CN111328401A - 用于在计算单元中进行机器学习的方法和设备 - Google Patents

Abstract

本发明涉及一种针对机器学习的方法和设备。为了创造有利的方法条件而建议：借助至少第一数据集（3）来训练至少第一机器学习模型（8）；借助第二数据集（4）来训练第二机器学习模型（9）；借助经过训练的至少第一机器学习模型（8）来形成至少第一预测数据集（12）；借助经过训练的第二机器学习模型（9）来形成第二预测数据集（13）；至少借助第一预测数据集（12）和第二预测数据集（13）来训练链接机器学习模型（15）；借助链接机器学习模型（15）来形成第三预测数据集（14）；并且至少借助第三预测数据集（14）来形成用于控制调节装置（2）的调节量。借此减小了对计算能力的需求，并且提高了预测和调节精度。

Description

用于在计算单元中进行机器学习的方法和设备

技术领域

本发明涉及一种用于在（针对尤其是机器的调节装置（Regelungseinrichtung）的）计算单元中进行机器学习的方法和设备，其中采用集成方法和分类模型。

背景技术

在工业监控和调节装置（例如如已知的西门子（Siemens） SCADA这样的系统）的计算单元中实施数据分析方法和机器学习方法使得能够采用统计模型用于对故障或者维护场景进行分类。相对应的从现有技术中已知的分类模型常常离线地被训练，并且紧接着针对预测计算而在线地被实例化，所述从现有技术中已知的分类模型基于诸如随机森林（Random Forest）、支持向量机（Support Vector Machine）或者人工神经网络的机器学习方法，所述离线地被训练也就是在经由通信接口的数据传送不活跃时被训练，所述在线地被实例化也就是在经由通信接口的数据传送活跃时例如被实例化到网络中或者由网络来实例化。分类模型的在线更新通常是不可能的，因此分类模型的更新常常随着整轮训练（vollstaendiger Trainingsdurchlauf）而出现。这具有对计算机能力、存储器容量和网络带宽有大需求的缺点，由此可能造成高成本。

从现有技术中例如已知了DE 10 2016 013 985 A1，在其中公开了用于在机器中进行机器学习的设备。设置了学习单元和状态观测单元，其中状态观测单元观测有关发动机控制装置中的位置、转速和电流的状态变量。由这些状态变量形成训练数据集。借助训练数据集，该设备或其学习单元学习与多个有关位置、转速和电流的目标值校正有关联的条件。

发明内容

本发明所基于的任务是，说明了一种相对于现有技术被进一步开发的方法。

根据本发明，该任务利用开头所提到的类型的方法来解决，在所述方法中，借助至少第一数据集来训练至少第一机器学习模型，所述至少第一数据集包括由至少一个传感器检测到的针对至少第一时域的数据；在所述方法中，借助第二数据集来训练第二机器学习模型，所述第二数据集包括由至少一个传感器检测到的针对第二时域的数据，所述第二时域与至少第一时域分开；在所述方法中，借助经过训练的至少第一机器学习模型来预测针对至少第一预测时域的数据，并且由此形成至少第一预测数据集；在所述方法中，借助经过训练的第二机器学习模型来预测针对第二预测时域的数据，并且由此形成第二预测数据集，所述第二预测时域与至少第一预测时域交叠；在所述方法中，至少借助第一预测数据集和第二预测数据集来训练链接机器学习模型；在所述方法中，借助链接机器学习模型来预测针对第二预测时域的数据，而且由此形成第三预测数据集；并且在所述方法中，至少借助第三预测数据集来形成调节量，而且利用这些调节量来控制调节装置。基于对第一机器学习模型就其精度和可靠性方面进行的机器评估，形成第二机器学习模型。如果由传感器检测到的数据实质上改变，那么这例如是必需的，其中例如可以涉及如转速这样的机器参数。通过在第二时域内关于第一机器学习模型和其第一时域（第一时域和第二时域彼此不重叠，而是例如第二时域邻接第一时域）递增地形成第二机器学习模型，可以省去的是，基于来自第一时域的数据训练第二机器学习模型。即使可以在第二机器学习模型中采用第一机器学习模型的评估的结果，也主要基于借助传感器检测到的有关第二时域的数据来形成该机器学习模型，由此对于第二机器学习模型而言缩小了相对应的观测时段，其中所述第二时域与第一时域分开。通过缩小观测时段，降低了关于计算机能力、存储器容量、网络带宽的要求，并且因此降低了成本。同样地（Zuggleich），基于链接机器学习模型，提高了预测精度和调节精度以及预测可靠性和调节可靠性，在所述链接机器学习模型中，不仅考虑第一机器学习模型的数据，而且考虑第二机器学习模型的数据。例如，可以以高的精度来预测机器状态（例如非临界状态，在所述非临界状态中，转速或者温度未达到所限定的阈值；或者临界状态，在所述临界状态中，转速或者温度超过该阈值），并且由此形成第一预测数据集、第二预测数据集和第三预测数据集。此外，利用第一机器学习模型和第二机器学习模型，也可以执行基于检测到的参数的不连续的变化过程（unstetige Verlaeufe）的预测计算。例如，磨损的组件的由传感器检测到的厚度可能线性地减小，并且在更换该组件时可能又采取其原始大小。相对应的厚度变化过程因此可能是锯齿形的。如果在第一机器学习模型的第一时域之外并且在第二机器学习模型的第二时域之内进行更换，则该更换在第二机器学习模型中予以考虑，也就是第二机器学习模型被如下（dahingehend）训练。第一机器学习模型与第二机器学习模型组合成链接机器学习模型。因而，借助链接机器学习模型，在考虑组件更换时间点的情况下，可以针对连续的和不连续的厚度变化过程来执行预测计算。

如果至少第二机器学习模型和链接机器学习模型在程序运行时间期间形成，则获得有利的构建方案。通过该措施，实现对计算机能力的改进。程序包（在该程序包中实施第一机器学习模型、第二机器学习模型和链接机器学习模型）例如可以在程序运行时间期间（也就是在程序运行时间时）一方面形成第二机器学习模型以及链接机器学习模型，而另一方面执行预测计算，形成调节量，控制调节装置以及将数据传输到网络中并且从该网络接收到数据，等等。

如果至少第一数据集以及第二数据集由参数形成，则实现有利的解决方案，其中所述参数借助至少第一机器学习模型、第二机器学习模型和链接机器学习模型被转化为状态数据。在本上下文中，此外可以有利的是，状态数据在其形成之后改变。此外有利的是，可改变的似然性系数（Plausibilitaetskennzahlen）被分配（zuordnen）给这些状态数据。状态数据例如可以是机器状态。例如，第一状态可以描述机器的非临界状态，而第二状态可以描述临界状态。如果例如证实状态已被错误分类，则状态数据的改变例如可以与对预测计算的结果的评估有关联地进行。借助似然性系数与状态数据的分配，评估和/或加权预测计算的结果，也就是例如评估和/或加权其可靠性。

有利的是，至少第一机器学习模型和第二机器学习模型借助不同的机器学习方法来形成。借此实现有利的灵活性。针对第一机器学习模型，例如可以应用随机森林方法，并且针对第二机器学习模型，可以应用支持向量机方法。借此，导致第一机器学习模型和第二机器学习模型与适合于相应的方法的使用领域有利地适配。

如果至少第一机器学习模型经由至少一个网络来传输，则实现有利的解决方案。通过该措施，使得能够访问在地理上远离的计算单元或者计算机云（Rechnerwolken），在所述计算单元或者计算机云中实施机器学习模型，或可以经由这些远离的计算单元或者计算机云而使第一机器学习模型可访问。

随后依据实施例更详细地阐述了本发明。

附图说明

在附图中，示例性地：

图1示出了根据本发明的用于利用第一机器学习模型、第二机器学习模型和链接机器学习模型来调节机器的方法的示例性的实施变型方案的第一流程图，以及

图2示出了根据本发明的设备的示例性的实施变型方案的示意图，其中示出了具有程序包的计算单元，所述计算单元与调节装置相连。

具体实施方式

图1示出了根据本发明的方法的示例性的实施变型方案的第一流程图。该方法在调节装置2的计算单元1中实施，该调节装置2在图2中示意性示出。计算单元1在未示出的机器中实施，该机器实施为电动车辆的驱动单元。借助第一数据集3来训练第一机器学习模型8，该第一数据集3具有由在图2中示意性示出的传感器5检测到的针对第一时域6的数据。第二机器学习模型9借助第二数据集4来训练，所述第二数据集4包括由传感器5检测到的针对第二时域7的数据，所述第二时域7无重叠地邻接第一时域6、也就是与第一时域6分开。第一数据集3和第二数据集4包括表征机器的转速的机器参数。

借助经过训练的第一机器学习模型8，预测针对第一预测时域10的数据，并且由此形成至少第一预测数据集12。借助经过训练的第二机器学习模型9，预测针对第二预测时域11的数据，并且由此形成第二预测数据集13，所述第二预测时域11与第一预测时域10交叠。借助第一预测数据集12和第二预测数据集13，训练链接机器学习模型15，该链接机器学习模型15经由第一机器学习模型8和第二机器学习模型9的链接被形成为元模型。借助链接机器学习模型15，预测针对第二预测时域11的数据，并且由此形成第三预测数据集14。第一预测数据集12、第二预测数据集13和第三预测数据集14包括如下状态数据：所述状态数据描述了机器的第一状态p1或者第二状态p2。第一状态p1表征在所限定的阈值之下的转速，第二状态p2表征在该阈值之上的转速。借助第一机器学习模型8在第一预测时域10内以及借助第二机器学习模型9和链接机器学习模型15在第二预测时域11内，从机器参数中确定状态数据，并且评估这些状态数据。根据状态数据的似然性，给状态数据分配似然性特征数据，所述状态数据的似然性取决于针对有关机器参数的哪个值域设计第一机器学习模型8和第二机器学习模型9。所述似然性特征数据包括似然性系数。第一状态p1或者第二状态p2在时间t内的似然性越大，则似然性系数越大。

借助第三预测数据集14形成未示出的调节量，并且利用所述调节量如下控制调节装置2：借助PID调节器确定目标发动机转速，并且监控达到或遵守该目标发动机转速。

在图1中示出了有关时间t的时间尺度以及三个图表，在这些图表的横坐标上绘制了时间t，而在这些图表的纵坐标上绘制了机器状态p。第一时间点t1具有借助第一机器学习模型8来预测的第一状态p1，而第二时间点t2同样具有由第一机器学习模型8并且也由第二机器学习模型9来预测的第一状态p1。对于第三时间点t3，由第一机器学习模型8来预测第二状态p2，并且由第二机器学习模型9来预测第一状态p1。对于第三时间点t3，与由第一机器学习模型8形成的预测相比，给借助第二机器学习模型9形成的预测分配更高的似然性系数。借助链接机器学习模型15，针对第二时间点t2预测第一状态p1，并且针对第三时间点t3，基于所提到的更高的似然性系数来预测第一状态p1。在这三个图表中，示出了其他时间点，针对所述其他时间点同样预测第一机器学习模型8、第二机器学习模型9和链接机器学习模型15的第一状态p1和第二状态p2。

为了形成第一机器学习模型8，采用随机森林作为从现有技术中已知的分类方法。为了形成第二机器学习模型9，采用支持向量机作为已知的用于进行模式识别的方法。在此涉及一种有利的解决方案。可是，根据本发明也可想象的是，针对第二机器学习模型9也设置随机森林方法。链接机器学习模型15形成为第一机器学习模型8和第二机器学习模型9的组合。在图2中所示的程序包17的运行时间时形成第二机器学习模型9和链接机器学习模型15。

在其中借助第一机器学习模型8形成更貌似合理的预测的转速区域和/或时段中，针对链接机器学习模型15采用第一机器学习模型8的随机森林算法。在其中借助第二机器学习模型9形成更貌似合理的预测的转速区域和/或时段中，针对链接机器学习模型15采用第二机器学习模型9的支持向量机算法。根据本发明的方法实施为集成方法。因此提供了各种学习算法以进行应用。

对于该实施变型方案，采用第一机器学习模型8和第二机器学习模型9用于形成链接机器学习模型15。可是，根据本发明也可设想的是，第三机器学习模型和还有其他机器学习模型被组合成链接机器学习模型15。此外可想象的是，形成多于一个的链接机器学习模型15，例如由第一机器学习模型8和第二机器学习模型9形成的第一链接机器学习模型15，以及由第三机器学习模型和第四机器学习模型形成的第二链接机器学习模型，等等。

图2示出了根据本发明的设备的示例性的实施变型方案，所述设备具有未示出的机器的计算单元1，在所述计算单元1中设置有程序包17并且所述计算单元1经由未示出的电压供给装置供给以电力。在程序包17中实施第一机器学习模型8、第二机器学习模型9以及链接机器学习模型15，这些机器学习模型与图1有关联地来描述。

此外，程序包17具有数据库18，在所述数据库18中存储有第一数据集3和第二数据集4，以及存储有第一预测数据集12、第二预测数据集13和第三预测数据集14，这些数据集与图1有关联地提到。传感器5与计算单元1相连，该传感器5检测机器的转速并且经由线路路径向计算单元1传输相对应的数据。由所述数据形成第一数据集3和第二数据集4。借助第一机器学习模型8、第二机器学习模型9和链接机器学习模型15，如与图1有关联地描述的那样，依据由传感器5检测到的转速信息或向计算单元1传输的数据来预测机器的状态（例如由于贯穿较长的时段超过所限定的阈值的转速引起的损伤状态）、也就是执行预测计算。针对相对应的评价，由描述这些状态的数据形成第一预测数据集12、第二预测数据集13和第三预测数据集14。

计算单元1此外还与调节装置2相连，向所述调节装置2传输来自第三预测数据集14的数据。调节装置2具有未示出的PID调节器，用于进行机器的转速调节，在所述PID调节器中，来自第三预测数据集14的数据被转换为调节量。这些调节量实施为目标转速，该目标转速必须被该机器遵守并且不允许被超过，以便不让所预测的对机器的损伤出现。

根据本发明可设想的是，例如出于控制目的，也向调节装置2传输来自第一预测数据集12和/或第二预测数据集13的数据，并且在调节装置2那里处理这些数据。

此外，计算单元1经由网络16与未示出的计算机云相连。从计算云中可以接收到机器学习模型的数据，所述机器学习模型的数据形成在计算单元1之外并且借助所述机器学习模型的数据来执行预测计算，并且在计算单元1中处理所述机器学习模型的数据，也就是例如为了形成调节量而向调节装置2传输所述机器学习模型的数据。此外，从计算单元1的数据库18经由网络16向计算机云传送预测数据集（例如第三预测数据集14），以便在其中被处理。

程序包17包括图形用户界面19，用户经由该图形用户界面19能够进行输入和接收输出。为此，计算单元1与未示出的输入设备（键盘和鼠标）以及输出设备（显示装置）相连。经由用户界面19，选择要针对预测计算设置的方法或算法。例如，如与图1有关联地描述的那样，针对第一机器学习模型8选择随机森林算法，而针对第二机器学习模型9选择支持向量机算法。对于每种可选的方法显示质量信息，例如针对哪些转速区域利用该方法要预期有特别精确的结果。

此外，可以经由用户界19改变和/或调整（einstellen）与图1有关联地提到的状态数据和似然性系数。例如，如果预测计算的结果证实为有错误的，那么状态数据或者似然性系数的改变是必需的。例如，在这样的情况下，似然性系数可以设置到小的值，或者例如可以将第一状态p1（与图1有关联地提到）修正到第二状态p2（同样与图1有关联地提到）。

此外，借助用户界面19可以选择和聚合针对第一机器学习模型8、第二机器学习模型9和链接机器学习模型15的训练和/或学习过程的数据，监控所述学习过程以及评估所述学习过程的结果。

第一机器学习模型8、第二机器学习模型9和链接机器学习模型15在计算单元1中（也就是在本地）被训练和被评估，和/或似然性系数在本地被分配。计算单元1与网络16相连。因而也可想象的是，第一机器学习模型8、第二机器学习模型9和/或链接机器学习模型15在本地被训练，并且紧接着被传输到计算机云中。此外可设想的是：第一机器学习模型8、第二机器学习模型9和/或链接机器学习模型15在计算机云中被训练以及被评估；并且从计算机云经由网络16向计算单元1传输相对应的数据，而且所述相对应的数据被采用到在计算单元1中要执行的预测计算中。此外可能的是，第一机器学习模型8、第二机器学习模型9和/或链接机器学习模型15在计算机云中被训练，并且在计算单元1中被评估。

针对该实施变型方案，调节装置2实施为转速调节器。根据本发明也可想象的是，调节装置2例如构造为诊断和监控装置。例如，利用所述诊断和监控装置可以监控齿轮系轴承的温度，并且在所预测的超过阈值的情况下，在图形用户界面19上显示警告事件。此外，可能的是，为了处理预测计算的结果，多于一个的调节装置2与计算单元1相连。

附图标记列表

1 计算单元

2 调节装置

3 第一数据集

4 第二数据集

5 传感器

6 第一时域

7 第二时域

8 第一机器学习模型

9 第二机器学习模型

10 第一预测时域

11 第二预测时域

12 第一预测数据集

13 第二预测数据集

14 第三预测数据集

15 链接机器学习模型

16 网络

17 程序包

18 数据库

19 用户界面

t 时间

p 机器状态

p1 第一状态

p2 第二状态

t1 第一时间点

t2 第二时间点

t3 第三时间点。

Claims (10)

1.一种用于在计算单元中进行机器学习的方法，所述计算单元是针对尤其是机器的调节装置的计算单元，其中采用集成方法和分类模型，其特征在于，借助至少第一数据集（3）来训练至少第一机器学习模型（8），所述至少第一数据集（3）包括由至少一个传感器（5）检测到的针对至少第一时域（6）的数据；

借助第二数据集（4）来训练第二机器学习模型（9），所述第二数据集（4）包括由所述至少一个传感器（5）检测到的针对第二时域（7）的数据，所述第二时域（7）与所述至少第一时域（6）分开；

借助经过训练的所述至少第一机器学习模型（8）来预测针对至少第一预测时域（10）的数据，并且由此形成至少第一预测数据集（12）；

借助经过训练的所述第二机器学习模型（9）来预测针对第二预测时域（11）的数据，并且由此形成第二预测数据集（13），所述第二预测时域（11）与所述至少第一预测时域（10）交叠；

至少借助所述第一预测数据集（12）和所述第二预测数据集（13）来训练链接机器学习模型（15）；

借助所述链接机器学习模型（15）来预测针对所述第二预测时域（11）的数据，并且由此形成第三预测数据集（14），和

至少借助所述第三预测数据集（14）形成调节量，而且利用所述调节量来控制所述调节装置（2）。

2.根据权利要求1所述的方法，其特征在于，至少所述第二机器学习模型（9）和所述链接机器学习模型（15）在程序运行时间期间形成。

3.根据权利要求1或者2所述的方法，其特征在于，所述至少第一数据集（3）以及所述第二数据集（4）由如下参数形成：所述参数借助所述至少第一机器学习模型（8）、所述第二机器学习模型（9）和所述链接机器学习模型（15）被转化为状态数据。

4.根据权利要求3所述的方法，其特征在于，所述状态数据在其形成之后被改变。

5.根据权利要求3或者4所述的方法，其特征在于，可改变的似然性系数被分配给所述状态数据。

6.根据权利要求3、4或者5之一所述的方法，其特征在于，所述至少第一预测数据集（12）、所述第二预测数据集（13）以及所述第三预测数据集（14）由所述状态数据形成。

7.根据权利要求1、2、3、4、5或者6之一所述的方法，其特征在于，至少所述第一机器学习模型（8）和所述第二机器学习模型（9）借助不同的机器学习方法来形成。

8.根据权利要求1、2、3、4、5、6或者7之一所述的方法，其特征在于，至少所述第一机器学习模型（8）经由至少一个网络（16）来传输。

9.一种设备，其配置用于执行根据权利要求1、2、3、4、5、6、7或者8之一所述的方法，其特征在于，计算单元（1）设置有程序包（17），在所述程序包（17）中实施至少第一机器学习模型（8）、第二机器学习模型（9）以及链接机器学习模型（15），并且所述程序包（17）具有至少一个数据库（18）；而且所述计算单元（1）与至少一个网络（16）、与传感器（5）以及与调节装置（2）相连。

10.根据权利要求9所述的设备，其特征在于，所述计算单元（1）包括至少一个输入设备以及至少一个输出设备，并且所述程序包（17）具有图形用户界面（19）。

Images