CN112836103A - 用于基于ki地运行自动化系统的方法和设备 - Google Patents

用于基于ki地运行自动化系统的方法和设备 Download PDF

Info

Publication number
CN112836103A
CN112836103A CN202011306933.5A CN202011306933A CN112836103A CN 112836103 A CN112836103 A CN 112836103A CN 202011306933 A CN202011306933 A CN 202011306933A CN 112836103 A CN112836103 A CN 112836103A
Authority
CN
China
Prior art keywords
data records
group
state
neural network
respect
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011306933.5A
Other languages
English (en)
Inventor
F·贝特纳
R·格罗斯
S·利默
I·托恩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Original Assignee
Siemens AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens AG filed Critical Siemens AG
Publication of CN112836103A publication Critical patent/CN112836103A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • General Factory Administration (AREA)

Abstract

用于基于KI地运行自动化系统的方法和设备。本发明涉及自动化系统的控制装置，该控制装置被设立用于主要在使用KI系统的情况下控制设施、例如生产设施。在该控制装置的应用中，该控制装置关于所生产的对象的质量方面、例如关于是否存在错误情况方面对生产进行监控。KI系统提前基于对象的多个已知状态来被训练，使得KI系统能够在出现新的、到目前为止未知的状态时被训练，其中仅需要数目微少的案例研究。

Description

用于基于KI地运行自动化系统的方法和设备
技术领域
本发明涉及一种自动化系统以及尤其是该自动化系统的用于控制设施、例如生产设施的控制装置。
背景技术
现代自动化系统的控制装置、例如用于自动生产产品A、B、C的控制装置为了控制例如要自动化的过程而已经使用人工智能（KI），也就是说在相应的控制装置中实现KI系统。这些KI系统例如可以被用于在自动化生产过程的框架内检测所生产的产品的质量，例如关于产品的可能的损坏或者错误装配等等方面检测所生产的产品的质量。已经表明：只要所要探测的错误被加入到KI系统的先前的训练中，经训练的KI系统就极其可靠地满足该目的。众所周知，这样的训练基于规模极大的数据记录，该数据记录例如由所要生产的在任何状态Z下的产品A、B、C的图像组成，其中状态Z例如包括产品A、B、C的完好无损的状态Z0以及产品A、B、C的有缺陷的状态Z1、Z2、Z3。然而对于在生产过程中出现在训练中没有考虑到的错误FX的情况来说，经训练的KI系统不能够可靠地标识出该未知的错误状态ZX。因此，需要对KI系统进行进一步训练来使该KI系统能够可靠地识别出新错误FX。然而，众所周知，为此需要具有新错误FX的产品的大量不同的数据记录。然而，一方面因为现代生产设施的错误率很低并且与此相对应地只发生少量错误，所以会持续相当长的时间，直至到目前为止对于进一步训练KI系统来说所需的数据可供支配。另一方面表明：自动化生产设施越来越频繁地被用于生产件数比较少的特定产品，使得必要时完全不可能积累对于KI系统的常规训练来说所需的数据量。
发明内容
因而，本发明的任务是：在所描绘的背景下提供自动化系统的经改善的控制装置。
该任务通过在权利要求1中描述的方法以及通过按照权利要求11所述的设备和按照权利要求12所述的自动化系统及其运行方法来被解决。从属权利要求描述了有利的设计方案。
用于解决该任务的计算机实现的方法描述了：对用于自动化系统的控制装置的KI系统的由参数Phi所决定的人工神经网络KNN进行训练。在训练的第一步骤S1中，预先给定参数Phi(0)。接着，在第二步骤S2中，分别基于参数Phi(p-1)、即在首次循环时基于Phi(0)，确定人工神经网络的新的参数Phi(p)，其中p=1, 2, ...。在此，就其而言通常包括多次重复的第二步骤S2包括选择方法步骤S21(p)以及训练方法步骤S22(p)，其中p对于每次重复来说都被提高1。
对于开始于p=1且结束于p=Pmax的每个p来说，在选择方法步骤S21(p)中，从事先被提供的数据库中选择经分类的数据记录，用来形成小批量（Minibatch），其中该小批量最终包括所选择的数据记录。在相应的紧接着的训练方法步骤S22(p)中，人工神经网络KNN依据所选择的经分类的数据记录并且基于参数Phi(p-1)来被训练，其中在训练方法步骤S22(p)分别确定决定该人工神经网络的新的参数Phi(p)。事先被提供的数据库包括关于多个对象i的数目ND个经分类的数据记录，其中i=A, B, C，使得对于对象i中的每个对象来说分别有数目Ni个经分类的并且被分配给相应的对象i的或表示相应的对象的数据记录可供支配。在此，例如数据记录DSi(j)表示在已知状态j下的对象i之一。现在，在选择方法步骤S21(p)中，选择分别具有至少一个数据记录的第一组G1的数据记录和第二组G2的数据记录，用来形成小批量MB(p)。
这里，数据记录“经分类”的要求是指：至少指定涉及哪个对象以及该对象处在何种状态下。原则上，可以考虑任何表征该对象的可对于KNN的目标应用来说重要的信息作为“状态”。例如对于用于质量控制的应用来说，可以规定像“完好无损”、“在错误F1情况下有缺陷”、“在错误F2情况下有缺陷”等等那样的状态。然而，例如也可以使用对象的颜色或者表面特性等等作为状态。
在此，一方面应该适用：在小批量MB(p)的相应的组G1(p)或G2(p)之内的数据记录关于这些数据记录所表示的对象i方面并且关于该对象i的状态Zj方面同类。也就是说，对于相应的组G1或G2的全部数据记录来说适用：这些数据记录被分配给相同对象或表示相同对象；而且该对象或必要时通过这些数据记录所表示的同类对象处在相同状态下。在这种情况下，表述“相同对象”或“相同状态”等等完全可以——但不是必须——能够具有“同一对象”或“同一状态”的含义。即，数据记录关于它们所表示的对象方面“同类”的要求意味着：这些同类的数据记录至少表示相同对象，有可能甚至表示同一对象。即，如果例如在生产设施中多个相同对象或在这种情况下产品被生产并且在质量控制的框架内借助于摄像机来被成像，则形成相对应的数目的关于对象方面同类的数据记录或图像。对于这些对象之一多次被成像、例如在不同的生产现场多次被成像使得相对应的数据记录不仅仅表示相同对象而且实际上表示同一对象的情况来说，这些数据记录这里也被称作关于该对象方面“同类”。该阐述也能以相对应的方式和方法被应用于表述“关于状态方面同类”。
另一方面应该适用：小批量MB(p)的不同的组G1(p)、G2(p)的数据记录关于这些数据记录分别表示的对象i方面和/或关于相应的对象i的状态方面不同类。也就是说，第一组G1的数据记录表示与第二组G2的数据记录不同的对象，和/或通过第一组G1所表示的对象的状态不同于通过第二组G2所表示的对象的状态。
用于训练KI系统的该方法尤其基于对小批量的特殊选择。由此创建大量Pmax，其中Pmax例如可以在100与1000之间。与此相对应地，也实施大量的训练方法步骤，在理想情况下分别利用不同的小批量来实施大量的训练方法步骤。因为事先被提供的数据库通常规模极大并且与此相对应地可以动用非常大的数据量，所以利用小批量的训练具有所谓的“元学习”的效果，使得KI系统由于第二步骤或训练方法步骤 S22(p)的重复或遍历的数目Pmax多而在一定程度上学会了学习。这导致：在进一步训练的情况下，当如开头所阐述的那样只有少量案例已经可以作为训练材料时就足够。
有利地，第一组G1(p)的数据记录和第二组G2(p)的数据记录关于它们所表示的或它们被分配给的相应的对象i方面同类。也就是说，这两个组的数据记录表示相同对象。因此，第一组的数据记录必须关于该对象的状态方面不同于第二组的数据记录，也就是说第一组的数据记录表示在第一状态下的对象，例如作为完好无损的对象，而第二组的数据记录表示在第二状态下的相同或必要时同一对象，例如作为具有特定错误或特定损坏等等的有缺陷的对象。这导致KI系统的高效的学习过程。
替选地，完全可设想的是：第一组的数据记录和第二组的数据记录关于它们分别被分配给的相应的对象Oi方面不同类。也就是说，这两个组的数据记录表示不同对象。那么，第一组的数据记录关于对象的状态方面是否不同于第二组的数据记录因此并不重要。
相应的小批量MB(p)包括最多50个数据记录、尤其是最多20个数据记录并且优选地最多10个数据记录。虽然可设想这些小批量由于数据库规模大而被设计得还更大，但是在小批量较小的情况下结果可能是：KI系统在给定的时间内可以遍历具有不同的场景的更多学习过程。借此也能够进行更高效的学习。较大的小批量会减少学习过程的该数目并且降低学习过程的效率。
用于运行自动化系统的、尤其可构造为该自动化系统的控制装置的设备例如在交付状态下或在这种自动化系统开始运转时具有KI系统，该KI系统具有用于生成针对该自动化系统的控制参数的人工神经网络KNN，其中人工神经网络KNN根据上述方法来被训练并且与此相对应地通过参数Phi(Pmax)所决定。
由此被训练的人工神经网络KNN虽然有工作能力并且可以因此例如可以在KI系统或控制装置或自动化系统的交付状态下被提供，但是在一定程度上仅仅是被预训练的，而到目前为止未知的错误FX或状态ZX如开头所阐述的那样仍不能可靠地被标识出。如开头同样阐述的那样，在已经投入运行的设施中出现错误FX的情况下不希望进行费时的进一步训练。然而，如果现在出现新错误FX，由于借助于小批量进行的所描述的、也称作“预训练（Pre-Training）”的训练而能够只利用新错误FX的少量案例研究来对KI系统进行进一步训练。在这种情况下，在第二步骤S2之后、也就是说在p=Pmax的情况下，在接下来的训练步骤S3中基于直到那时被确定的参数Phi(Pmax)并且依据另一小批量MB*来进一步训练，以便确定决定该人工神经网络的新的参数Phi(Pfin)。在此，另一小批量MB*被创建为使得该另一小批量具有新的、也就是说尤其是在事先被提供的数据库中不存在的经分类的数据记录。在这种情况下，如果数据记录关于该数据记录所表示的对象i方面或关于该数据记录所表示的对象i的状态Z方面不同于到目前为止包含在数据库中的原来的数据记录DSi(j)，例如其中i=A, B, C并且j=Z0, Z1, Z2, Z3，则该数据记录被视为“新的”数据记录。即，新的数据记录涉及到目前为止、也就是说尤其是在预训练的情况下未知的对象或状态。对于所描述的出现新错误FX或对象状态ZX的问题来说，尤其是适用：“新的”数据记录与原来的数据记录关于状态方面有所不同，但不是关于对象方面有所不同。即利用这样被创建的另一小批量MB*进行的进一步训练导致KI系统借助于更少的案例研究被进一步训练，该KI系统能够可靠地识别出新错误FX。因此，当查明对象i之一处在事先被提供的数据库中直到那时还未知的状态ZX下，即该状态没有由事先被提供的数据库中的数据记录DSi(j)中的任何一个数据记录所表示时，才实施接下来的训练步骤S3。在此，在接下来的训练步骤之前，关于由新的数据记录所表示的对象和该对象的状态方面对这些新的数据记录进行分类。
另一小批量MB*被构造为使得该另一小批量具有其它第一组G1*的尤其是来自事先被提供的数据库中的经分类的数据记录和其它第二组G2*的包括新的数据记录的经分类的数据记录。在此，这两个其它组G1*、G2*的数据记录关于它们被分配给的对象方面同类而关于该对象的状态方面不同类。也就是说，该其它第一组G1*的数据记录表示在第一状态下的对象而该其它第二组G2*的数据记录表示在另一、第二状态下的相同对象。这里，组G1*、G2*中的每个组也分别具有至少一个数据记录。借此，又能够进行高效的训练。
该其它第二组G2*包括最多10个数据记录、尤其是最多5个数据记录并且优选地最多3个数据记录。因此，能够关于新错误FX方面对KI系统快速地进行进一步训练。
最后，将经分类的新的数据记录传输到数据库中，以便这样生成被更新的要事先提供的数据库。借此，控制装置和KI系统以后可以正常运行为使得那么不再新的错误FX就可以像原来已知的错误F1、F2、F3那样被识别出。
已经提及的设备可以相对于示范性提到的交付状态而言进一步构造为使得KI系统被进一步训练并且人工神经网络KNN因此通过参数Phi(Pfin)所决定。借此，接着也能标识出新错误FX。
因此，在所提到的优点的情况下，自动化系统具有这样的构造为该自动化系统的控制装置的设备。
在运行这种自动化系统时，如果查明对象之一处在事先被提供的数据库中直到那时还未知的状态ZX下，即该状态没有由事先被提供的数据库中的数据记录DSi(j)中的任何一个数据记录所表示，则经预训练的、也就是说利用参数Phi(Pmax)来工作的KI系统被进一步训练。
其它的优点和实施方式从附图和相对应的描述中得到。
附图说明
在下文，本发明和示例性的实施方式依据附图进一步予以阐述。不同的附图中的相同或功能相同的组件在那里通过相同的附图标记来表征。因而可能的是：在对第二张附图的描述中，关于已结合另一、第一张附图所阐述的特定附图标记不做进一步阐述。在这种情况下，在第二张附图的实施方式中可以假定：在那里用该附图标记所表征的组件即使在没有结合第二张附图做进一步阐述的情况下也具有与结合第一张附图所阐述的相同的特性和功能性。
其中：
图1示出了具有自动化系统的生产设施；
图2示出了数据库；
图3示出了用于训练KI系统的过程；
图4示出了小批量；
图5示出了用于进一步训练KI系统的过程；
图6示出了另一小批量。
具体实施方式
图1示出了自动化系统1，该自动化系统借助于其控制装置10来控制示范性地构造为生产设施的设施100或该设施的机器110、120。用于自动生产产品A、B、C的至少一部分的生产设施100仅仅示范性地被选择为可由这种自动化系统1来控制的设施。一般来说适用：自动化系统1例如可以被用于工厂自动化或者也可以被用于过程自动化并且借助于该自动化系统的控制装置10来控制与该应用领域相对应的设施100。在下文，仅仅示范性地假定：所要控制的设施100是生产设施，该生产设施被用于生产不同的对象或产品A、B、C。在此，A、B或C代表产品类型或产品组而不是代表相应的单个对象。
在质量控制的框架内，用于生产产品A、B、C的生产步骤之一在于同样由控制装置10控制的关于是否存在生产错误方面对产品A、B、C的检查。在此，在理想情况下，借助于生产设施100的质量控制系统130在生产过程期间就已经检查产品A、B、B是否有缺陷。该检查的目标在于：有缺陷的产品A'、B'、C'可以在质量控制中被识别出并且紧接着从生产过程中被取出，使得可以及早避免将有缺陷的产品A'、B'、C'交付给客户或者一般来说可以及早避免使用这种有缺陷的产品A'、B'、C'。
因此，具有生产错误F1、F2等等的产品A、B、C这里被称作“有缺陷的对象”并且在图1中用A'、B'或C'来表征。视应在质量控制中探测哪种类型的错误而定，质量控制系统130具有相对应的传感装置131。在下文，又纯示范性地假定：质量控制系统130应该发现损坏或者其它尤其是可从外部识别出的错误。例如对于相应的产品A、B、C在生产框架内由多个组件组装的情况来说，这样的错误可能是：这些组件未曾如所规定的那样被组合，使得在视觉上就已经能识别出存在这种生产错误F1。这示范性地以产品C'为例来被示出。产品A、B、C的例如外壳的机械损坏也能在视觉上被识别出。这些错误F2、F3同样针对产品A'、B'示范性地被示出。质量控制系统130的相对应的传感装置131为了识别这样的错误而例如以一个或多个摄像机131的形式来被构造。摄像机131布置为使得该摄像机可以以适合于质量控制的方式在生产过程的适当位置处对产品A、B、C进行成像。
应指出：上文介绍并且在图1中示出的错误或错误类型F1、F2、F3应纯示范性地被理解而且并不意味着对这里所追求的方案有限制。
还应指出：替选于构造为摄像机并且如已经指出的那样，传感装置131根据所要探测的错误的类型而也可以以其它形式来被构造。例如，传感装置131可能会被构造用于探测或检测声音或其它效果，例如也包括生产数据的时间序列，根据这些声音或其它效果可以反推出所要探测的错误存在与否。无论如何，传感装置131都生成关于产品A、B、C的数据记录DSA、DSB、DSC。在所提到的其中传感装置131构造为摄像机的示范性情况下，这种数据记录DSi是这种由摄像机131生成的图像，其中i=A, B, C。
现在，为了在质量控制中借助于质量控制系统130来识别有缺陷的产品A'、B'、C'，每个由摄像机131所拍摄的单个图像DSi都借助于自动化设施1的控制装置10的KI系统11以本身公知的方式被分析，其中“KI”代表“人工智能”。为此，将由质量控制系统130所确定的数据记录DSi提供给KI系统11。KI系统11对数据库12进行访问并且包括经训练的人工神经网络KNN，该人工神经网络以同样公知的方式由参数Phi所决定。这使得KI系统11能够在新的图像或数据记录DSi中识别出已知的错误F1、F2、F3。现在，控制装置10生成针对生产设施100的控制参数，这些控制参数主要取决于KI系统11的分析或输出数据、例如关于产品A、B、C的质量方面的分析或输出数据。
然而，如果发生开头所描绘的问题情况：产品之一、在下文例如产品C之一具有到目前为止未知的错误类型FX，则KI系统11不能够识别出该新错误本身，因为在对该KI系统11进行训练时还不知道该错误。同样如开头所阐述的那样，常规上需要花费高地并且基于大量案例来对KI系统11或其神经网络KNN进行训练。在图1中，错误FX是：产品C由其组装的两个组件之一不是像在错误F1的情况下那样被挪动，而是有部分缺失。
即，本发明的目标现在是：借助于相对应地构造的KI系统11使自动化系统1能够快速地、也就是说依据极少的案例就实现对这样的新错误的自动化的识别。为此，KI系统11或其KNN必须仅基于这些少量案例或基于有缺陷的产品C'的相对应地少量的图像或数据记录而能训练。结合图5来阐述相对应地所要应用的方法。事先结合图3来阐述用于对KI系统11的基础训练或预训练的方法，这尤其是以对在下文所要介绍的“小批量（Minibatches）”的特殊选择为形式提供了KI系统11依据更少的案例来学会随后识别出它们的基础。
KI系统11基于仅仅少量的数据记录就能被训练的该前提条件通过如下方式来被满足：例如至少在对KI系统11的基础训练的框架内、也就是说在KI系统11在自动化系统1中或在这种情况下在控制装置10中被实现之前所受到的训练的框架内，实施对KI系统11或人工神经网络KNN的适当的预训练。
针对该预训练使用数据库1000，该数据库已经包括多个关于产品A、B、C方面经分类的数据记录DSA、DSB、DSC，这些数据记录已经提前被生成。数据库1000在图2中示出并且可以在实践中例如存储在控制装置10中（在图1中通过数据库12来表示）。在此，对于这里的目标应用来说，术语“经分类”至少是指：关于相应的数据记录DSi一方面寄存特殊数据记录DSi涉及产品A、B、C中的哪个产品或者该数据记录DS表示产品A、B或C中的哪个产品。另一方面，关于该数据记录DSi还寄存：相应的数据记录DS所表示的产品A、B或C分别处在何种状态Z下。原则上，可以考虑任何表征相应的产品A、B或C的可对于KI系统11的目标应用来说重要的信息作为“状态”Z。例如对于这里所假定的用于质量控制的应用来说，可以对像Z0=“ok”或Z0=“完好无损”与一般来说Zf=“有缺陷”那样的状态进行区分。针对存在相对应的数据并且这些数据对于应用来说令人感兴趣的情况，例如也可能会规定状态Z0=“ok”、Z1=“在错误F1情况下有缺陷”、Z2=“在错误F2情况下有缺陷”、Z3=“在错误F3情况下有缺陷”等等，其中错误F1、F2不同并且例如可对应于上文所介绍的示例。然而，例如也可以使用产品A、B、C的颜色或者表面特性等等作为状态Z。
针对产品A、B、C中的每个产品，被提供的数据库1000分别包括多个经分类的并且被分配给相应的产品A、B或C或表示相应的产品A、B或C的数据记录DSA、DSB、DSC，其中该“分配”可以仅仅已经通过该分类来实现，因为该分类至少包括产品类型和相应的状态Z。针对每个产品A、B或C的每个对于应用来说重要的状态Z，数据库1000尤其包括多个经分类的数据记录DSA(Z(A))、DSB(Z(B))、DSC(Z(C))，其中例如Z(A)是指在该数据记录DS(Z(A))等等中产品A的状态。即，例如DSA(Z0)会指的是表示在状态Z0下、即“完好无损”的产品A的数据记录。DSC(Z1)代表如下数据记录，这些数据记录表示在状态Z1下、也就是说例如“在错误F1情况下有缺陷”等等的产品C。
在图2中，为了清楚起见而只示出了少量数据记录DSi(j)，其中j=Z0, Z1, Z2,Z3...。应该清楚的是：数据库1000或区域1100在实践中包括数目大得多的数据记录，即数目至少大得使得借此能够实现对KI系统11的基础训练。还能看出：相应可供支配的关于在特定状态Z0、Z1、Z2、Z3下的产品A、B、C的数据记录DSi(j)的数目可能有所不同。
现在，在对KI系统11的预训练中，人工神经网络KNN的参数Phi依据存在于数据库1000中的经分类的数据记录DSi(j)来被优化。该过程在图3中被示出。
在这种情况下，在第一方法步骤S1中，首先提供人工神经网络KNN的初始参数Phi(0)。
在就其而言包括两个步骤S21、S22的第二方法步骤S2中，参数Phi以通常多次重复p或迭代来被优化，其中p=1, 2, ..., Pmax，其中p从1整数递增到Pmax。
在开始于p=1的重复p中的每次重复中，在第一步骤中或在选择方法步骤S21(p)中分别创建由来自数据库中的多个经分类的数据记录DSi(j)组成的小批量MB(p)，也就是说分别从事先被提供的数据库1000中选择经分类的数据记录DSi(j)，其中那么小批量MB(p)包括所选择的数据记录DSi(j)。在图3中，对数据库1000的相对应的请求或要求用“REQ”来用符号表示，基于该请求或要求来提供所要求的数据记录DSi(j)。
在第二步骤中或在重复p的训练方法步骤S22(p)中，人工神经网络KNN的相应生效的参数Phi(p-1)在使用相应的小批量MB(p)的情况下以通常多次迭代并且例如在使用本身公知的SGD方法（stochastic gradient descent（随机梯度下降））的情况下被优化，从而得到针对该重复步骤p现在经优化的参数Phi(p)。SGD方法例如可以完成2至5次迭代。换言之，即在相应的训练方法步骤S22(p)中，人工神经网络KNN依据在选择方法步骤S21(p)中所选择的经分类的数据记录DSi(j)并且基于参数Phi(p-1)来进行学习，其中在训练方法步骤S22(p)中生成决定人工神经网络的新的参数Phi(p)。
第二方法步骤S2以重复p=Pmax结束，其中为了选择Pmax而例如可以考虑优化方法是否收敛。例如，Pmax可以在100与1000之间。在达到p=Pmax的情况下，存在对于人工神经网络KNN来说经优化的参数Phi(Pmax)，这些参数最终被交给KI系统11或在那里已经存在，因为所描述的方法步骤S21、S22是在那里被实施的。
如所提及的那样，在相应的选择方法步骤S21(p)中，从来自数据库1000中的经分类的数据记录DSi(j)中分别生成小批量MB(p)。在此，相应的小批量MB(p)有针对性地被生成并且被交给步骤S22(p)，使得该小批量包括两个组G1(p)、G2(p)的经分类的数据记录DSi(j)，其中为了选择组G1(p)、G2(p)的数据记录DSi(j)而应满足两个条件：
一方面应该适用：在小批量MB(p)的相应的组G1(p)或G2(p)之内的全部数据记录DSG1(p)或DSG2(p)不仅关于这些数据记录被分配给的产品A、B或C方面而且关于该产品A、B或C的状态Z方面同类。也就是说，对于相应的组G1(p)或G2(p)的全部数据记录DSG1(p)或DSG2(p)来说适用：这些数据记录被分配给相同产品A、B或C或者表示相同产品A、B或C；而且通过这些数据记录DSG1(p)或DSG2(p)来表示的产品A、B或C处在相同状态Z下。在这种情况下，表述“相同对象”完全可以——但不是必须——具有“同一对象”的含义。
而另一方面，小批量MB(p)的不同的组G1(p)和G2(p)的数据记录DSG1(p)和DSG2(p)应该关于这些数据记录分别表示的产品A、B或C方面和/或关于相应所表示的产品A、B或C的状态Z方面不同类。也就是说，第一组G1(p)的数据记录DSG1(p)表示与第二组G2(p)的数据记录DSG2(p)不同的产品，和/或通过第一组G1(p)所表示的产品的状态Z不同于通过第二组G2(p)所表示的产品的状态Z。
纯示范性地并且在图4中示出，即第一组G1(p)的数据记录DSG1(p)可以被选择为使得这些数据记录全都表示在完好无损的状态Z0下的产品B，也就是说DSG1(p)=DSB(Z0)。第二组G2(p)的数据记录DSG2(p)例如同样可以被选择为使得这些数据记录全都表示产品B。然而，接着还必须适用：数据记录DSG2(p)表示在与状态Z0不同的状态下、例如在状态Z1（“在错误F1情况下有缺陷”）下的产品B。即适用DSG2(p)=DSB(Z1)。
替选地，在DSG1(p)=DSB(Z0)的情况下，第二组G2(p)的数据记录DSG2(p)例如也可以被选择为使得这些数据记录表示与组G1(p)的那些数据记录不同的产品，例如产品A。在这种情况下，这些数据记录可以被选择为使得这些数据记录表示在几乎任何状态下的产品A，例如Z=Z0。因此，适用DSG2(p)=DSA(Z0)。
即如果第一组G1(p)的数据记录DSG1(p)用DSG1(p)=DSi(j)来被描述而且针对第二组G2(p)的数据记录DSG2(p)适用DSG2(p)=DSm(n)，则在生成小批量MB(p)时必须适用i≠m和/或j≠n，其中i, m=A, B, C用符号表示相应的产品A、B、C而j, n=Z0, Z1, Z2, Z3用符号表示该产品A、B、C的相应的状态。
即重要的是：组G1(p)的数据记录DSG1(p)与组G2(p)的数据记录DSG2(p)至少关于所表示的产品方面或关于状态方面有所不同。优选地适用：小批量MB(p)的全部数据记录、也就是说不仅第一组G1(p)的那些数据记录而且第二组G2(p)的那些数据记录都表示相同产品A、B或C，也就是说DSG1(p)=DSi(j)且DSG2(p)=DSi(n)，其中j≠n。然而，第一组G1(p)的数据记录DSG1(p)在此表示在第一状态j下的这一个产品i、例如在完好无损的状态Z0下的产品B，而第二组G2(p)的数据记录DSG2(p)表示在另一状态n下的这一个产品B、例如在错误1情况下有缺陷的状态Z1下的产品B。
关于在这两个组G1(p)、G2(p)中的数据记录DSi(j)的数目方面适用：例如分别3-5个数据记录DSi(j)就可够用。在此，在组G1(p)、G2(p)中的数据记录DSi(j)的数目也可有所不同。
在步骤S21(p)中，通过对相应的小批量MB(p)的组G1(p)、G2(p)的数据记录DSG1(p)、DSG2(p)的具体选择，一方面原则上规定了用于人工神经网络KNN在训练方法步骤S22(p)中的学习过程的数据基础。另一方面，这两个组G1(p)、G2(p)的经分类的数据记录DSG1(p)、DSG2(p)的具体选择同时意味着针对KI系统11的学习步骤的任务设置的规定或者也包括“任务生成（task generation）”，即按照第一组G1(p)的数据记录DSG1(p)的相应的分类来对这些数据记录进行编排或按照第二组G2(p)的数据记录DSG2(p)的相应的分类来对这些数据记录进行编排。换言之，即在每个选择方法步骤S21(p)中，相应地生成小批量MB(p)以及隐含地生成针对相应的训练方法步骤S22(p)的任务设置，其中该任务设置例如可以是：KI系统11应该按照相应所表示的产品并且按照该产品的状态来对相应的小批量MB(p)的数据记录DSG1(p)、DSG2(p)进行编排。
在包括第一方法步骤S1和第二方法步骤S2的预训练结束之后，KI系统11被训练到它一方面可以标识出已知的产品A、B、C的已知状态Z=Z0, Z1, Z2, Z3的程度，使得该KI系统例如能被用于质量控制。与此相对应地，这样经训练的KI系统11在控制装置10中并且在那里必要时在下级组件中被实现和使用，其方式是借助于KI系统11来分析由传感装置131提供的数据。在由KI系统11识别出错误案例时，控制装置10接着例如可以借助于针对自动化系统1的相对应的控制信号来引起：从生产过程中取出所识别出的有缺陷的产品，或者引入其它适当的措施。
然而，如果现在在产品处出现新型错误案例FX或相对应的状态ZX，则由于所描述的利用特殊选择的小批量MB的预训练，现在利用少量案例研究就能够对KI系统11及其人工神经网络KNN进行训练得使得在所涉及到的产品处的新型错误FX随后可靠地被识别出。在这种情况下，ZX例如可意味着“在错误FX情况下有缺陷”。在下文，纯示范性地假定：产品C之一具有到目前为止未知的新错误FX。这已经在图1中被示出。
为了可以识别新错误FX，经训练的、本身已经有功能能力并且在控制装置10中实现的KI系统11（该KI系统的人工神经网络KNN到目前为止仍通过参数Phi(Pmax)所决定，然而这些参数通常并不允许识别出新错误FX）在接下来的、第三方法步骤S3中被进一步训练得使得该人工神经网络最终通过新的参数Phi(Pfin)所决定。结合图5来阐述所要应用的方法。
一旦在设施100的正常运行Sreg时在步骤DET中查明了存在新错误FX、例如在产品C之一处存在新错误FX，就触发具有步骤S31和S32的第三方法步骤S3。这例如可能由于如下情况而被报告：KI系统11在恰好被拍摄到的图像DSi中没有识别出在那里所成像的产品i处在何种状态下。随后，在步骤SK中根据错误FX来对所涉及到的数据记录DSC(ZX)进行分类。这可以以公知的方式和方法例如手动地实现。有利地，将这样经分类的新的数据记录DSC(ZX)传输到数据库1000中。
对于接下来的、第三方法或训练步骤S3来说，在步骤S31中使用基于由传感装置131重新拍摄的在状态ZX下的产品C、也就是说有缺陷的产品C'的数据记录DSC(ZX)以及基于在数据库1000中已经存在的在完好无损的状态Z0下的产品C的数据记录DSC(Z0)的另一小批量MB*，作为训练数据。
为了在训练步骤S3中利用新的数据记录DSC(ZX)来使KI系统11及其人工神经网络KNN进一步训练或进行学习，利用其它第一组G1*的尤其是来自事先被提供的数据库1000中的经分类的数据记录DSG1*和其它第二组G2*的经分类的数据记录DSG2*来构造所提到的另一小批量MB*。这在图6中示范性地被示出。
在此，一般来说应该适用：该其它第二组G2*包括新的数据记录DSC(ZX)，也就是说DSG2*=DSC(ZX)。此外，这两个其它组G1*、G2*的数据记录DSG1*、DSG2*应该一方面关于它们被分配给的产品方面同类而另一方面关于该产品的状态方面不同类。也就是说，该其它第一组G1*的数据记录DSG1*表示所涉及到的在原来已知的第一状态Zj下的产品，就像例如产品C那样，而该其它第二组G2*的数据记录DSG2*表示所涉及到的在新的、第二状态ZX下的相同产品C，其中Zj≠ZX。即在适用DSG2*=DSC(ZX)的要求下，针对该其它第一组G1*例如可以适用DSG1*=DSC(Zj)，其中Zj=Z0, Z1, Z2, Z3。
具体地，该其它第一组G1*可包括关于在已知状态Zj下的产品C的数目NDSalt个经分类的数据记录DSG1*。这里示范性说明的这些数据记录DSC(Z0)或DSC(Z1)已经存在于原来的、事先被提供的数据库1000中。最终，NDSalt仅受到关于所涉及到的在所希望的状态Zj下的产品的原来存在于数据库1000中的、旧的数据记录的数目所限制。例如可适用NDSalt=5。
该其它第二组G2*被创建为使得该其它第二组包括关于在新状态ZX下的有缺陷的产品C'的数目NDSneu个新的经分类的数据记录DSG2*，通常包括关于在状态ZX下的有缺陷的产品C'的全部可供支配的新的数据记录DSC(ZX)。
由于该进一步训练必须在出现新错误FX之后及早被实施以便保证由自动化系统1控制的生产设施100可以尽可能早地例如通过从生产过程中取出有缺陷的产品C'来对该新错误FX的出现做出反应，所以只有少量这样的新的数据记录DSC(ZX)可供支配，因此针对NDSneu通常适用DSneu≤10、尤其是NDSneu≤5并且有利地NDSneu≤3。
因此包括数目NDSalt+NDSneu个在完好无损的状态下的产品C的数据记录DSC(Z0)以及在错误FX情况下有缺陷的状态ZX下的产品C的数据记录DSC(ZX)的另一小批量MB*现在在接下来的训练步骤S3中被用于例如又在使用本身公知的SGD方法的情况下对人工神经网络KNN的参数Phi进一步优化。
为此，在训练步骤S32中，例如又在使用已经提到的SGD方法的情况下，基于到目前为止生效的参数Phi(Pmax)并且在使用另一小批量MB*的情况下以一次或必要时多次迭代来优化人工神经网络KNN的参数Phi，从而得到现在经优化的参数Phi(Pfin)。换言之，即人工神经网络KNN依据另一小批量MB*的经分类的数据记录DSC(Z0)、DSC(ZX)并且基于参数Phi(Pmax)来进行学习，其中在训练步骤S3中生成决定人工神经网络KNN的新的参数Phi(Pfin)。
不同于预训练的第二方法步骤S2，训练步骤S3在理想情况下不必被重复或只运行一次。
该设计基于：在如上所述的依据小批量MB(p)来被预训练的KS系统11的情况下，该KS系统能依据仅仅例如NDSneu=3或者甚至更少的案例来高效地被训练，使得可以提供有工作能力的KI系统11，接着该KI系统也识别在预训练的框架内未知的错误FX或状态ZX。这基于：所描绘的对小批量MB(p)的智能选择和对KI系统11的相应的训练具有所谓的“元学习”的效果，使得KI系统11由于第二步骤或训练方法步骤S22(p)的数目Pmax次的重复或遍历而已经学会了学习，使得在进一步训练时仅提供少量案例NDSneu作为训练材料就足够。该基本方案例如在用于元学习的“爬虫（Reptile）”算法中被应用。
因为在步骤S3中利用比较少的花费并且在对供支配的计算能力等等没有特别高的要求的情况下就可以实施进一步优化或进一步训练，所以不需要例如在有工作能力的中央计算机上实施该优化，而是可设想直接在自动化系统1的所提到的控制装置100上实施该优化。对于KI系统11在其特点常常同样在于计算能力相当低的所谓的“边缘设备（edgedevice）”上实现的情况来说，由于要求低而也可以在现场实施该优化。
即在实践中，例如可以首先利用步骤S1、S2并且在使用由来自事先被提供的数据库1000中的数据记录DSi(j)组成的小批量MB(p)的情况下对KI系统11进行训练或预训练，使得KI系统11的人工神经网络KNN由经优化的参数Phi(Pmax)所决定。接着，具有这样经优化的人工神经网络KNN的该KI系统11在其被投入运行之前例如可以在控制单元100中或者如上所述在“边缘设备”等等上被实现。同样可设想的是：随后在这种设备上实现被预训练的KI系统11并且将其投入运行。接着，在所提到的情况中的任何一种情况下，稍后在需要时如所描述的那样能够依据少量新的案例研究来对KI系统11进行优化。
在生成各种小批量MB、MB*方面，提到了用于选择相应的第一组G1、G1*和第二组G2、G2*的数据记录的标准。有利地，但是不一定必须地适用：对于相应的小批量MB、MB*来说，不仅相应的第一组G1、G1*而且相应的第二组G2、G2*的数据记录、也就是说DSi(j)和DSi(n)都被选择为使得这些数据记录表示相同对象，其中j≠n。因此，这些数据记录接着会被选择为使得第一组的产品的状态分别不同于第二组的那些状态。即为此，最终在理想情况下针对第一组或第二组选择数据记录DSi(j)和DSi(n)，其中i=A, B或C并且j≠n。
本发明是具体地、然而示范性地依据生产设施100的质量控制系统130来被阐述的。然而，一般来说适用：本发明可以被用在任何系统中，尤其是被用在自动化系统1中，其中依据人工智能或依据人工神经网络来进行分析或诸如此类的，而且其中人工神经网络在新出现的、也就是说到目前为止未知的状况下必须与新的状况适配，其中尤其是只存在很少量的数据记录，利用这些很少量的数据记录就可以对人工神经网络进行训练。例如，所描述的方案能被用在用于对稀有细胞类型进行分类的生物医学中或者能被用在用于将个体患者基于KI地分配给患者组的个性化医疗领域。
附图标记
1 自动化系统
10 控制装置
11 KI系统
12 数据库
100 设施、生产设施
110、120 机器
130 质量控制系统
131 传感装置、摄像机
1000 数据库
A、B、C 产品、对象
A'、B'、C' 有缺陷的产品
F1、F2、F3、FX 生产错误
DSA、DSB、DSC 数据记录
DSi(j) 数据记录
G1、G2、G1*、G2* 数据记录的组
KNN 人工神经网络
MB(p)、MB* 小批量
Phi 参数
REQ 对数据库的请求
S1 方法步骤
S2 方法步骤
S21 选择方法步骤
S22 训练方法步骤
S3 方法步骤
Z0、Z1、Z2、Z3、ZX 状态。

Claims (13)

1.一种用于自动化系统（1）的控制装置（10）的用来对所述控制装置（10）的KI系统（11）的由参数Phi(0)所决定的人工神经网络KNN进行训练的计算机实现的方法，
其中在方法步骤S2中确定所述人工神经网络KNN的新的参数Phi(Pmax)，使得在方法步骤S2中对于开始于p=1且结束于p=Pmax的每个p来说，
- 在选择方法步骤S21(p)中，从事先被提供的数据库（1000）中选择经分类的数据记录，用来形成小批量MB(p)，
- 在训练方法步骤S22(p)中，所述人工神经网络KNN依据所述小批量MB(p)并且基于参数Phi(p-1)来被训练，使得分别确定决定所述人工神经网络KNN的新的参数Phi(p)，
其中
- 所述数据库（1000）对于多个对象i（i=A, B, C）来说针对所述对象i中的每个对象都包括多个经分类的并且表示在状态j下的相应的对象i的数据记录DSi(j)，
- 在选择方法步骤S21(p)中，选择分别具有至少一个数据记录的第一组G1(p)的数据记录和第二组G2(p)的数据记录，用来形成所述小批量MB(p)，其中适用：
-- 所述小批量MB(p)的相应的组G1(p)、G2(p)的数据记录关于所述数据记录所表示的对象i方面并且关于所述对象i的状态j方面同类，
-- 所述小批量MB(p)的不同的组G1(p)、G2(p)的数据记录关于所述数据记录所表示的对象i方面和/或关于所述对象i的状态j方面不同类。
2.根据权利要求1所述的方法，其特征在于，所述第一组G1(p)的数据记录和所述第二组G2(p)的数据记录关于所述数据记录分别表示的相应的对象i方面同类。
3.根据权利要求1至2中任一项所述的方法，其特征在于，相应的小批量MB(p)包括最多50个数据记录、尤其是最多20个数据记录并且优选地最多10个数据记录。
4.根据权利要求1至3中任一项所述的方法，其特征在于，根据方法步骤S2经训练的人工神经网络KNN根据需要在接下来的训练步骤S3中基于直到那时被确定的参数Phi(Pmax)并且依据另一小批量MB*来被进一步训练，以便确定决定所述人工神经网络KNN的新的参数Phi(Pfin)，其中所述另一小批量具有经分类的新的数据记录，其中相应的新的数据记录DSm(n)关于所述新的数据记录所表示的对象m方面或者关于所述新的数据记录所表示的对象m的状态n方面不同于所述事先被提供的数据库（1000）的数据记录DSi(j)。
5.根据权利要求4所述的方法，其特征在于，当查明所述对象i之一处在所述事先被提供的数据库（1000）中的未知的状态ZX下，所述状态没有由所述事先被提供的数据库（1000）中的数据记录DSi(j)中的任何一个数据记录所表示时，实施接下来的训练步骤S3。
6.根据权利要求4至5中任一项所述的方法，其特征在于，在所述接下来的训练步骤S3之前，对所述新的数据记录DSm(n)进行分类。
7.根据权利要求4至6中任一项所述的方法，其特征在于，所述另一小批量MB*包括其它第一组G1*的尤其是来自所述事先被提供的数据库（1000）中的经分类的数据记录和其它第二组G2*的经分类的数据记录，其中
- 所述其它第二组G2*包括所述新的数据记录，
- 这两个其它组G1*、G2*的数据记录关于所述数据记录所表示的对象i方面同类而关于所述对象i的状态j方面不同类。
8.根据权利要求7所述的方法，其特征在于，所述其它第二组G2*包括最多10个数据记录、尤其是最多5个数据记录并且优选地最多3个数据记录。
9.根据权利要求4至8中任一项所述的方法，其特征在于，所述经分类的新的数据记录被传输到所述数据库（1000）中。
10.一种用于运行自动化系统（1）、尤其是控制装置的设备（10），所述设备具有KI系统（11），所述KI系统具有用于生成针对所述自动化系统（1）的控制信号的经训练的人工神经网络KNN，其中所述人工神经网络KNN根据权利要求1至3中任一项所述的方法来被训练。
11.根据权利要求10所述的设备（10），其特征在于，所述KI系统（11）根据权利要求4至9中任一项来被进一步训练。
12.一种自动化系统（1），其具有构造为所述自动化系统（1）的控制装置的根据权利要求10至11中任一项所述的设备（10）。
13.一种用于运行根据权利要求12所述的自动化系统（1）的方法，其中如果查明所述对象i之一处在所述事先被提供的数据库（1000）中的未知的状态ZX下，所述状态没有由所述事先被提供的数据库（1000）中的数据记录DSi(j)中的任何一个数据记录所表示，则所述KI系统（11）根据权利要求4至9中任一项来被进一步训练。
CN202011306933.5A 2019-11-22 2020-11-20 用于基于ki地运行自动化系统的方法和设备 Pending CN112836103A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP19210881.9A EP3825796A1 (de) 2019-11-22 2019-11-22 Verfahren und vorrichtung zum ki-basierten betreiben eines automatisierungssystems
EP19210881.9 2019-11-22

Publications (1)

Publication Number Publication Date
CN112836103A true CN112836103A (zh) 2021-05-25

Family

ID=68654365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011306933.5A Pending CN112836103A (zh) 2019-11-22 2020-11-20 用于基于ki地运行自动化系统的方法和设备

Country Status (3)

Country Link
US (1) US20210158095A1 (zh)
EP (1) EP3825796A1 (zh)
CN (1) CN112836103A (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020102863A1 (de) * 2020-02-05 2021-08-05 Festo Se & Co. Kg Parametrierung einer Komponente in der Automatisierungsanlage
CN113359453A (zh) * 2021-06-11 2021-09-07 刘颖妮 一种基于人工智能的零件加工装置及其智能车间系统
DE102022116627A1 (de) 2022-07-04 2024-01-04 Ifm Electronic Gmbh Computerimplementiertes Verfahren zum KI-basierten Betreiben eines Feldgerätes der Automatisierungstechnik
DE102023206831A1 (de) 2023-07-19 2024-06-27 Carl Zeiss Smt Gmbh Verfahren zur überwachten und / oder angepassten herstellung von insbesondere optischen elementen

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020159641A1 (en) * 2001-03-14 2002-10-31 Whitney Paul D. Directed dynamic data analysis
JP6065318B2 (ja) * 2013-02-22 2017-01-25 Ｓｏｉｎｎホールディングス合同会社 情報処理装置、情報処理方法及びプログラム
US10417524B2 (en) * 2017-02-16 2019-09-17 Mitsubishi Electric Research Laboratories, Inc. Deep active learning method for civil infrastructure defect detection
US11568231B2 (en) * 2017-12-08 2023-01-31 Raytheon Bbn Technologies Corp. Waypoint detection for a contact center analysis system
JP6965206B2 (ja) * 2018-05-09 2021-11-10 株式会社東芝 クラスタリング装置、クラスタリング方法およびプログラム
US20200027556A1 (en) * 2018-07-17 2020-01-23 Petuum Inc. Systems and Methods for Medical Topic Discovery Based on Large-Scale Machine Learning
US10957031B1 (en) * 2019-09-06 2021-03-23 Accenture Global Solutions Limited Intelligent defect detection from image data

Also Published As

Publication number Publication date
EP3825796A1 (de) 2021-05-26
US20210158095A1 (en) 2021-05-27

Similar Documents

Publication Publication Date Title
CN112836103A (zh) 用于基于ki地运行自动化系统的方法和设备
US7827122B1 (en) Data mining of unfiltered controller data
US20170003677A1 (en) Real Time Monitoring System and Method Thereof of Optical Film Manufacturing Process
CN110705598B (zh) 智能模型管理方法、装置、计算机设备及存储介质
CN109791516A (zh) 用于在具有自x特性的自主系统中使用的监测和控制单元
WO2021232149A1 (en) Method and system for training inspection equipment for automatic defect classification
US20200005084A1 (en) Training method of, and inspection system based on, iterative deep learning system
US20230325640A1 (en) Artificial intelligence-based anomaly detection and prediction
CN111651365B (zh) 接口自动化测试方法及装置
WO2012131422A1 (en) A method of engineering and diagnosing a field device and a system thereof
CN107710154A (zh) 用于处理数据对象变量的计算机实现的方法
KR102538785B1 (ko) 컴퓨터 지원 설계(cad) 파일로부터 웨이퍼 이미지를 생성하는 방법 및 시스템
US11567489B2 (en) Method and device for efficient fault analysis through simulated faults in a digital twin
CN112698622B (zh) 自动控制方法、装置及机器可读存储介质
CN114237754A (zh) 一种数据加载方法、装置、电子设备以及存储介质
CN110310260B (zh) 基于机器学习模型的分料决策方法、设备和存储介质
US20230152785A1 (en) Method for automatically adjusting manufacturing limits prescribed on an assembly line
US11852668B2 (en) Method and system for real time outlier detection and product re-binning
JP7300757B2 (ja) レガシー・マシンを制御するプロキシ・インタープリタ・システム及びそのトレーニング方法
KR101527419B1 (ko) 자동화 라인의 정상 상태 판단을 위한 기준 마스터 패턴 생성 방법
US20230021965A1 (en) Methods and systems for assessing printed circuit boards
CN112840352A (zh) 配置图像评估装置的方法和图像评估方法及图像评估装置
CN111581042B (zh) 一种集群部署方法、部署平台及待部署服务器
CN107577546B (zh) 一种信息处理方法、装置及电子设备
CN110502271A (zh) 基于区块链的应用程序发版方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination