физический компьютер или одну физическую компьютерную систему, но ни то, ни другое не является обязательным для данной технологии. В контексте настоящей технологии использование выражения «сервер» не означает, что каждая задача (например, полученные команды или запросы) или какая-либо конкретная задача будет получена, выполнена или инициирована к выполнению одним и тем же сервером (то есть одним и тем же программным обеспечением и/или аппаратным обеспечением); это означает, что любое количество элементов программного обеспечения или аппаратных устройств может быть вовлечено в прием/передачу, выполнение или инициирование выполнения любого запроса или последствия любого запроса, связанного с клиентским устройством, и все это программное и аппаратное обеспечение может быть одним сервером или несколькими серверами, оба варианта включены в выражение «по меньшей мере один сервер».

[0030] В контексте настоящего описания, если конкретно не указано иное, "клиентское устройство" подразумевает под собой аппаратное устройство, способное работать с программным обеспечением, подходящим к решению соответствующей задачи. Примерами клиентских устройств, среди прочего, являются персональные компьютеры (настольные компьютеры, ноутбуки и т.д.), смартфоны и планшеты. Следует иметь в виду, что устройство, ведущее себя как клиентское устройство в настоящем контексте, может вести себя как сервер по отношению к другим клиентским устройствам. Использование выражения «клиентское устройство» не исключает возможности использования множества клиентских устройств для получения/отправки, выполнения или инициирования выполнения любой задачи или запроса, или же последствий любой задачи или запроса, или же этапов любого вышеописанного способа.

[0031] В контексте настоящего описания, если конкретно не указано иное, термин «база данных» подразумевает под собой любой структурированный набор данных, не зависящий от конкретной структуры, программного обеспечения по управлению базой данных, аппаратного обеспечения компьютера, на котором данные хранятся, используются или иным образом оказываются доступны для использования. В контексте настоящего описания слова «первый», «второй», «третий» и т.д. используются в виде прилагательных исключительно для того, чтобы отличать существительные, к которым они относятся, друг от друга, а не для целей описания какой-либо конкретной взаимосвязи между этими существительными.

[0032] В контексте настоящего описания, если конкретно не указано иное, термин «компонент» подразумевает под собой программное обеспечение (соответствующее конкретному аппаратному контексту), которое является необходимым и достаточным для выполнения конкретной(ых) указанной(ых) функции(й).

[0033] В контексте настоящего описания, если конкретно не указано иное, термин «используемый компьютером носитель компьютерной информации» подразумевает под собой носитель абсолютно любого типа и характера, включая ОЗУ, ПЗУ, диски (компакт диски, DVD-диски, дискеты, жесткие диски и т.д.), USB флеш-накопители, твердотельные накопители, накопители на магнитной ленте и т.д.

[0034] В контексте настоящего описания, если четко не указано иное, «указание» информационного элемента может представлять собой сам информационный элемент или указатель, отсылку, ссылку или другой косвенный способ, позволяющий получателю указания найти сеть, память, базу данных или другой машиночитаемый носитель, из которого может быть извлечен информационный элемент. Например, указание файла может включать в себя сам файл (т.е. его содержимое), или же оно может являться уникальным дескриптором файла, идентифицирующим файл по отношению к конкретной файловой системе, или какими-то другими средствами передавать получателю указание на сетевую папку, адрес памяти, таблицу в базе данных или другое место, в котором можно получить доступ к файлу. Как будет понятно специалистам в данной области техники, степень точности, необходимая для такого указания, зависит от степени первичного понимания того, как должна быть интерпретирована информация, которой обмениваются получатель и отправитель указания. Например, если до передачи данных между отправителем и получателем понятно, что указание информационного элемента принимает вид ключа базы данных для записи в конкретной таблице заранее установленной базы данных, включающей в себя информационный элемент, то передача ключа базы данных - это все, что необходимо для эффективной передачи информационного элемента получателю, несмотря на то, что сам по себе информационный элемент не передавался между отправителем и получателем указания. Каждый вариант осуществления настоящей технологии преследует по меньшей мере одну из вышеупомянутых целей и/или объектов, но наличие всех не является обязательным. Следует иметь в виду, что некоторые объекты данной технологии, полученные в результате попыток достичь вышеупомянутой цели, могут не удовлетворять этой цели и/или могут удовлетворять другим целям, отдельно не указанным здесь.

[0035] Дополнительные и/или альтернативные характеристики, аспекты и преимущества вариантов осуществления настоящей технологии станут очевидными из последующего описания, прилагаемых чертежей и прилагаемой формулы изобретения.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

[0036] Для лучшего понимания настоящей технологии, а также других ее аспектов и характерных черт, сделана ссылка на следующее описание, которое должно использоваться в сочетании с прилагаемыми чертежами.

[0037] На фиг. 1 представлена схема сервера, который подходит для реализации настоящей технологии и/или который используется в сочетании с вариантами осуществления настоящей технологи;

[0038] На фиг. 2 представлена таблица журнальных записей, представляющих данные истории, связанные с промышленным процессом, как предусматривается в некоторых вариантах осуществления настоящей технологии, и сохраненные сервером, изображенным на фиг. 1, в соответствии с неограничивающими вариантами осуществления настоящей технологии;

[0039] На фиг. 3 представлен первый вектор признаков и первое выходное значение, как предусматривается в некоторых вариантах осуществления настоящей технологии, обработанные сервером, изображенным на фиг. 1, в соответствии с неограничивающими вариантами осуществления настоящей технологии;

[0040] На фиг. 4 представлено множество векторов признаков, обработанных сервером, изображенным на фиг. 1, в соответствии с неограничивающими вариантами осуществления настоящей технологии, причем множество векторов признаков включает в себя первый вектор признаков, изображенный на фиг. 3, и множество выходных значений, которое включает в себя первое выходное значение, изображенное на фиг. 3;

[0041] На фиг. 5 представлен набор данных, на основе которого сервер, изображенный на фиг. 1, может определять функцию регрессии, как предусматривается в некоторых вариантах осуществления настоящей технологии;

[0042] На фиг. 6 представлено визуальное представление набора данных, показанного на фиг. 5, причем визуальное представление включает в себя набор экспериментальных точек и функцию регрессии, как определено сервером, изображенным на фиг. 1, в соответствии с неограничивающими возможностями настоящей технологии;

[0043] На фиг. 7 изображена соответствующая расчетная погрешность для каждого выходного значения, изображенного на фиг. 4, на основе соответствующего расчетного выходного значения, как определено сервером, изображенным на фиг. 1, в соответствии с неограничивающими возможностями настоящей технологии;

[0044] На фиг. 8 изображены используемые пакеты данных, а также первый пробный вектор признаков и второй пробный вектор признаков, определенные в течение рабочей фазы обученного MLA, причем обученный MLA реализуется сервером, изображенным на фиг. 1, в соответствии с неограничивающими возможностями настоящей технологии;

[0045] На фиг. 9 изображено визуальное представление первого пробного расчетного выходного значения и второго пробного расчетного выходного значения, соответственно связанных с первым пробным вектором признаков и вторым пробным вектором признаков, изображенным на фиг. 8, как определено сервером, изображенным на фиг. 1, в соответствии с неограничивающими возможностями настоящей технологии;

[0046] На фиг. 10 изображено визуальное представление первой пробной расчетной погрешности и второй пробной расчетной погрешности, соответственно связанных с первым пробным вектором признаков и вторым пробным вектором признаков, изображенным на ФИГ. 8, как определено сервером, изображенным на фиг. 1, в соответствии с неограничивающими возможностями настоящей технологии;

[0047] На фиг. 11 изображено множество векторов признаков и множество выходных значений в контексте дополнительного сценария, в котором два целевых признака процесса предварительно определены оператором и введены в сервер, изображенный на фиг. 1, в соответствии с неограничивающими вариантами осуществления настоящей технологии;

[0048] На фиг. 12 представлен набор данных, на основе которых сервер, изображенный на фиг. 1, может определять планарную функцию регрессии в контексте дополнительного сценария, где два целевых признака процесса предварительно определены оператором, как предусматривается в некоторых вариантах осуществления настоящей технологии;

[0049] На фиг. 13 представлено визуальное представление набора данных, показанного на фиг. 12, который включает в себя набор экспериментальных точек и планарную функцию регрессии в контексте дополнительного сценария, где два целевых признака процесса предварительно определены оператором, как предусматривается в некоторых вариантах осуществления настоящей технологии;

[0050] На фиг. 14 представлен набор расчетных выходных значений, определенных в контексте дополнительного сценария, где два целевых признака процесса предварительно определены оператором, как предусматривается в некоторых вариантах осуществления настоящей технологии;

[0051] На фиг. 15 представлена блок-схема способа обучения алгоритма машинного обучения, способ выполняется сервером, изображенным на фиг. 1, в соответствии с вариантами осуществления настоящей технологии, не ограничивающими ее объем.

ОСУЩЕСТВЛЕНИЕ

[0052] Примеры и используемые здесь условные конструкции предназначены, главным образом, для того, чтобы помочь читателю понять принципы настоящей технологии, а не для установления границ ее объема. Следует также отметить, что специалисты в данной области техники могут разработать различные схемы, отдельно не описанные и не показанные здесь, но которые, тем не менее, воплощают собой принципы настоящей технологии и находятся в границах ее объема.

[0053] Кроме того, для ясности в понимании следующее описание касается достаточно упрощенных вариантов осуществления настоящей технологии. Как будет понятно специалисту в данной области техники, многие варианты осуществления настоящей технологии будут обладать гораздо большей сложностью.

[0054] Некоторые полезные примеры модификаций настоящей технологии также могут быть охвачены нижеследующим описанием. Целью этого является также исключительно помощь в понимании, а не определение объема и границ настоящей технологии. Эти модификации не представляют собой исчерпывающего списка, и специалисты в данной области техники могут создавать другие модификации, остающиеся в границах объема настоящей технологии. Кроме того, те случаи, в которых не были представлены примеры модификаций, не должны интерпретироваться как то, что никакие модификации невозможны, и/или что то, что было описано, является единственным вариантом осуществления этого элемента настоящей технологии.

[0055] Более того, все заявленные здесь принципы, аспекты и варианты осуществления настоящей технологии, равно как и конкретные их примеры, предназначены для обозначения их структурных и функциональных основ вне зависимости от того, известны ли они на данный момент или будут разработаны в будущем. Таким образом, например, специалистами в данной области техники будет очевидно, что представленные здесь блок-схемы представляют собой концептуальные иллюстративные схемы, отражающие принципы настоящей технологии. Аналогично любые блок-схемы, диаграммы, псевдокоды и т.п. представляют собой различные процессы, которые могут быть представлены на машиночитаемом носителе и, таким образом, использоваться компьютером или процессором вне зависимости от того, показан явно подобный компьютер или процессор или нет.

[0056] Функции различных элементов, показанных на чертежах, включая функциональный блок, обозначенный как «процессор» или «графический процессор», могут быть обеспечены с помощью специализированного аппаратного обеспечения или же аппаратного обеспечения, способного использовать подходящее программное обеспечение. Когда речь идет о процессоре, функции могут обеспечиваться одним специализированным процессором, одним общим процессором или множеством индивидуальных процессоров, причем некоторые из них могут являться общими. В некоторых вариантах осуществления настоящей технологии процессор может являться универсальным процессором, например центральным процессором (CPU) или специализированным для конкретной цели процессором, например графическим процессором (GPU). Более того, использование термина «процессор» или «контроллер» не должно подразумевать исключительно аппаратное обеспечение, способное поддерживать работу программного обеспечения, и может включать в себя без установления ограничений цифровой сигнальный процессор (DSP), сетевой процессор, интегральную схему специального назначения (ASIC), программируемую пользователем вентильную матрицу (FPGA), постоянное запоминающее устройство (ПЗУ) для хранения программного обеспечения, оперативное запоминающее устройство (ОЗУ) и энергонезависимое запоминающее устройство. Также в это может быть включено другое аппаратное обеспечение, обычное и/или специальное.

[0057] С учетом этих примечаний далее будут рассмотрены некоторые варианты осуществления аспектов настоящей технологии, не ограничивающие ее объем.

[0058] На фиг. 1 представлен сервер 100, который подходит для некоторых вариантов осуществления настоящей технологии, причем сервер 100 включает в себя различные аппаратные компоненты, включая один или несколько одно- или многоядерных процессоров, которые представлены процессором 110, графическим процессором (GPU) 111, твердотельным накопителем 120, ОЗУ 130, интерфейсом 140 монитора и интерфейсом 150 ввода/вывода.

[0059] Связь между различными компонентами сервера 100 может осуществляться с помощью одной или нескольких внутренних и/или внешних шин 160 (например, шины PCI, универсальной последовательной шины, высокоскоростной шины IEEE 1394, шины SCSI, шины Serial ATA и так далее), с которыми электронными средствами соединены различные аппаратные компоненты. Интерфейс 140 монитора может быть соединен с монитором 142 (например, через HDMI-кабель 144), видимым оператору 170, интерфейс 150 ввода/вывода может быть соединен с сенсорным экраном (не изображен), клавиатурой 151 (например, через USB-кабель 153) и мышью 152 (например, через USB-кабель 154), причем как клавиатура 151, так и мышь 152 используются оператором 170.

[0060] В соответствии с вариантами осуществления настоящей технологии твердотельный накопитель 120 хранит программные инструкции, подходящие для загрузки в ОЗУ 130 и использующиеся процессором 110 и/или графическим процессором GPU 111 для отбора данного целевого признака процесса из множества признаков и данного типа выходных значений, как будет описано ниже. Например, программные инструкции могут представлять собой часть библиотеки или приложение.

[0061] Сервер 100 может быть настольным компьютером, ноутбуком, планшетом, смартфоном, персональным цифровым органайзером (PDA) или другим устройством, которое может быть выполнено с возможностью реализовать настоящую технологию, как будет понятно специалисту в данной области техники.

[0062] Сервер 100 может быть выполнен с возможностью осуществлять алгоритм машинного обучения (MLA) и выполнять различные способы для обучения MLA. В некоторых вариантах осуществления настоящей технологии MLA может быть либо искусственной нейронной сетью, Байесовой сетью, машиной опорных векторов и т.д. В другом варианте осуществления настоящей технологии MLA может быть моделью прогнозирования, которая включает в себя набор деревьев решений для решения, среди прочего, задач регрессии и классификации. В этом случае MLA может быть обучен с помощью способов машинного обучения, например, градиентного бустинга (gradient boosting).

[0063] Сервер 100 может быть выполнен с возможностью осуществлять множество процедур, причем по меньшей мере одна из множества процедур является созданием обучающей выборки для обучения MLA. В общем случае MLA может быть обучен прогнозировать расчетные погрешности, присущие способам расчетов. То, как может быть выполнен сервер 100 для создания обучающей выборки для обучения MLA, будет описано ниже.

[0064] В некоторых вариантах осуществления настоящей технологии сервер 100 может быть выполнен с возможностью получать доступ к данным истории, связанным с промышленным процессом. Данные истории могут быть сохранены локально на твердотельном накопителе 120 сервера 100. В других вариантах осуществления настоящей технологии данные истории могут быть сохранены удаленно на носителе информации (не изображен), который функционально соединен с сервером 100 по сети (не изображена). В этом случае сервер 100 может извлекать данные истории из носителя информации по сети.

[0065] В общем случае данные истории могут быть связаны с одним из множества промышленных процессов, которые включают в себя по меньшей мере либо физические, либо химические, либо электрические, либо механические этапы для производства изделий и/или материалов. Например, множество производственных процессов может включать в себя один или несколько процессов из списка:

• Ковка;

• Литье;

• Штамповка;

• Гидравлическая вытяжка;

• Пайка;

• Дисперсионное упрочнение;

• Формовка;

• Разделение;

• Дистилляция;

• Аддитивная технология;

• Легирование стали;

• и так далее.

[0066] Исключительно с целью разъяснения будут предоставлены следующие варианты осуществления настоящей технологии, относящиеся к процессу легирования стали, который является известным промышленным процессом. Однако следует понимать, что настоящая технология может быть применена к любому другому из множества промышленных процессов, и что объем настоящей технологии не ограничивается приведенным выше списком множества промышленных процессов.

[0067] Как показано на фиг. 2, данные истории могут храниться в виде таблицы 200 журнальных записей. В некоторых вариантах осуществления настоящей технологии таблица 200 журнальных записей может включать в себя столбец 202 отметок времени, столбец 204 данных журнала и множество 206 строчек журнальных записей. Например, первая журнальная запись 208 может включать в себя данные 210 первой отметки времени и первые данные 212 журнала. Данные 210 первой отметки времени могут быть связаны с временным интервалом, когда была осуществлена первая итерация процесса легирования стали. Первые данные 212 журнала могут включать в себя данные журнала, которые были записаны и сохранены в таблице 200 журнальных записей для первой итерации процесса легирования стали.

[0068] Данные журнала, записанные для первой итерации процесса легирования стали, могут относиться к множеству параметров, которые были измерены в течение первой итерации процесса легирования стали. Примеры множества параметров включают в себя, без ограничений: давления, температуры, временные интервалы, химические составы, массы, объемы, скорости и физические свойства, которые были измерены во время первой итерации процесса легирования стали. Данные журнала, записанные для первой итерации процесса легирования стали, также могут относиться к прошлым выходным результатам первой итерации процесса легирования стали. Примеры прошлых выходных результатов включают в себя, без ограничения: конкретный химический состав легированной стали, соотношение первой добавки ко второй добавке в легированной стали, конкретные физические свойства легированной стали и т.д.

[0069] В итоге каждая из строчек 206 журнальных записей в множестве журнальных записей может быть связана с соответствующими данными об отметке времени и соответствующими данными журнальных записей для соответствующей итерации процесса легирования стали. Следует понимать, что в других вариантах осуществления настоящей технологии данные истории могут сохраняться в других форматах, которые дают возможность идентифицировать соответствующие данные журнальных записей, относящиеся к множеству параметров, измеренных в течение каждой итерации процесса легирования стали, и данные журнала, относящиеся в прошлым выходным результатам каждой итерации процесса легирования стали.

[0070] В некоторых вариантах осуществления настоящей технологии сервер 100 может быть выполнен с возможностью выполнять процедуру создания вектора с помощью использования данных журнала в таблице 200 журнальных записей. Выполняя процедуру создания вектора, сервер 100 может быть выполнен с возможностью создавать данный вектор признаков для соответствующей строчки журнальных записей из множества 206 строчек журнальных записей. Например, как показано на фиг. 3, сервер 100 может быть выполнен с возможностью создавать первый вектор 300 признаков. Для создания первого вектора 300 признаков сервер 100 может быть выполнен с возможностью анализировать первые данные 212 журнала. В результате анализа сервер 100 может быть выполнен с возможностью определять множество 304 идентифицированных признаков процесса на основе первых данных 212 журнала, относящихся к множеству параметров, которые были измерены в течение первой итерации процесса легирования стали.

[0071] Для простоты объяснения допустим, что сервер 100 проанализировал первые данные 212 журнала и определил, что был записан показатель «5 кг марганцевого лома» в течение первой итерации процесса легирования стали. Это означает, что сервер 100 может идентифицировать, что масса марганцевого лома является данным идентифицированным признаком процесса и что 5 кг являются данным параметром (значением данного определенного признака процесса), который был измерен и отнесен к этому данному идентифицированному признаку процесса.

[0072] Например, с учетом фиг. 3, первый идентифицированный признак 306 процесса, второй идентифицированный признак 308 процесса, третий идентифицированный признак 310 процесса, четвертый идентифицированный признак 312 процесса, пятый идентифицированный признак 314 процесса, шестой идентифицированный признак 316 процесса и седьмой идентифицированный признак 318 процесса могут быть соответственно связаны с такими показателями как: (i) масса железа, добавленного в течение первой итерации процесса легирования стали, (ii) температура в конвертере для плавления железа в течение первой итерации процесса легирования стали, (iii) масса сплавов железа, добавленных в течение первой итерации процесса легирования стали, (iv) масса добавок марганцевого лома, добавленного в течение первой итерации процесса легирования стали (т.е. первая добавка, в которой точный процентный состав марганца неизвестен), (v) масса добавок лома хрома, добавленного в течение первой итерации процесса легирования стали (т.е. вторая добавка, в которой точный процентный состав хрома неизвестен), (vi) масса добавок угольного боя, добавленного в течение первой итерации процесса легирования стали (т.е. третья добавка, в которой точный процентный состав углерода неизвестен), и (vii) количество времени от начала первой итерации процесса легирования стали до введения в сталь агрегатов термической обработки в течение первой итерации процесса легирования стали.

[0073] Как будет понятно специалистам в данной области техники, сервером 100 могут быть определены другие идентифицированные признаки процесса на основе измеренных параметров в течение данной итерации процесса легирования стали. В результате следует отметить, что сервером 100 может быть определено множество разнообразных признаков процесса в зависимости от множества параметров, которые были измерены в течение первой итерации процесса легирования стали. Следует понимать, что объем настоящей технологии не ограничивается примерами идентифицированных признаков процесса, описанных выше.

[0074] В общем случае данный идентифицированный признак соответствует признакам процесса легирования стали, который может быть идентифицирован с помощью проведения измерений и, следовательно, записи данного параметра в течение первой итерации процесса легирования стали. Однако процесс легирования стали также может быть связан с множеством неидентифицированных признаков в противоположность идентифицированным признакам. Множество неидентифицированных признаков включают в себя те признаки, которые относятся к параметрам процесса легирования стали, которые либо не измеряются (т.е. намеренно или из-за недостатка необходимой измерительной аппаратуры), либо не могут быть измерены. В некоторых вариантах осуществления настоящей технологии MLA может быть обучен для прогнозирования расчетной погрешности, которая по меньшей мере частично относится к неидентифицированным параметрам процесса легирования стали.

[0075] Например, в конвертере, в котором осуществляется данная итерация процесса легирования стали, могут находиться остатки от предыдущих итераций процесса легирования стали. Химический состав и даже масса остатков может не поддаваться измерению. Таким образом, масса таких остатков может считаться неидентифицированным признаком процесса легирования стали. В другом примере масса сплавов железа, добавляемых в течение процесса легирования стали, может быть измерена и, следовательно, может считаться данным идентифицированным признаком процесса легирования стали. Однако химический состав сплавов железа, добавляемых в течение процесса легирования стали, может не поддаваться измерению и, следовательно, может считаться другим неидентифицированным признаком процесса легирования стали.

[0076] В некоторых вариантах осуществления технологии сервер 100 может быть выполнен с возможностью извлекать выходное значение для соответствующей строчки журнальных записей из множества 206 строчек журнальных записей. Например, сервер 100 может быть выполнен с возможностью извлекать первое выходное значение 302 из первых данных 212 журнала. Первое выходное значение 302 может представлять прошлый выходной результат промышленного процесса, например результат первой итерации процесса легирования стали.

[0077] В одном варианте осуществления настоящей технологии первое выходное значение 302 может быть процентом марганца в легированной стали, полученной в первой итерации процесса легирования стали. В другом варианте осуществления настоящей технологии первое выходное значение 302 может быть процентом отношением железа к углероду в легированной стали, полученной в первой итерации процесса легирования стали. Следовательно, тип прошлого выходного результата первой итерации процесса легирования стали может быть конкретным химическим составом легированной стали, полученной на первой итерации процесса легирования стали.

[0078] В дополнительном варианте осуществления настоящей технологии первое выходное значение 302 может быть показателем твердости легированной стали, полученной в первой итерации процесса легирования стали. В других вариантах осуществления настоящей технологии первое выходное значение 302 может быть показателем прочности на растяжение легированной стали, полученной в первой итерации процесса легирования стали. Следовательно, тип прошлого выходного результата первой итерации процесса легирования стали может быть конкретным физическим свойством легированной стали, полученной на первой итерации процесса легирования стали.

[0079] Следует отметить, что первое выходное значение может быть любым свойством легированной стали, полученной на первой итерации процесса легирования стали, причем любое свойство предварительно определяется оператором 170 и может быть извлечено из первых данных 212 журнала. Другими словами, оператор 170 может выбрать тип первого выходного значения 302, которое должно быть извлечено сервером 100 до обучения MLA сервером 100.

[0080] В некоторых вариантах осуществления настоящей технологии сервер 100 может быть выполнен с возможностью создавать множество векторов 402 признаков, изображенных на фиг. 4 на основе данных истории, аналогично тому, как сервер 100 выполнен с возможностью создавать первый вектор 300 признаков. Другими словами, сервер 100 может быть выполнен с возможностью создавать соответствующий вектор признаков для каждой из множества 206 строчек журнальных записей, изображенных на фиг. 2. Каждый вектор признаков в множестве векторов 402 признаков представляет множество 304 идентифицированных признаков процесса, изображенных на фиг. 3.

[0081] Это означает, что каждый вектор признаков представляет идентичные идентифицированные признаки процесса, такие как множество 304 идентифицированных признаков. Однако каждый вектор может иметь разные значения для данного признака идентифицированного процесса, поскольку каждый вектор признаков связан с соответствующей итерацией процесса легирования стали.

[0082] В другом варианте осуществления настоящей технологии сервер 100 может быть выполнен с возможностью создавать соответствующий вектор признаков для конкретного набора строчек журнальных записей (не изображены) из множества 206 журнальных записей. Для этого сервер 100 может избирательно определять, какие строчки журнала в множестве 206 строчек журнальных записей должны быть включены в конкретный набор строчек журнальных записей. Сервер 100 может быть выполнен с возможностью определять конкретный набор строчек журнальных записей на основе соответствующих данных об отметках времени в таблице 200 журнальных записей. В дополнительных вариантах осуществления настоящей технологии сервер 100 может быть выполнен с возможностью определять конкретный набор строчек журнальных записей на основе соответствующих данных журнальных записей, связанных с каждой строчкой журнальных записей в таблице 200 журнальных записей. Например, конкретный набор строчек журнальных записей может включать в себя сотню самых недавних строчек журнальных записей. В другом примере конкретный набор строчек журнальных данных может включать в себя три сотни строчек журнальных записей, которые случайным образом выбраны сервером 100. Это избирательное определение может дать возможность серверу 100 снизить нагрузку обработки в течение обучения MLA, а также уменьшить период времени, необходимый для обучения MLA.

[0083] В других вариантах осуществления настоящей технологии сервер 106 может быть выполнен с возможностью извлекать множество выходных значений 404, изображенных на фиг. 4, из данных истории аналогично тому, как сервер 100 выполнен с возможностью извлекать первое выходное значение 302. Другими словами, сервер 100 может быть выполнен с возможностью извлекать соответствующее выходное значение для каждого из множества 206 строчек журнальных записей, изображенных на фиг. 2. Каждое выходное значение из множества выходных значений 404 представляет прошлый выходной результат соответствующей итерации процесса легирования стали.

[0084] То есть в одном варианте осуществления настоящей технологии сервер 100 может быть выполнен с возможностью создавать для каждой из множества журнальных записей 206 (т.е. для каждой из итераций процесса легирования стали) соответствующее выходное значение и соответствующий вектор признаков. В другом варианте осуществления настоящей технологии сервер 100 может быть выполнен с возможностью создавать соответствующее выходное значение и соответствующий вектор признаков для каждой из строчек журнальных записей в конкретном наборе строчек журнальных записей.

[0085] Исключительно с целью пояснения теперь будут описаны два сценария, чтобы облегчить понимание различных признаков настоящей технологии. Сначала будет описан сценарий, в котором оператор 170 определяет один целевой признак процесса в множестве 304 идентифицированных признаков процесса. Потом будет описан дополнительный сценарий, в котором оператор 170 определяет два целевых признака процесса, а не один целевой признак процесса.

Сценарий 1. Один целевой признак процесса

[0086] В некоторых вариантах осуществления настоящей технологии оператор 170 может определить целевой признак процесса в множестве идентифицированных признаков 304 процессов. На основе выходного значения, выбранного оператором 170, оператор 170 может определить, какой идентифицированный признак процесса с наибольшей вероятностью повлияет на выходной результат процесса легирования стали. Более конкретно, целевой признак процесса может быть определен оператором 170 с учетом типа первого выходного значения 302.

[0087] Например, если первое выходное значение 302, изображенное на фиг. 3, является процентным содержанием марганца в легированной стали, полученной на первой итерации процесса легирования стали, оператор 170 на основе своих знаний может определить, что целевой признак процесса - четвертый идентифицированный признак 312 процесса, который связан с массой марганцевого лома (первой добавки). В этом случае оператор 170 может определить, что первое выходное значение 302 подвергается значительному влиянию четвертого идентифицированного признака 312 процесса первого вектора 300 признаков.

[0088] В другом примере, если первое выходное значение 302, изображенное на фиг. 3, является уровнем твердости легированной стали, полученной на первой итерации процесса легирования стали, оператор 170 на основе своих знаний может определить, что целевой признак процесса - пятый идентифицированный признак 314 процесса, который связан с массой хрома (второй добавки). В этом случае оператор 170 может определить, что первое выходное значение 302 подвергается значительному влиянию пятого идентифицированного признака 314 процесса первого вектора 300 признаков.

[0089] Сервер 100 может быть выполнен с возможностью идентифицировать соответствующее значение целевого признака процесса в каждом из векторов признаков в множестве 402 векторов признаков. Более конкретно, сервер 100 может быть выполнен с возможностью идентифицировать:

• первое значение 406 целевого признака процесса в первом векторе 300 признаков, который связан с первым выходным значением 302;

• второе значение 408 целевого признака процесса во втором векторе 400 признаков, который связан со вторым выходным значением 428;

• третье значение 410 целевого признака процесса в третьем векторе 450 признаков, который связан с третьим выходным значением 430;

• четвертое значение 412 целевого признака процесса в четвертом векторе 460 признаков, который связан с четвертым выходным значением 432;

• пятое значение 414 целевого признака процесса в пятом векторе 470 признаков, который связан с пятым выходным значением 434;

• шестое значение 416 целевого признака процесса в шестом векторе 480 признаков, который связан с шестым выходным значением 436;

• седьмое значение 418 целевого признака процесса в седьмом векторе 490 признаков, который связан с седьмым выходным значением 438;

• восьмое значение 420 целевого признака процесса в восьмом векторе 492 признаков, который связан с восьмым выходным значением 440;

• девятое значение 422 целевого признака процесса в девятом векторе 494 признаков, который связан с девятым выходным значением 442; и

• десятое значение 424 целевого признака процесса в десятом векторе 496 признаков, который связан с десятым выходным значением 444;

[0090] В итоге, если данные истории были записаны для десяти различных итераций процесса легирования стали, то множество 206 строчек журнальных записей из таблицы 200 журнальных записей, изображенных на фиг. 2, может иметь десять строчек журнальных записей, причем каждая соответственно связана с одной из десяти итераций процесса легирования стали.

[0091] Кроме того, сервер 100 может быть выполнен с возможностью создавать соответствующий вектор признаков для каждой из десяти различных итераций процесса легирования стали. Сервер 100 может быть выполнен с возможностью извлекать соответствующее выходное значение для каждой из десяти различных итераций процесса легирования стали. Тип каждого выходного значения в множестве 404 выходных значений, изображенных на фиг. 4, может быть определен оператором 170. На основе типа выходных значений оператор 170 может определить целевой признак процесса в множестве идентифицированных признаков 304 процессов, изображенных на фиг. 3. Сервер 100 может быть выполнен с возможностью идентифицировать соответствующее значение целевого признака процесса в каждом из векторов признаков в множестве 402 векторов признаков, изображенных на фиг. 4.

[0092] В некоторых вариантах осуществления настоящей технологии сервер 100 может быть выполнен с возможностью создавать набор 500 данных, показанный на фиг. 5. Набор 500 данных может быть таблицей, связывающей соответствующее выходное значение в множестве 404 выходных значений, изображенных на фиг. 4, и соответствующее значение целевого признака процесса, связанного с каждым данным вектором признаков в множестве векторов 402 признаков.

[0093] На фиг. 6 представлено визуальное представление 600 набора 500 данных. Визуальное представление 600 включает в себя, среди прочего, набор экспериментальных точек, причем каждая экспериментальная точка в наборе экспериментальных точек определяется координатами, соответствующими своему значению целевого признака процесса и своему выходному значению. Для простоты понимания:

• первая экспериментальная точка 604 определяется координатами, соответствующими первому значению 406 целевого признака процесса и первому выходному значению 302;

• вторая экспериментальная точка 606 определяется координатами, соответствующими второму значению 408 целевого признака процесса и второму выходному значению 428;

• третья экспериментальная точка 608 определяется координатами, соответствующими третьему значению 410 целевого признака процесса и третьему выходному значению 430;

• четвертая экспериментальная точка 610 определяется координатами, соответствующими четвертому значению 412 целевого признака процесса и четвертому выходному значению 432;

• пятая экспериментальная точка 612 определяется координатами, соответствующими пятому значению 414 целевого признака процесса и пятому выходному значению 434;

• шестая экспериментальная точка 614 определяется координатами, соответствующими шестому значению 416 целевого признака процесса и шестому выходному значению 436;

• седьмая экспериментальная точка 616 определяется координатами, соответствующими седьмому значению 418 целевого признака процесса и седьмому выходному значению 438;

• восьмая экспериментальная точка 618 определяется координатами, соответствующими восьмому значению 420 целевого признака процесса и восьмому выходному значению 440;

• девятая экспериментальная точка 620 определяется координатами, соответствующими девятому значению 422 целевого признака процесса и девятому выходному значению 442; и

• десятая экспериментальная точка 622 определяется координатами, соответствующими десятому значению 424 целевого признака процесса и десятому выходному значению 444.

[0094] На основе набора экспериментальных точек сервер 100 может быть выполнен с возможностью определять функцию 602 регрессии. В некоторых вариантах осуществления настоящей технологии сервер 100 может быть выполнен с возможностью сохранять функцию 602 регрессии в локальном хранилище, таком как твердотельный накопитель 120 и/или удаленное хранилище. На фиг. 6 функция регрессии 602 является линейной функцией регрессии. Однако в альтернативных вариантах осуществления настоящей технологии функция 602 регрессии является либо дробно-линейной регрессией, либо логистической регрессией, либо полиномиальной регрессией, либо гребневой регрессией, либо лассо-регрессией, либо другими регрессиями без отклонения от объема настоящей технологии.

[0095] В общем случае данная функция регрессии представляет отношение между независимой переменной и по меньшей мере одной зависимой переменной. На основе этого отношения данная функция регрессии может дать возможность рассчитать значение по меньшей мере одной зависимой переменной на основе данного значения независимой переменной. Сервер 100 может быть выполнен с возможностью определять расчетное выходное значение для каждого соответствующего значения целевого признака процесса на основе функции 602 регрессии.

[0096] Например, сервер 100 может быть выполнен с возможностью определять набор расчетных выходных значений, которые включают в себя: первое расчетное выходное значение 754, второе расчетное выходное значение 756, третье расчетное выходное значение 758, четвертое расчетное выходное значение 760, пятое расчетное выходное значение 762, шестое расчетное выходное значение 764, седьмое расчетное выходное значение 766, восьмое расчетное выходное значение 768, девятое расчетное выходное значение 770 и десятое расчетное выходное значение 772, как изображено на фиг. 7.

[0097] Например, сервер 100 может быть выполнен с возможностью определять третье расчетное выходное значение 758 на основе третьей экспериментальной точки 608 и функции 602 регрессии. Другими словами, сервер 100 может вводить третье значение 410 целевого признака процесса в функцию 602 регрессии, которая будет выводить в ответ третье расчетное выходное значение 758.

[0098] В другом примере, сервер 100 может быть выполнен с возможностью определять седьмое расчетное выходное значение 766 на основе седьмой экспериментальной точки 616 и функции 602 регрессии. Другими словами, сервер 100 может вводить седьмое значение 418 целевого признака процесса в функцию 602 регрессии, которая будет выводить в ответ седьмое расчетное выходное значение 766.

[0099] Сервер 100 может быть выполнен с возможностью определять первое расчетное выходное значение 754, второе расчетное выходное значение 756, четвертое расчетное выходное значение 760, пятое расчетное выходное значение 762, шестое расчетное выходное значение 764, восьмое расчетное выходное значение 768, девятое расчетное выходное значение 770 и десятое расчетное выходное значение 772 аналогично тому, как сервер 100 определяет третье расчетное выходное значение 758 и седьмое расчетное выходное значение 766.

[00100] Сервер 100 может быть выполнен с возможностью определять расчетную погрешность для каждого выходного значения и соответствующее связанное расчетное выходное значение. Это означает, что сервер 100 может быть выполнен с возможностью определять набор расчетных погрешностей, который включает в себя: первую расчетную погрешность 704, вторую расчетную погрешность 706, третью расчетную погрешность 708, четвертную расчетную погрешность 710, пятую расчетную погрешность 712, шестую расчетную погрешность 714, седьмую расчетную погрешность 716, восьмую расчетную погрешность 718, девятую расчетную погрешность 720 и десятую расчетную погрешность 722.

[00101] Например, сервер 100 может быть выполнен с возможностью определять третью расчетную погрешность 708 на основе третьей экспериментальной точки 608 и третьего расчетного выходного значения 758. Более конкретно, сервер 100 может быть выполнен с возможностью определять разницу между третьим выходным значением 430 (одной из координат третьей экспериментальной точки 608) и третьим расчетным выходным значением 758, как изображено на фиг. 7. В этом случае третья расчетная погрешность 708 является отрицательной, поскольку функция 602 регрессии дала завышенное третье выходное значение 430 для третьего значения 410 целевого признака процесса, выводя третье расчетное выходное значение 758, которое превышает третье выходное значение 430.

[00102] В другом примере сервер 100 может быть выполнен с возможностью определять седьмую расчетную погрешность 716 на основе седьмой экспериментальной точки 616 и седьмого расчетного выходного значения 766. Более конкретно, сервер 100 может быть выполнен с возможностью определять разницу между седьмым выходным значением 438 (одной из координат седьмой экспериментальной точки 616) и седьмым расчетным выходным значением 766, как изображено на Фигуре 7. В этом случае седьмая расчетная погрешность 716 является положительной, поскольку функция 602 регрессии дала заниженное седьмое выходное значение 438 для седьмого значения 438 целевого признака процесса, выводя седьмое расчетное выходное значение 766, которое ниже, чем седьмое выходное значение 438.

[00103] Сервер 100 может быть выполнен с возможностью определять первую расчетную погрешность 704, вторую расчетную погрешность 706, четвертную расчетную погрешность 710, пятую расчетную погрешность 712, шестую расчетную погрешность 714, восьмую расчетную погрешность 718, девятую расчетную погрешность 720 и десятую расчетную погрешность 722 аналогично тому, как сервер 100 определил третью расчетную погрешность 708 и седьмую расчетную погрешность 716.

[00104] То есть сервер 100 может быть выполнен с возможностью определять набор расчетных погрешностей, причем каждая расчетная погрешность в наборе расчетных погрешностей связана с соответствующими расчетными выходными значениями в наборе расчетных выходных значений. Каждое расчетное выходное значение в наборе расчетных выходных значений связано с соответствующим выходным значением в множестве 404 выходных значений. Каждое выходное значение в множестве 404 выходных значений связано с соответствующим вектором признаков в множестве 420 векторов признаков. Сервер 100 может быть выполнен с возможностью связывать каждую из расчетных погрешностей в наборе расчетных погрешностей с соответствующим вектором признаков в множестве 402 векторов признаков. Для простоты понимания - это означает, что сервер 100 может быть выполнен с возможностью связывать:

• первую расчетную погрешность 704 с первым вектором 300 признаков, изображенным на фиг. 4;

• вторую расчетную погрешность 706 со вторым вектором 400 признаков;

• третью расчетную погрешность 708 с третьим вектором 450 признаков;

• четвертую расчетную погрешность 710 с четвертым вектором 460 признаков;

• пятую расчетную погрешность 712 с пятым вектором 470 признаков;

• шестую расчетную погрешность 714 с шестым вектором 480 признаков;

• седьмую расчетную погрешность 716 с седьмым вектором 490 признаков;

• восьмую расчетную погрешность 718 с восьмым вектором 492 признаков;

• девятую расчетную погрешность 720 с девятым вектором 494 признаков;

• десятую расчетную погрешность 722 с десятым вектором 496 признаков.

[00105] Сервер 100 может быть выполнен с возможностью обучать MLA на основе множества 402 векторов признаков и набора расчетных погрешностей. Другими словами, сервер 100 может быть выполнен с возможностью обучать MLA на основе обучающей выборки, которая включает в себя каждый вектор признаков в множестве 402 векторов признаков и соответствующие связанные расчетные погрешности в наборе расчетных погрешностей. MLA может быть обучен сервером 100 прогнозировать данную расчетную погрешность для данного вектора признаков, введенного в MLA.

[00106] Например, в течение первой обучающей итерации в MLA может быть введен в первый вектор 300 признаков и соответственно MLA может вывести первое расчетное значение. В MLA также введена первая расчетная погрешность 704. Сервер 100 может быть выполнен с возможностью настраивать MLA на основе разницы между первым расчетным значением и первой расчетной погрешностью для обучения MLA выводить данное расчетное значение для данного вектора признаков, которое почти равно данной расчетной погрешности. В общем случае, после большого числа итераций MLA может быть обучен выводить данное расчетное значение, которое равно или почти равно данным расчетным погрешностям соответствующих связанных данных векторов признаков.

[00107] В некоторых вариантах осуществления настоящей технологии после того, как MLA был обучен сервером 100, сервер 100 может быть выполнен с возможностью выполнять рабочий режим MLA для прогнозирования данной расчетной погрешности для данного вектора признаков, введенного в MLA. Для этого, с учетом фиг. 8, сервер 100 может быть выполнен с возможностью создавать по меньшей мере первый пробный вектор 802 признаков и второй пробный вектор 804 признаков для рабочего режима MLA.

[00108] Сервер 100 может быть выполнен с возможностью получать рабочий пакет 800 данных от удаленного хранилища по сети. В других вариантах осуществления настоящей технологии рабочий пакет 800 данных может быть получен от локального хранилища, такого как твердотельный накопитель 120. Рабочий пакет 800 данных может включать в себя текущее выходное значение 840, которое представляет собой желаемый результат текущей итерации процесса легирования стали. Тип желаемого результата текущей итерации процесса легирования стали должен быть идентичен типу множества 404 выходных результатов, предварительно определенных оператором 170. Например, желаемый результат текущей итерации процесса легирования стали может составлять 0,5% марганца в легированной стали. Рабочий пакет 800 данных может также включать в себя данные, связанные с параметрами процесса легирования стали, которые должны быть использованы в течение текущей итерации процесса легирования стали. Параметры процесса легирования стали, которые должны быть использованы в течение текущей итерации процесса легирования стали, могут быть выбраны перед рабочим режимом MLA оператором 170.

[00109] Сервер 100 может быть выполнен с возможностью анализировать рабочий пакет 800 данных для получения текущих значений набора 850 идентифицированных признаков процесса. Другими словами, сервер 100 может быть выполнен с возможностью получать первое текущее значение 806 первого идентифицированного признака процесса из набора 850 идентифицированных признаков процесса, второе текущее значение 808 второго идентифицированного признака процесса из набора 850 идентифицированных признаков процесса, третье текущее значение 806 третьего идентифицированного признака процесса из набора 850 идентифицированных признаков процесса, пятое текущее значение 806 пятого идентифицированного признака процесса из набора 850 идентифицированных признаков процесса, шестое текущее значение 806 шестого идентифицированного признака процесса из набора 850 идентифицированных признаков процесса и седьмое текущее значение 806 седьмого идентифицированного признака процесса из набора 850 идентифицированных признаков процесса. Набор 850 идентифицированных признаков процесса представляет множество 304 идентифицированных признаков процесса, изображенное на фиг. 3, за исключением целевого признака процесса.

[00110] Сервер 100 может быть выполнен с возможностью определять первое пробное значение 820 и второе пробное значение 830 целевого признака процесса для первого пробного вектора 802 признаков и второго пробного вектора 804 признаков соответственно. Определение первого пробного значения 820 и второго пробного значения 830 осуществляется сервером 100 для завершения создания первого пробного вектора 802 признаков и второго пробного вектора 804 признаков для выполнения рабочего режима MLA.

[00111] В некоторых вариантах осуществления настоящей технологии сервер 100 выполнен с возможностью определять первое пробное значение 820 и второе пробное значение 830 на основе данных истории. Например, сервер 100 может быть выполнен с возможностью определять первое пробное значение 820 и второе пробное значение 830 как два случайных значения, которые находятся между наибольшим значением среди значений целевого признака процесса и наименьшим значением среди значений целевого признака процесса. В других вариантах осуществления технологии первое пробное значение 820 и второе пробное значение 830 могут быть получены сервером 100 от оператора 170. Например, если целевой признак процесса является массой марганца, первое пробное значение 820 может составлять 5 кг марганцевого лома, а второе пробное значение 830 может составлять 7 кг марганцевого лома.

[00112] В некоторых вариантах осуществления настоящей технологии сервер 100 может быть выполнен с возможностью применять первое пробное значение 820 и второе пробное значение 830 для определения первого пробного расчетного выходного значения 902 и второго пробного расчетного выходного значения 904. На фиг. 9 изображено визуальное представление 900 первого пробного расчетного выходного значения 902 и второго пробного расчетного выходного значения 904. Для этого сервер может быть выполнен с возможностью получать функцию 602 регрессии из хранилища. Сервер 100 может вводить первое пробное расчетное значение 820 целевого процесса и второе пробное расчетное значение 830 целевого процесса. В ответ функция 602 целевого процесса может выводить первое пробное расчетное выходное значение 902 и второе пробное расчетное выходное значение 904 соответственно.

[00113] Как изображено на фиг. 9, второе пробное расчетное выходное значение 904 ближе к текущему выходному значению 840, чем первое пробное расчетное выходное значение 902. Однако, как упоминалось выше, функция 602 регрессии может завысить или занизить данное выходное значение для данного значения целевой функции процесса. В итоге сервер 100 может быть выполнен с возможностью определить первую целевую расчетную погрешность 1002 и вторую целевую расчетную погрешность 1004, изображенные на фиг. 10.

[00114] На фиг. 10 изображено визуальное представление 1000 первой пробной расчетной погрешности 1002 и второй пробной расчетной погрешности 1004. Для определения первой пробной расчетной погрешности и второй пробной расчетной погрешности 1004 сервер 100 может быть выполнен с возможностью вводить соответственно первый пробный вектор 802 признака и второй пробный вектор 804 признака (оба изображены на фиг. 8) в обученный MLA. В результате обученный MLA может вывести первую пробную расчетную погрешность 1002 для первого пробного вектора 802 признаков и вторую пробную расчетную погрешность 1004 для второго пробного вектора 804 признаков.

[00115] Сервер 100 может использовать первую пробную расчетную погрешность 1002 для корректировки первого пробного расчетного выходного значения 902 и вторую пробную расчетную погрешность 1004 для корректировки второго пробного расчетного выходного значения 904. Это означает, что сервер 100 может быть выполнен с возможностью определить первое пробное скорректированное расчетное выходное значение 1006 и второе пробное скорректированное расчетное выходное значение 1008.

[00116] Сервер может определять первое пробное скорректированное расчетное выходное значение 1006 на основе первой пробной расчетной погрешности 1002 и первого пробного расчетного выходного значения 902. Сервер может определять второе пробное скорректированное расчетное выходное значение 1008 на основе второй пробной расчетной погрешности 1004 и второго пробного расчетного выходного значения 904. Другими словами, определение первого пробного скорректированного расчетного выходного значения 1006 и второго пробного скорректированного расчетного выходного значения 1008 позволяет компенсировать завышение или занижение функцией 602 регрессии данного выходного значения для данного значения целевого признака процесса.

[00117] После того, как сервер 100 определит первое пробное скорректированное расчетное выходное значение 1006 и второе пробное скорректированное расчетное выходное значение 1008, сервер 100 может быть выполнен с возможностью выбрать данное из первого пробного значения 820 целевого признака процесса и второго пробного значения 830 целевого признака процесса как текущее значение целевого признака процесса для текущей итерации процесса легирования стали. Сервер 100 может быть выполнен с возможностью выполнять выбор на основе разницы 1010 между текущим выходным значением 840 и первым пробным скорректированным расчетным выходным значением 1006 и разницу 1012 между текущим выходным значением 840 и вторым пробным скорректированным расчетным выходным значением 1008. Сервер 100 может сравнивать разницу 1010 и разницу 1012 и выбирать одно из первого пробного значения 820 и второго пробного значения 830, связанное с наименьшей разницей из разницы 1010 и разницы 1012. Следует отметить, что наименьшая разница из разницы 1010 и разницы 1012 - это та, которая обладает наименьшим абсолютным значением из разницы 1010 и разницы 1012.

[00118] В некоторых вариантах осуществления настоящей технологии текущее значение целевого признака процесса может храниться локально на твердотельном накопителе 120. В другом варианте осуществления настоящей технологии текущее значение целевого признака может также храниться удаленно в удаленном хранилище по сети. Выбор данного из первого пробного значения 820 и второго пробного значения 830 целевого признака процесса как текущего значения целевого признака процесса может указывать на конец рабочего режима обученного MLA.

[00119] В других вариантах осуществления настоящей технологии сервер 100 может быть выполнен с возможностью инициировать выполнение текущей итерации процесса легирования стали. Сервер 100 может быть выполнен с возможностью поручать текущую итерацию процесса легирования стали вторичному серверу (не изображен) для того, чтобы вторичный сервер выполнил текущую итерацию процесса легирования стали с текущими и значениями набора 850 признаков процесса и текущим значением целевого признака процесса.

[00120] В итоге выполнения текущей итерации процесса легирования стали с текущими значениями набора 850 признаков процесса и текущим значением целевого признака процесса в некоторых вариантах осуществления настоящей технологии может быть получено текущее выходное значение 840. В других вариантах осуществления настоящей технологии выполнение текущей итерации процесса легирования стали с текущими значениями набора 850 признаков процесса и текущим значением целевого признака процесса может быть получено определенное выходное значение, практически равное текущему выходному значению 840, в результате текущей итерации процесса легирования стали. В альтернативных вариантах осуществления технологии определенное выходное значение может быть между 95% и 105% от текущего выходного значения 840. В другом варианте осуществления технологии определенное выходное значение может быть не менее, чем текущее выходное значение. В одном варианте осуществления технологии определенное выходное значение может быть не более, чем текущее выходное значение. В другом варианте осуществления технологии возможно осуществить ранжирование массы конкретной добавки, которая должная быть добавлена в течение текущей итерации процесса легирования стали для получения желаемого результата текущей итерации процесса легирования стали.

Сценарий 2. Два целевых признака процесса

[00121] В некоторых вариантах осуществления настоящей технологии оператор 170 может предварительно определять первый целевой признак процесса и второй целевой признак процесса на основе выходного значения, предварительно определенного оператором 170.

[00122] В этом сценарии, если тип данных выходных значений является уровнем твердости легированной стали, полученной на первой итерации процесса легирования стали, оператор 170 на основе своих знаний может определить, что на уровень твердости в процессе легирования стали влияют хром и ванадий. Следовательно, оператор 170 может определить, что первый целевой признак процесса - масса лома хрома, добавленного на данной итерации процесса легирования стали, а второй целевой признак процесса - масса лома ванадия, добавленного на данной итерации процесса легирования стали. Оператор 170 может определить, что на уровень твердости в процессе легирования стали значительно влияют масса хрома и масса ванадия, добавленных на данной итерации процесса легирования стали.

[00123] На фиг. 11 изображено первое выходное значение 1126, второе выходное значение 1128 и третье выходное значение 1130, которые все вместе образуют множество 1104 выходных значений. Также изображен первый вектор 1100 признаков, второй вектор 1140 признаков и третий вектор признаков, которые все вместе образуют множество 1102 векторов признаков. В этом сценарии первое выходное значение 1126 и первый вектор 1100 признаков могут быть связаны с первой итерацией процесса легирования стали, второе выходное значение 1128 и второй вектор 1140 признаков могут быть связаны со второй итерацией процесса легирования стали, а третье выходное значение 1130 и третий вектор 1150 признаков могут быть связаны с третьей итерацией процесса легирования стали. Следует отметить, что множество 1102 векторов признаков может включать в себя большое число векторов признаков, а также отметить, что три вектора признаков, изображенные на фиг. 11, приведены в таком количестве исключительно с целью облегчения понимания и что число векторов признаков в множестве 1102 признаков не должно являться ограничивающим фактором настоящей технологии.

[00124] В этом сценарии сервер 100 может быть выполнен с возможностью идентифицировать соответствующее значение первого целевого признака процесса и соответствующее значение второго целевого признака процесса в каждом из векторов признаков в множестве 1102 векторов признаков. Для простоты понимания - это означает, что сервер 100 может быть выполнен с возможностью идентифицировать:

• первое значение 1106 первого целевого признака процесса и первое значение 1112 второго целевого признака процесса в первом векторе 1100 признаков, которые связаны с первым выходным значением 1126;

• второе значение 1108 первого целевого признака процесса и второе значение 1114 второго целевого признака процесса во втором векторе 1140 признаков, которые связаны со вторым выходным значением 1128; и

• третье значение 1110 первого целевого признака процесса и третье значение 1116 второго целевого признака процесса в третьем векторе 1150 признаков, которые связаны с третьим выходным значением 1130.

[00125] На основе типа каждого из выходных значений оператор 170 может определить первый целевой признак процесса и второй целевой признак процесса в множестве идентифицированных признаков процессов. Сервер 100 может быть выполнен с возможностью идентифицировать соответствующее значение первого целевого признака процесса и соответствующее значение второго целевого признака процесса в каждом из векторов признаков в множестве 1102 векторов признаков.

[00126] Сервер 100 может быть выполнен с возможностью создавать набор 1200 данных, показанный на фиг. 12. Набор 1200 данных может быть таблицей, связывающей соответствующее выходное значение в множестве 1104 выходных значений, изображенных на фиг. 11, и соответствующее значение целевого признака процесса и соответствующее значение второго целевого признака процесса, связанные с каждым данным вектором признаков в множестве векторов 1102 признаков.

[00127] На фиг. 13 представлено визуальное представление 1300 набора 1200 данных. Визуальное представление 1300 включает в себя, среди прочего, набор экспериментальных точек, причем каждая экспериментальная точка в наборе экспериментальных точек определяется координатами, соответствующими своему значению целевого признака процесса, соответствующего значению второго целевого признака процесса и своему выходному значению. Для простоты понимания:

• первая экспериментальная точка 1302 определяется координатами, соответствующими первому значению 1106 целевого признака процесса, первому значению 1112 второго целевого признака процесса и первому выходному значению 1126;

• вторая экспериментальная точка 1304 определяется координатами, соответствующими второму значению 1108 целевого признака процесса, второму значению 1114 второго целевого признака процесса и второму выходному значению 1128; и

• третья экспериментальная точка 1306 определяется координатами, соответствующими третьему значению 1110 целевого признака процесса, третьему значению 1116 второго целевого признака процесса и третьему выходному значению 1130.

[00128] В этом сценарии на основе набора экспериментальных точек сервер 100 может быть выполнен с возможностью определять планарную функцию 1350 регрессии. В некоторых вариантах осуществления настоящей технологии сервер 100 может быть выполнен с возможностью сохранять планарную функцию 1350 регрессии в локальном хранилище, таком как твердотельный накопитель 120 и/или удаленное хранилище. На фиг. 6 плоскостная функция 1350 функция регрессии является планарной функцией, поскольку плоскостная функция 1350 представляет взаимоотношения между независимой переменной и двумя зависимыми переменными. В некоторых вариантах осуществления настоящей технологии плоскостная функция 1350 регрессии может быть искривленной планарной функцией.

[00129] В дополнительных вариантах осуществления настоящей технологии оператор 170 может предварительно определять более чем два целевых признака процесса аналогично тому, как оператор 170 предварительно определяет первый целевой признак процесса и второй целевой признак процесса в этом сценарии. Соответственно сервер 100 может быть выполнен с возможностью определять многомерную функцию регрессии, которая будет представлять взаимоотношения между независимой переменной (соответствующей различным выходным значениям) и более чем двумя зависимыми переменными (каждая из которых соответствует значениям каждого из более чем двух целевых признаков процесса соответственно).

[00130] Сервер 100 может быть выполнен с возможностью определять набор расчетных выходных значений, который включают в себя: первое расчетное выходное значение 1452, второе расчетное выходное значение 1454 и третье расчетное выходное значение 1456, как изображено на фиг. 14.

[00131] Например, сервер 100 может быть выполнен с возможностью определять первое расчетное выходное значение 1452 на основе первой экспериментальной точки 1302 и планарной функции 1350 регрессии. Другими словами, сервер 100 может вводить первое значение 1106 первого целевого признака процесса и первое значение 1112 второго целевого признака процесса в планарную функцию 1350 регрессии, которая будет выводить в ответ первое расчетное выходное значение 1452. Сервер 100 может быть выполнен с возможностью определять второе расчетное выходное значение 1454 и третье расчетное выходное значение 1456 аналогично тому, как сервер 100 может определять первое расчетное выходное значение 1452.

[00132] Сервер 100 может быть выполнен с возможностью определять расчетную погрешность для каждого выходного значения и соответствующее связанное расчетное выходное значение. Это означает, что сервер 100 может быть выполнен с возможностью определять набор расчетных погрешностей, который включает в себя: первую расчетную погрешность 1402, вторую расчетную погрешность 1404, третью расчетную погрешность 1406.

[00133] Например, сервер 100 может быть выполнен с возможностью определять первую расчетную погрешность 1402 на основе первой экспериментальной точки 1302 и первого расчетного выходного значения 1452. Более конкретно, сервер 100 может быть выполнен с возможностью определять разницу между первым выходным значением 1126 (одной из координат первой экспериментальной точки 1302) и первым расчетным выходным значением 1452. В этом случае первая расчетная погрешность 1402 является положительной, поскольку функция 602 регрессии дала заниженное первое выходное значение 1302 для первого значения 1106 первого целевого признака процесса и для первого значения 1112 второго целевого признака процесса, выводя первое расчетное выходное значение 1452, которое ниже, чем первое выходное значение 1126.

[00134] Сервер 100 может быть выполнен с возможностью определять вторую расчетную погрешность 1404 и третью расчетную погрешность 1406 аналогично тому, как сервер 100 может определять первую расчетную погрешность 1402.

[00135] То есть сервер 100 может быть выполнен с возможностью определять набор расчетных погрешностей, причем каждая расчетная погрешность в наборе расчетных погрешностей связана с соответствующими расчетными выходными значениями в наборе расчетных выходных значений. Каждое расчетное выходное значение в наборе расчетных выходных значений связано с соответствующим выходным значением в множестве 1104 выходных значений. Каждое выходное значение в множестве 1104 выходных значений связано с соответствующим вектором признаков в множестве 1102 векторов признаков. Сервер 100 может быть выполнен с возможностью связывать каждую из расчетных погрешностей в наборе расчетных погрешностей с соответствующим вектором признаков в множестве 1102 векторов признаков. Для простоты понимания - это означает, что сервер 100 может быть выполнен с возможностью связывать:

• первую расчетную погрешность 1402 с первым вектором 1100 признаков, изображенным на фиг. 11;

• вторую расчетную погрешность 1404 со вторым вектором 1140 признаков; и

• третью расчетную погрешность 1406 с третьим вектором 1150 признаков.

[00136] Сервер 100 может быть выполнен с возможностью обучать MLA на основе множества 1102 векторов признаков и набора расчетных погрешностей. Другими словами, сервер 100 может быть выполнен с возможностью обучать MLA на основе обучающей выборки, которая включает в себя каждый вектор признаков в множестве векторов признаков и соответствующие связанные расчетные погрешности в наборе расчетных погрешностей. MLA может быть обучен сервером 100 прогнозировать данную расчетную погрешность для данного вектора признаков, введенного в MLA.

[00137] Например, в течение первой обучающей итерации в MLA может быть введен в первый вектор 1100 признаков и соответственно MLA может вывести первое расчетное значение. В MLA может также быть введена первая расчетная погрешность 1402. Сервер 100 может быть выполнен с возможностью настраивать MLA на основе разницы между первым расчетным значением и первой расчетной погрешностью для обучения MLA выводить данное расчетное значение для данного вектора признаков, которое почти равно данной расчетной погрешности. В общем случае после большого числа итераций MLA может быть обучен выводить данное расчетное значение, которое равно или почти равно данным расчетным погрешностям соответствующих связанных данных векторов признаков.

[00138] В некоторых вариантах осуществления настоящей технологии после того, как MLA был обучен сервером 100, сервер 100 может быть выполнен с возможностью выполнять рабочий режим MLA для прогнозирования данной расчетной погрешности для данного вектора признаков, введенного в MLA. Сервер 100 может быть выполнен с возможностью создавать множество пробных векторов признаков (не изображены) для рабочего режима MLA.

[00139] В этом сценарии каждый пробный вектор признаков в множестве пробных векторов признаков может обладать различной комбинацией значений первого целевого признака процесса и второго целевого признака процесса. Сервер 100 может вводить каждый из пробных векторов признаков в обученный MLA для получения соответствующей пробной расчетной погрешности. Сервер 100 может затем вводить соответствующие значения первого целевого признака процесса и второго целевого признака процесса каждого из пробных векторов в планарную функцию 1350 регрессии для получения соответствующего пробного расчетного выходного значения. Сервер 100 может быть выполнен с дополнительной возможностью определять соответствующее пробное скорректированное расчетное выходное значение на основе соответствующего пробного расчетного выходного значения и соответствующей пробной расчетной погрешности для каждого пробного вектора признаков. Сервер 100 может выбирать конкретный пробный вектор в множестве пробных векторов признаков как текущий вектор признаков (не изображен), причем разница между текущим выходным значением (не изображено) и соответствующим скорректированным расчетным выходным значением меньше, чем для любого другого пробного вектора признаков в множестве пробных векторов признаков.

[00140] В некоторых вариантах осуществления настоящей технологии сервер 100 может быть выполнен с возможностью выполнять способ 1500 обучения MLA. Способ 1500 теперь будет описан более подробно со ссылкой на фиг. 15.

ЭТАП 1502: Создание обучающей выборки для обучения MLA

[00141] Способ 1500 начинается на этапе 1502, на котором сервер 100, который реализует MLA, создает обучающую выборку для обучения MLA. Обучающая выборка может включать в себя множество 402 векторов признаков и соответствующие связанные расчетные погрешности в наборе расчетных погрешностей.

[00142] Для выполнения этапа 1502 способа 1500 сервер 100 может выполнять подэтапы 1512, 1522, 1532, 1542, 1552 и 1562.

[00143] В течение подэтапа 1512 сервер 100 может создавать множество векторов 402 признаков на основе данных истории, связанных с промышленным процессом. Данные истории могут находиться в виде таблицы 200 журнальных записей, изображенной на фиг. 2. Данные истории могут быть связаны с одним из различных промышленных процессов, которые включают в себя по меньшей мере либо физические, либо химические, либо электрические, либо механические этапы для производства изделий и/или материалов.

[00144] Каждый вектор признаков в множестве векторов 402 признаков представляет множество 304 идентифицированных признаков промышленного процесса (фиг. 3) в данных истории.

[00145] В течение подэтапа 1522 сервер 100 может извлекать множество 404 выходных значений из данных истории. Каждое выходное значение в множестве 404 выходных значений представляет соответствующий прошлый результат промышленного процесса и соответственно связан с каждым вектором признаков в множестве 402 векторов признаков.

[00146] В случае, когда промышленный процесс является процессом легирования стали, данный прошлый результат промышленного процесса может быть результатом данной итерации процесса легирования стали. Данный прошлый результат может включать в себя указание конкретного химического состава легированной стали, полученной на первой итерации процесса легирования стали. В одном варианте осуществления настоящей технологии первое выходное значение 302 может быть процентом марганца в легированной стали, полученной в первой итерации процесса легирования стали. В другом варианте осуществления настоящей технологии первое выходное значение 302 может быть процентом отношением железа к углероду в легированной стали, полученной в первой итерации процесса легирования стали. В дополнительном варианте осуществления настоящей технологии первое выходное значение 302 может быть показателем твердости легированной стали, полученной в первой итерации процесса легирования стали. В других вариантах осуществления настоящей технологии первое выходное значение 302 может быть показателем прочности на растяжение легированной стали, полученной в первой итерации процесса легирования стали.

[00147] На подэтапе 1532 сервер 100 может идентифицировать соответствующее значение целевого признака процесса в каждом из векторов признаков в множестве 402 векторов признаков. Целевой признак процесса может быть определен оператором 170.

[00148] В другом варианте осуществления настоящей технологии сервер 100 может идентифицировать соответствующее значение первого целевого признака процесса и соответствующее значение второго целевого признака процесса в каждом из векторов признаков в множестве 1102 векторов признаков. Сервер 100 может быть выполнен с возможностью идентифицировать первый целевой признак процесса и второй целевой признак процесса.

[00149] В течение подэтапа 1542 сервер 100 может определять функцию 602 регрессии, которая представляет взаимоотношения между каждым значением целевого признака процесса и соответствующим выходным значением. На фиг. 6 функция регрессии 602 является линейной функцией регрессии. Однако в альтернативных вариантах осуществления настоящей технологии функция 602 регрессии является либо линейной регрессией, либо дробно-линейной регрессией, либо логистической регрессией, либо полиномиальной регрессией, либо гребневой регрессией, либо лассо-регрессией, либо другими регрессиями.

[00150] В других вариантах осуществления настоящей технологии сервер 100 может определять планарную функцию 1350 регрессии, которая представляет взаимоотношения между каждым значением первого целевого признака процесса, соответствующим значением второго целевого признака процесса и соответствующим выходным значением. На фиг. 6 плоскостная функция 1350 функция регрессии является планарной функцией, поскольку плоскостная функция 1350 представляет взаимоотношения между одной независимой переменной и двумя зависимыми переменными. В некоторых вариантах осуществления настоящей технологии плоскостная функция 1350 регрессии может быть искривленной планарной функцией.

[00151] В течение подэтапа 1552 сервер 100 может быть выполнен с возможностью определять данное расчетное выходное значение для каждого соответствующего значения целевого признака процесса на основе функции 602 регрессии. Например, сервер 100 может определять набор расчетных выходных значений, которые включают в себя: первое расчетное выходное значение 754, второе расчетное выходное значение 756, третье расчетное выходное значение 758, четвертое расчетное выходное значение 760, пятое расчетное выходное значение 762, шестое расчетное выходное значение 764, седьмое расчетное выходное значение 766, восьмое расчетное выходное значение 768, девятое расчетное выходное значение 770 и десятое расчетное выходное значение 772, как изображено на фиг. 7.

[00152] В другом варианте осуществления настоящей технологии сервер 100 может определять данное расчетное выходное значение для каждой соответствующей пары данного значения первого целевого признака процесса и данного значения второго целевого признака процесса на основе планарной функции 1350 регрессии, изображенной на фиг. 13. Например, сервер 100 может определять набор расчетных выходных значений, который включают в себя: первое расчетное выходное значение 1452, второе расчетное выходное значение 1454 и третье расчетное выходное значение 1456, как изображено на фиг. 14.

[00153] В течение подэтапа 1562, на котором этап 1502 заканчивается, сервер 100 может определить данную расчетную погрешность для каждого вектора признаков в множестве 402 векторов признаков на основе соответствующего связанного выходного значения и соответствующего связанного расчетного выходного значения. Например, сервер 100 может определять третью расчетную погрешность 708 на основе третьей экспериментальной точки 608 и третьего расчетного выходного значения 758. Более конкретно, сервер 100 может быть выполнен с возможностью определять разницу между третьим выходным значением 430 (одной из координат третьей экспериментальной точки 608) и третьим расчетным выходным значением 758, как изображено на фиг. 7. В этом случае третья расчетная погрешность 708 является отрицательной, поскольку функция 602 регрессии дала завышенное третье выходное значение 430 для третьего значения 410 целевого признака процесса, выводя третье расчетное выходное значение 758, которое превышает третье выходное значение 430.

[00154] Например, в другом варианте осуществления настоящей технологии сервер 100 может определять первую расчетную погрешность 1402 на основе первой экспериментальной точки 1302 и первого расчетного выходного значения 1452. Более конкретно, сервер 100 может быть выполнен с возможностью определять разницу между первым выходным значением 1126 (одной из координат первой экспериментальной точки 1302) и первым расчетным выходным значением 1452. В этом случае первая расчетная погрешность 1402 является положительной, поскольку функция 602 регрессии дала заниженное первое выходное значение 1302 для первого значения 1106 первого целевого признака процесса и для первого значения 1112 второго целевого признака процесса, выводя первое расчетное выходное значение 1452, которое ниже, чем первое выходное значение 1126.

ЭТАП 1504: Обучение MLA на основе обучающей выборки

[00155] Способ 1500 заканчивается на этапе 1504, на котором сервер 100 обучает MLA на основе обучающей выборки прогнозированию соответствующей расчетной погрешности для каждого вектора признаков. Обучение MLA включает в себя ввод каждого вектора признаков и соответствующей связанной расчетной погрешности в MLA.

[00156] В некоторых вариантах осуществления настоящей технологии сервер 100 может быть выполнен с возможностью обучать MLA на основе множества 402 векторов признаков и набора расчетных погрешностей. Другими словами, сервер 100 может быть выполнен с возможностью обучать MLA на основе обучающей выборки, которая включает в себя каждый вектор признаков в множестве 402 векторов признаков и соответствующие связанные расчетные погрешности в наборе расчетных погрешностей. MLA может быть обучен сервером 100 прогнозировать данную расчетную погрешность для данного вектора признаков, введенного в MLA.

[00157] Например, в течение первой обучающей итерации в MLA может быть введен в первый вектор 300 признаков и соответственно MLA может вывести первое расчетное значение. В MLA также введена первая расчетная погрешность 704. Сервер 100 может быть выполнен с возможностью настраивать MLA на основе разницы между первым расчетным значением и первой расчетной погрешностью для обучения MLA выводить данное расчетное значение для данного вектора признаков, которое почти равно данной расчетной погрешности. В общем случае, после большого числа итераций MLA может быть обучен выводить данное расчетное значение, которое равно или почти равно данным расчетным погрешностям соответствующих связанных данных векторов признаков.

[00158] В другом варианте осуществления настоящей технологии, например, в течение первой обучающей итерации в MLA может быть введен в первый вектор 1100 признаков и соответственно MLA может вывести первое расчетное значение. В MLA также введена первая расчетная погрешность 1402. Сервер 100 может быть выполнен с возможностью настраивать MLA на основе разницы между первым расчетным значением и первой расчетной погрешностью для обучения MLA выводить данное расчетное значение для данного вектора признаков, которое почти равно данной расчетной погрешности.

[00159] Важно иметь в виду, что не все упомянутые здесь технические результаты могут проявляться в каждом варианте осуществления настоящей технологии. Например, варианты осуществления настоящей технологии могут быть реализованы без проявления некоторых технических результатов, а другие варианты могут быть реализованы с проявлением других технических результатов или вовсе без них.

[00160] Специалисты в данной области техники поймут, что в настоящем описании выражение «получение данных» от пользователя подразумевает получение электронным устройством данных от пользователя в виде электронного (или другого) сигнала. Кроме того, специалисты в данной области техники поймут, что отображение данных пользователю через графический интерфейс пользователя (например, экран компьютерного устройства и тому подобное) может включать в себя передачу сигнала графическому интерфейсу пользователя, этот сигнал включает в себя данные, которые могут быть обработаны, и по меньшей мере часть этих данных может отображаться пользователю через графический интерфейс пользователя.

[00161] Некоторые из этих этапов, а также передача-получение сигнала хорошо известны в данной области техники и поэтому для упрощения были опущены в конкретных частях данного описания. Сигналы могут быть переданы-получены с помощью оптических средств (например, оптоволоконного соединения), электронных средств (например, проводного или беспроводного соединения) и механических средств (например, на основе давления, температуры или другого подходящего параметра).

[00162] Модификации и улучшения вышеописанных вариантов осуществления настоящей технологии будут ясны специалистам в данной области техники. Предшествующее описание представлено только в качестве примера и не несет никаких ограничений. Таким образом, объем настоящей технологии ограничен только объемом прилагаемой формулы изобретения.

[00163] Таким образом, с одной точки зрения варианты осуществления настоящей технологии, описанные выше, можно изложить следующим образом, структурированно, пронумерованными пунктами.

[00164] ПУНКТ 1. Способ (1500) обучения алгоритма машинного обучения (Machine Learning Algorithm, MLA), способ (1500) выполняется на сервере (100), причем сервер (100) реализует MLA, способ (1500) включает в себя:

• создание (1502) сервером (100) обучающей выборки для обучения MLA, причем обучающая выборка включает в себя множество (420) векторов признаков и соответствующие связанные расчетные погрешности, причем создание (1502) обучающей выборки включает в себя:

создание (1512) сервером (100) множества (402) векторов признаков на основе данных истории, связанных с производственным процессом, причем каждый вектор признаков представляет множество (304) идентифицированных признаков промышленного процесса в данных истории;

извлечение (1522) сервером (100) множества (404) выходных значений из данных истории, причем каждое выходное значение в множестве (404) выходных значений представляет соответствующий прошлый результат производственного процесса и соответственно связано с каждым вектором признаков в множестве (402) векторов признаков;

идентификацию (1532) сервером (100) соответствующего значения целевого признака процесса в каждом векторе признаков, причем целевой признак процесса был предварительно определен оператором (170);

определение (1542) сервером (100) функции (602) регрессии, которая представляет взаимоотношения между каждым значением целевого признака процесса и соответствующим выходным значением;

определение (1552) сервером (100) расчетного выходного значения для каждого соответствующего значения целевого признака процесса на основе функции (602) регрессии;

определение (1562) сервером (100) расчетной погрешности для каждого вектора признаков на основе соответствующего связанного выходного значения и соответствующего связанного расчетного выходного значения;

• обучение (1504) сервером (100) MLA на основе обучающей выборки прогнозировать соответствующую расчетную погрешность для каждого вектора признаков, причем обучение (1504) MLA включает в себя ввод сервером (100) каждого вектора признаков и соответствующую связанную расчетную погрешность в MLA.

[00165] ПУНКТ 2. Способ (1500) по п. 1, в котором способ (1500) также включает в себя хранение сервером (100) функции (602) регрессии в хранилище (120).

[00166] ПУНКТ 3. Способ (1500) по пп. 1 и 2, в котором способ (1500) дополнительно включает в себя после указанного обучения (1504):

• получение сервером (100) функции (602) регрессии из хранилища (120);

• получение сервером (100) текущих значений набора (850) признаков процесса и текущего выходного значения (840), которое представляет желаемый результат промышленного процесса, а набор признаков процесса представляет множество (304) идентифицированных признаков промышленного процесса за исключением целевого признака процесса;

• определение сервером (100) первого пробного расчетного выходного значения (902) для первого пробного значения (820) целевого признака процесса на основе функции (602) регрессии;

• определение сервером (100) первой пробной расчетной погрешности (1002) от обученного MLA для текущих значений набора (850) признаков процесса и первого пробного значения (820) целевого признака процесса с помощью ввода сервером (100) текущих значений набора (850) признаков процесса и первого пробного значения (820) целевого признака процесса в обученный MLA;

• определение сервером (100) первого пробного скорректированного расчетного выходного значения (1006) на основе первого пробного расчетного выходного значения (902) и первой пробной расчетной погрешности (1002);

• определение сервером (100) второго пробного расчетного выходного значения (904) для второго пробного значения (830) целевого признака процесса на основе функции (602) регрессии;

• определение сервером (100) второй пробной расчетной погрешности (1004) от обученного MLA для текущих значений набора (850) признаков процесса и второго пробного значения (830) целевого признака процесса с помощью ввода сервером (100) текущих значений текущего набора (850) признаков процесса и второго пробного значения (830) целевого признака процесса в обученный MLA;

• определение сервером (100) второго пробного скорректированного расчетного выходного значения (1008) на основе второго пробного расчетного выходного значения (904) и второй пробной расчетной погрешности (1004); и

• отбор сервером (100) данного из первого пробного значения (820) целевого признака процесса и второго пробного значения (830) целевого признака процесса как текущего значения целевого признака процесса на основе разницы между текущим выходным значением (840) и первым пробным скорректированным расчетным выходным значением (1006) и разницы между текущим выходным значением и вторым пробным скорректированным расчетным выходным значением (1008).

[00167] ПУНКТ 4. Способ (1500) по пп. 1-3, в котором способ (1500) дополнительно включает в себя инициацию сервером (100) выполнения производственного процесса с текущими значениями набора (850) признаков процесса и текущим значением целевого признака процесса для получения текущего выходного значения (840).

[00168] ПУНКТ 5. Способ (1500) по пп. 1-4, в котором способ (1500) дополнительно включает в себя определение сервером (100) первого пробного значения (820) и второго пробного значения (830) на основе данных истории.

[00169] ПУНКТ 6. Способ (1500) по пп. 1-5, в котором функция (602) регрессии является одной из следующих:

• линейной регрессией;

• дробно-линейной регрессией;

• логистической регрессией;

• полиномиальной регрессией;

• гребневой регрессией;

• лассо-регрессией.

[00170] ПУНКТ 7. Способ (1500) по п. 1, в котором способ (1500) включает в себя:

идентификацию сервером (100) соответствующего значения первого целевого признака процесса и второго целевого признака процесса в каждом векторе признаков, где первый целевой признак процесса и второй целевой признак процесса были предварительно определены оператором (170);

определение сервером (100) планарной функции (1350) регрессии, которая представляет взаимоотношения между каждым значением первого целевого признака процесса, соответствующим значением второго целевого признака процесса и соответствующим выходным значением;

определение сервером (100) расчетного выходного значения для каждого соответствующего значения первого целевого признака процесса и соответствующего значения второго целевого признака процесса на основе планарной функции (1350) регрессии; и

определение сервером (100) расчетной погрешности для каждого вектора признаков на основе соответствующего связанного выходного значения и соответствующего связанного расчетного выходного значения;

• обучение сервером (100) MLA на основе обучающей выборки прогнозировать соответствующую расчетную погрешность для каждого вектора признаков, причем обучение MLA включает в себя ввод сервером (100) каждого вектора признаков и соответствующую связанную расчетную погрешность в MLA.

[00171] ПУНКТ 8. Способ (1500) по п. 7, в котором способ (1500) дополнительно включает в себя после указанного обучения:

• получение сервером (100) планарной функции (1350) регрессии из хранилища (120);

• получение сервером (100) текущих значений набора признаков процесса и текущего выходного значения, которое представляет желаемый результат промышленного процесса, а набор признаков процесса представляет множество идентифицированных признаков промышленного процесса за исключением первого целевого признака процесса и второго целевого признака процесса;

• определение сервером (100) первого пробного расчетного выходного значения для первого пробного значения первого целевого признака процесса и первого значения второго целевого признака процесса на основе планарной функции (1350) регрессии;

• определение сервером (100) первой пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса, первого пробного значения первого целевого признака процесса и первого пробного значения второго целевого признака процесса с помощью ввода сервером текущих значений набора признаков процесса, первого пробного значения первого целевого признака процесса и первого значения второго целевого признака процесса в обученный MLA;

• определение сервером (100) первого пробного скорректированного расчетного выходного значения на основе первого пробного расчетного выходного значения и первой пробной расчетной погрешности;

• определение сервером (100) второго пробного расчетного выходного значения для второго пробного значения первого целевого признака процесса и второго пробного значения второго целевого признака процесса на основе планарной функции (1350) регрессии;

• определение сервером (100) второй пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса, второго пробного значения первого целевого признака процесса и второго пробного значения второго целевого признака процесса с помощью ввода сервером текущих значений текущего набора признаков процесса, второго пробного значения первого целевого признака процесса и второго значения второго целевого признака процесса в обученный MLA;

• определение сервером (100) второго пробного скорректированного расчетного выходного значения на основе второго пробного расчетного выходного значения и второй пробной расчетной погрешности; и

• отбор сервером (100) первых пробных значений или вторых пробных значений как текущей пары значений для первого целевого признака процесса и второго целевого признака процесса соответственно на основе разницы между текущим выходным значением и первым пробным скорректированным расчетным выходным значением и разницы между текущим выходным значением и вторым пробным скорректированным расчетным выходным значением.

[00172] ПУНКТ 9. Способ (1500) по пп. 7 и 8, в котором способ (1500) дополнительно включает в себя инициацию сервером (100) выполнения производственного процесса с текущей парой значений для первого целевого признака процесса и второго целевого признака процесса соответственно для получения текущего выходного значения.

[00173] ПУНКТ 10. Способ (1500) по пп. 7-9, в котором способ (1500) дополнительно включает в себя определение сервером (100) пары первых пробных значений и пары вторых пробных значений на основе данных истории.

[00174] ПУНКТ 11. Способ (1500) по пп. 1-10, в котором промышленный процесс является процессом легирования стали.

[00175] ПУНКТ 12. Сервер (100) для обучения алгоритма машинного обучения (MLA), сервер (100) реализует MLA, и сервер (100) выполнен с возможностью выполнять способ (1500) по пп. 1-11.

Похожие патенты RU2649792C2

название год авторы номер документа
СПОСОБ И СЕРВЕР ДЛЯ ОБУЧЕНИЯ АЛГОРИТМА МАШИННОГО ОБУЧЕНИЯ РАНЖИРОВАНИЮ ОБЪЕКТОВ 2020
  • Устименко Алексей Иванович
RU2782502C1
Способ и система создания параметра качества прогноза для прогностической модели, выполняемой в алгоритме машинного обучения 2017
  • Гулин Андрей Владимирович
RU2694001C2
СПОСОБ И СИСТЕМА ПОСТРОЕНИЯ ПОИСКОВОГО ИНДЕКСА С ИСПОЛЬЗОВАНИЕМ АЛГОРИТМА МАШИННОГО ОБУЧЕНИЯ 2018
  • Филонов Егор Андреевич
  • Коростелев Иван Владимирович
  • Акулов Ярослав Викторович
RU2720954C1
СПОСОБ И СЕРВЕР ДЛЯ ОБУЧЕНИЯ АЛГОРИТМА МАШИННОГО ОБУЧЕНИЯ ПЕРЕВОДУ 2020
  • Дворкович Антон Александрович
  • Коварский Борис Андреевич
RU2770569C2
Система и способ формирования обучающего набора для алгоритма машинного обучения 2018
  • Сафронов Александр Валерьевич
  • Антонова Александра Александровна
  • Мисюрев Алексей Владимирович
  • Платонов Владимир Александрович
  • Волынец Эдуард Мечиславович
RU2744029C1
Способ и система для контроля промышленного процесса с помощью обученного алгоритма машинного обучения (MLA) 2017
  • Шатерников Алексей Николаевич
  • Драль Эмели
  • Дектерев Виктор Михайлович
  • Лысенко Николай Юрьевич
RU2750060C2
Способ и сервер для определения обучающего набора для обучения алгоритма машинного обучения (MLA) 2020
  • Дорогуш Анна Вероника Юрьевна
  • Алипов Вячеслав Вячеславович
  • Кручинин Дмитрий Андреевич
  • Оганесян Дмитрий Алексеевич
RU2817726C2
СПОСОБЫ И СИСТЕМЫ ДЛЯ ОЦЕНКИ ОБУЧАЮЩИХ ОБЪЕКТОВ ПОСРЕДСТВОМ АЛГОРИТМА МАШИННОГО ОБУЧЕНИЯ 2017
  • Бурангулов Павел Александрович
RU2672394C1
СПОСОБ И СЕРВЕР ДЛЯ ОБУЧЕНИЯ АЛГОРИТМА МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПЕРЕВОДА 2020
  • Дворкович Антон Александрович
  • Пешкуров Роман Олегович
RU2790026C2
СПОСОБ И СИСТЕМА ВЫБОРА ДЛЯ РАНЖИРОВАНИЯ ПОИСКОВЫХ РЕЗУЛЬТАТОВ С ПОМОЩЬЮ АЛГОРИТМА МАШИННОГО ОБУЧЕНИЯ 2018
  • Дужик Валерий Иванович
  • Дроздовский Андрей Дмитриевич
  • Найдин Олег Павлович
RU2731658C2

Иллюстрации к изобретению RU 2 649 792 C2

Реферат патента 2018 года СПОСОБ И СИСТЕМА ОБУЧЕНИЯ АЛГОРИТМА МАШИННОГО ОБУЧЕНИЯ

Изобретение относится к способам и системам для отбора обучающей выборки для обучения алгоритма машинного обучения. Технический результат заключается в расширении арсенала средств. Способ обучения алгоритма машинного обучения включает в себя: создание сервером обучающей выборки для обучения MLA, причем обучающая выборка включает в себя множество векторов признаков и соответствующие связанные расчетные погрешности, создание включает в себя: создание множества векторов признаков на основе данных истории, связанных с производственным процессом; идентификацию соответствующего значения целевого признака процесса в каждом векторе признаков; определение функции регрессии; определение сервером расчетного выходного значения для каждого соответствующего значения целевого признака процесса на основе функции регрессии; определение расчетной погрешности для каждого вектора признаков на основе соответствующего связанного выходного значения и соответствующего связанного расчетного выходного значения. Метод также включает в себя обучение MLA на основе обучающей выборки прогнозировать соответствующую расчетную погрешность для каждого вектора признаков, причем обучение MLA включает в себя ввод сервером каждого вектора признаков и соответствующую связанную расчетную погрешность в MLA. 2 н. 19 з.п. ф-лы, 15 ил.

Формула изобретения RU 2 649 792 C2

1. Способ обучения алгоритма машинного обучения (Machine Learning Algorithm, MLA), способ выполняется на сервере, причем сервер реализует MLA, способ включает в себя:

создание сервером обучающей выборки для обучения MLA, причем обучающая выборка включает в себя множество векторов признаков и соответствующие связанные расчетные погрешности, причем создание обучающей выборки включает в себя:

создание сервером множества векторов признаков на основе данных истории, связанных с производственным процессом, причем каждый вектор признаков представляет множество идентифицированных признаков промышленного процесса в данных истории;

извлечение сервером множества выходных значений из данных истории, причем каждое выходное значение в множестве выходных значений представляет соответствующий прошлый результат производственного процесса и соответственно связано с каждым вектором признаков в множестве векторов признаков;

идентификацию сервером соответствующего значения целевого признака процесса в каждом векторе признаков, причем целевой признак процесса был предварительно определен оператором;

определение сервером функции регрессии, которая представляет взаимоотношения между каждым значением целевого признака процесса и соответствующим выходным значением;

определение сервером расчетного выходного значения для каждого соответствующего значения целевого признака процесса на основе функции регрессии;

определение сервером расчетной погрешности для каждого вектора признаков на основе соответствующего связанного выходного значения и соответствующего связанного расчетного выходного значения;

обучение сервером MLA на основе обучающей выборки прогнозировать соответствующую расчетную погрешность для каждого вектора признаков, причем обучение MLA включает в себя ввод сервером каждого вектора признаков и соответствующую связанную расчетную погрешность в MLA.

2. Способ по п. 1, в котором способ также включает в себя хранение сервером функции регрессии в хранилище.

3. Способ по п. 2, в котором способ дополнительно включает в себя после указанного обучения:

получение сервером функции регрессии из хранилища;

получение сервером текущих значений набора признаков процесса и текущего выходного значения, которое представляет желаемый результат промышленного процесса, а набор признаков процесса представляет множество идентифицированных признаков промышленного процесса за исключением целевого признака процесса;

определение сервером первого пробного расчетного выходного значения для первого пробного значения целевого признака процесса на основе функции регрессии;

определение сервером первой пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса и первого пробного значения целевого признака процесса с помощью ввода сервером текущих значений набора признаков процесса и первого пробного значения целевого признака процесса в обученный MLA;

определение сервером первого пробного скорректированного расчетного выходного значения на основе первого пробного расчетного выходного значения и первой пробной расчетной погрешности;

определение сервером второго пробного расчетного выходного значения для второго пробного значения целевого признака процесса на основе функции регрессии;

определение сервером второй пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса и второго пробного значения целевого признака процесса с помощью ввода сервером текущих значений текущего набора признаков процесса и второго пробного значения целевого признака процесса в обученный MLA;

определение сервером второго пробного скорректированного расчетного выходного значения на основе второго пробного расчетного выходного значения и второй пробной расчетной погрешности; и

отбор сервером данного из первого пробного значения целевого признака процесса и второго пробного значения целевого признака процесса как текущего значения целевого признака процесса на основе разницы между текущим выходным значением и первым пробным скорректированным расчетным выходным значением и разницы между текущим выходным значением и вторым пробным скорректированным расчетным выходным значением.

4. Способ по п. 3, в котором способ дополнительно включает в себя инициацию сервером выполнения производственного процесса с текущими значениями набора признаков процесса и текущим значением целевого признака процесса для получения текущего выходного значения.

5. Способ по п. 4, в котором способ дополнительно включает в себя определение сервером первого пробного значения и второго пробного значения на основе данных истории.

6. Способ по п. 1, в котором функция регрессии является одной из следующих:

линейной регрессией;

дробно-линейной регрессией;

логистической регрессией;

полиномиальной регрессией;

гребневой регрессией;

лассо-регрессией.

7. Способ по п. 1, в котором способ включает в себя:

идентификацию соответствующего значения первого целевого признака процесса и второго целевого признака процесса в каждом векторе признаков, где первый целевой признак процесса и второй целевой признак процесса были предварительно определены оператором;

определение сервером планарной функции регрессии, которая представляет взаимоотношения между каждым значением первого целевого признака процесса, соответствующим значением второго целевого признака процесса и соответствующим выходным значением;

определение сервером расчетного выходного значения для каждого соответствующего значения первого целевого признака процесса и соответствующего значения второго целевого признака процесса на основе планарной функции регрессии; и

определение сервером расчетной погрешности для каждого вектора признаков на основе соответствующего связанного выходного значения и соответствующего связанного расчетного выходного значения;

обучение сервером MLA на основе обучающей выборки прогнозировать соответствующую расчетную погрешность для каждого вектора признаков, причем обучение MLA включает в себя ввод сервером каждого вектора признаков и соответствующую связанную расчетную погрешность в MLA.

8. Способ по п. 7, в котором способ дополнительно включает в себя после указанного обучения:

получение сервером планарной функции регрессии из хранилища;

получение сервером текущих значений набора признаков процесса и текущего выходного значения, которое представляет желаемый результат промышленного процесса, а набор признаков процесса представляет множество идентифицированных признаков промышленного процесса за исключением первого целевого признака процесса и второго целевого признака процесса;

определение сервером первого пробного расчетного выходного значения для первого пробного значения первого целевого признака процесса и первого значения второго целевого признака процесса на основе планарной функции регрессии;

определение сервером первой пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса, первого пробного значения первого целевого признака процесса и первого пробного значения второго целевого признака процесса с помощью ввода сервером текущих значений набора признаков процесса, первого пробного значения первого целевого признака процесса и первого значения второго целевого признака процесса в обученный MLA;

определение сервером первого пробного скорректированного расчетного выходного значения на основе первого пробного расчетного выходного значения и первой пробной расчетной погрешности;

определение сервером второго пробного расчетного выходного значения для второго пробного значения первого целевого признака процесса и второго пробного значения второго целевого признака процесса на основе планарной функции регрессии;

определение сервером второй пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса, второго пробного значения первого целевого признака процесса и второго пробного значения второго целевого признака процесса с помощью ввода сервером текущих значений текущего набора признаков процесса, второго пробного значения первого целевого признака процесса и второго значения второго целевого признака процесса в обученный MLA;

определение сервером второго пробного скорректированного расчетного выходного значения на основе второго пробного расчетного выходного значения и второй пробной расчетной погрешности; и

отбор сервером первых пробных значений или вторых пробных значений как текущей пары значений для первого целевого признака процесса и второго целевого признака процесса соответственно на основе разницы между текущим выходным значением и первым пробным скорректированным расчетным выходным значением и разницы между текущим выходным значением и вторым пробным скорректированным расчетным выходным значением.

9. Способ по п. 8, в котором способ дополнительно включает в себя инициацию сервером выполнения производственного процесса с текущей парой значений для первого целевого признака процесса и второго целевого признака процесса соответственно для получения текущего выходного значения.

10. Способ по п. 9, в котором способ дополнительно включает в себя определение сервером пары первых пробных значений и пары вторых пробных значений на основе данных истории.

11. Сервер для обучения алгоритма машинного обучения (MLA), сервер реализует MLA, и сервер выполнен с возможностью осуществлять:

создание обучающей выборки для обучения MLA, причем обучающая выборка включает в себя множество векторов признаков и соответствующие связанные расчетные погрешности, причем для создания обучающей выборки сервер выполнен с возможностью осуществлять:

создание множества векторов признаков на основе данных истории, связанных с производственным процессом, причем каждый вектор признаков представляет множество идентифицированных признаков промышленного процесса в данных истории;

извлечение множества выходных значений из данных истории, причем каждое выходное значение в множестве выходных значений представляет соответствующий прошлый результат производственного процесса и соответственно связано с каждым вектором признаков в множестве векторов признаков;

идентификацию соответствующего значения целевого признака процесса в каждом векторе признаков, причем целевой признак процесса был предварительно определен оператором;

определение функции регрессии, которая представляет взаимоотношения между каждым значением целевого признака процесса и соответствующим выходным значением;

определение расчетного выходного значения для каждого соответствующего значения целевого признака процесса на основе функции регрессии;

определение расчетной погрешности для каждого вектора признаков на основе соответствующего связанного выходного значения и соответствующего связанного расчетного выходного значения;

обучение MLA на основе обучающей выборки прогнозировать соответствующую расчетную погрешность для каждого вектора признаков, причем для обучения MLA сервер выполнен с возможностью вводить каждый вектор признаков и соответствующую связанную расчетную погрешность в MLA.

12. Сервер по п. 11, в котором сервер дополнительно выполнен с дополнительной возможностью сохранения функции регрессии в хранилище.

13. Сервер по п. 12, в котором сервер дополнительно выполнен с возможностью после обучения осуществлять:

получение функции регрессии из хранилища;

получение текущих значений набора признаков процесса и текущего выходного значения, которое представляет желаемый результат промышленного процесса, а набор признаков процесса представляет множество идентифицированных признаков промышленного процесса за исключением целевого признака процесса;

определение первого пробного расчетного выходного значения для первого пробного значения целевого признака процесса на основе функции регрессии;

определение первой пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса и первого пробного значения целевого признака процесса с помощью ввода сервером текущих значений набора признаков процесса и первого пробного значения целевого признака процесса в обученный MLA;

определение первого пробного скорректированного расчетного выходного значения на основе первого пробного расчетного выходного значения и первой пробной расчетной погрешности;

определение второго пробного расчетного выходного значения для второго пробного значения целевого признака процесса на основе функции регрессии;

определение второй пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса и второго пробного значения целевого признака процесса с помощью ввода сервером текущих значений текущего набора признаков процесса и второго пробного значения целевого признака процесса в обученный MLA;

определение второго пробного скорректированного расчетного выходного значения на основе второго пробного расчетного выходного значения и второй пробной расчетной погрешности; и

отбор данного из первого пробного значения целевого признака процесса и второго пробного значения целевого признака процесса как текущего значения целевого признака процесса на основе разницы между текущим выходным значением и первым пробным скорректированным расчетным выходным значением и разницы между текущим выходным значением и вторым пробным скорректированным расчетным выходным значением.

14. Сервер по п. 13, в котором сервер выполнен с дополнительной возможностью инициировать выполнение производственного процесса с текущими значениями набора признаков процесса и текущим значением целевого признака процесса для получения текущего выходного значения.

15. Сервер по п. 14, в котором сервер выполнен с дополнительной возможностью определять первое пробное значение и второе пробное значение на основе данных истории.

16. Сервер по п. 11, в котором функция регрессии является одной из следующих:

линейной регрессией;

дробно-линейной регрессией;

логистической регрессией;

полиномиальной регрессией;

гребневой регрессией;

лассо-регрессией.

17. Сервер по п. 11, в котором сервер выполнен с возможностью осуществлять:

идентификацию соответствующего значения первого целевого признака процесса и второго целевого признака процесса в каждом векторе признаков, где первый целевой признак процесса и второй целевой признак процесса были предварительно определены оператором;

определение планарной функции регрессии, которая представляет взаимоотношения между каждым значением первого целевого признака процесса, соответствующим значением второго целевого признака процесса и соответствующим выходным значением;

определение расчетного выходного значения для каждого соответствующего значения первого целевого признака процесса и соответствующего значения второго целевого признака процесса на основе планарной функции регрессии;

определение расчетной погрешности для каждого вектора признаков на основе соответствующего связанного выходного значения и соответствующего связанного расчетного выходного значения;

обучение MLA на основе обучающей выборки прогнозировать соответствующую расчетную погрешность для каждого вектора признаков, причем для обучения MLA сервер выполнен с возможностью вводить каждый вектор признаков и соответствующую связанную расчетную погрешность в MLA.

18. Сервер по п. 17, в котором сервер дополнительно выполнен с возможностью после обучения осуществлять:

получение планарной функции регрессии из хранилища;

получение текущих значений набора признаков процесса и текущего выходного значения, которое представляет желаемый результат промышленного процесса, а набор признаков процесса представляет множество идентифицированных признаков промышленного процесса за исключением первого целевого признака процесса и второго целевого признака процесса;

определение первого пробного расчетного выходного значения для первого пробного значения первого целевого признака процесса и первого значения второго целевого признака процесса на основе планарной функции регрессии;

определение первой пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса и первого пробного значения первого целевого признака процесса и первого пробного значения второго целевого признака процесса с помощью ввода текущих значений набора признаков процесса, первого пробного значения первого целевого признака процесса и первого значения второго целевого признака процесса в обученный MLA;

определение первого пробного скорректированного расчетного выходного значения на основе первого пробного расчетного выходного значения и первой пробной расчетной погрешности;

определение второго пробного расчетного выходного значения для второго пробного значения первого целевого признака процесса и второго пробного значения второго целевого признака процесса на основе планарной функции регрессии;

определение второй пробной расчетной погрешности от обученного MLA для текущих значений набора признаков процесса, второго пробного значения первого целевого признака процесса и второго пробного значения второго целевого признака процесса с помощью ввода текущих значений текущего набора признаков процесса, второго пробного значения первого целевого признака процесса и второго значения второго целевого признака процесса в обученный MLA;

определение второго пробного скорректированного расчетного выходного значения на основе второго пробного расчетного выходного значения и второй пробной расчетной погрешности; и

отбор первых пробных значений или вторых пробных значений как текущей пары значений для первого целевого признака процесса и второго целевого признака процесса соответственно на основе разницы между текущим выходным значением и первым пробным скорректированным расчетным выходным значением и разницы между текущим выходным значением и вторым пробным скорректированным расчетным выходным значением.

19. Сервер по п. 18, в котором сервер выполнен с дополнительной возможностью инициировать выполнение производственного процесса с текущей парой значений для первого целевого признака процесса и второго целевого признака процесса соответственно для получения текущего выходного значения.

20. Сервер по п. 19, в котором сервер выполнен с дополнительной возможностью определять пару первых пробных значений и пару вторых пробных значений на основе данных истории.

21. Способ по п. 1, в котором промышленный процесс является процессом легирования стали.

Документы, цитированные в отчете о поиске Патент 2018 года RU2649792C2

СПОСОБ ОБУЧЕНИЯ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ 2012
  • Цуриков Александр Николаевич
RU2504006C1
Способ приготовления лака 1924
  • Петров Г.С.
SU2011A1
Токарный резец 1924
  • Г. Клопшток
SU2016A1
Изложница с суживающимся книзу сечением и с вертикально перемещающимся днищем 1924
  • Волынский С.В.
SU2012A1
Приспособление для суммирования отрезков прямых линий 1923
  • Иванцов Г.П.
SU2010A1

RU 2 649 792 C2

Авторы

Лобачев Виктор Анатольевич

Неклюдов Кирилл Олегович

Яшков Даниил Дмитриевич

Шатерников Алексей Николаевич

Даты

2018-04-04Публикация

2016-09-09Подача