[发明专利]用于控制物理或化学过程的系统、设备和方法

说明书

本发明公开控制物理或化学过程的系统、设备和方法，该方法具有：依据第一后验模型确定第二后验模型，第一后验模型描述与物理/化学过程相关的过程的输入参量与输出参量之间的关系，第二后验模型描述物理或化学过程的输入参量与输出参量之间的关系，其中该确定具有：确定具有共同的协方差函数的多个高斯过程，每个高斯过程通过如下方式确定：从第一后验模型中提取函数且该函数形成高斯过程的预期值，且(i)将先验模型确定为多个高斯过程的平均值，且借助将先验模型调节到已知测量点来确定第二后验模型，或(ii)将每个高斯过程调节到已知测量点且将第二后验模型确定为经调节的多个高斯过程的平均值；使用第二后验模型来控制该物理或化学过程。

技术领域

总的来说，各种实施例涉及一种用于控制物理或化学过程的系统、设备和方法。

背景技术

在生产过程和加工过程（例如钻孔、铣削、热处理等）中，过程参数、诸如过程温度、过程时间、真空或气体环境等等，被调整为使得工件的所希望的特性、诸如硬度、强度、热导率、电导率、密度、微观组织、宏观组织、化学成分等等被实现。这些过程参数可以通过基于模型的优化方法、诸如贝叶斯优化方法来确定。在这种情况下，用于生产或加工过程的模型可以依据测量数据来确定。然而，这可能需要大量测量数据并且因而需要很高的花费（例如时间花费和/或成本花费）。该花费可以通过如下方式来减小：该模型依据已经被学习的描述与生产或加工过程相关的过程的模型结合这些测量数据来确定（也称为迁移学习）。例如，两个模型可以描述在不同机器上（以及具有类似的过程参数的）的钻孔或铣削。在这种情况下，已经被学习的模型可以用作待学习模型的基础并且因而可以减少所需的测量数据量。

D. Golovin等人的出版文献“Google Vizier: A Service for Black-BoxOptimization”, KDD 2017 Applied Data Science Paper, 2017（在下文称为参考文献[1]）描述了一种分级迁移学习，其中作为高斯过程的模型依据已经作为高斯过程被学习的模型并且依据测量数据来确定。

为了按照贝叶斯优化方法来学习模型，则在每次迭代中都可以借助于采集函数来确定新的测量点。采集函数的示例在D. Jones等人的出版文献“Efficient globaloptimization of expensive black-box functions”, Journal of Globaloptimization, 1998（在下文称为参考文献[2]）和N. Srinivas等人的“Gaussian processoptimization in the bandit setting: No regret and experimental design”, Proc.International Conference on Machine Learning (ICML), 2010（在下文称为参考文献[3]）中被描述。

表征生产或加工过程的至少一个特性和/或过程对工件的影响中的至少一个影响的测量即使在过程参数相同的情况下也可能有波动。这些波动可能来自过程本身、来自工件以及来自测量误差。由于这些波动和/或由于测量数据较少，所学习的模型可能在测量数据少或者没有测量数据的区域具有高度不准确和/或不确定性。按照各种实施方式，已经认识到：如果不仅已经被学习的模型的不确定性而且待学习模型的不确定性都被考虑，则在迁移学习时的学习花费（例如优化效率）可以被减少。

发明内容

具有独立权利要求1、5和6的特征的方法、设备和系统能够实现对模型的高效优化。在这种情况下，所需的测量数据的数量减少，由此可以减少对该模型进行学习的花费（例如时间花费和/或成本花费）。清楚的是，在迁移学习的范围内，只需要少量测量，以便使已经针对相似过程被学习的模型与新过程匹配。此外，本文中所描述的对已经被学习的模型的不确定性的考虑引起针对新过程被学习的模型的精度提高（例如引起被学习的模型的预期值的精度提高以及关于该预期值的所考虑的不确定性的精度提高）。按照各种实施方式，能够实现：即使仅存在少量数据和/或即使已经针对相似过程被学习的模型具有高不确定性，也对该模型进行学习。