CN113454544A - 为至少一个机器提供模型的方法、训练系统、模拟机器运行的方法及模拟系统 - Google Patents
为至少一个机器提供模型的方法、训练系统、模拟机器运行的方法及模拟系统 Download PDFInfo
- Publication number
- CN113454544A CN113454544A CN202080015268.6A CN202080015268A CN113454544A CN 113454544 A CN113454544 A CN 113454544A CN 202080015268 A CN202080015268 A CN 202080015268A CN 113454544 A CN113454544 A CN 113454544A
- Authority
- CN
- China
- Prior art keywords
- machine
- model
- trained model
- training
- regulating device
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004088 simulation Methods 0.000 title claims description 18
- 230000001105 regulatory effect Effects 0.000 claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000013526 transfer learning Methods 0.000 claims abstract description 7
- 230000001419 dependent effect Effects 0.000 claims abstract description 3
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims 1
- 238000002360 preparation method Methods 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 15
- 238000012546 transfer Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 3
- 230000003750 conditioning effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25298—System identification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种用于为至少一个机器(A、B)、尤其是机床提供模型(MA、MA,B)的方法,其中,借助于调节装置(2)调节机器(A)的运行,方法具有步骤:接收测量值(XA)的时间序列,其中,测量值(XA)描述机器(A)的运行变量;以人工神经网络的形式提供未训练的模型(MU);根据接收的测量值(XA)训练未训练的模型(MU);借助于训练的模型(MA)确定推导的调节变量(θ’A),调节变量描述调节装置(2),其中,接收其他机器(B)的测量值(XB)的时间序列,利用其他调节装置(2`)调节其他机器的运行,其中,机器(A)和其他机器(B)是不同的机器(A、B)类型,并且根据其他机器(B)的测量值(XB)借助于迁移学习进一步训练训练的模型(MA)。
Description
技术领域
本发明涉及一种用于为至少一个机器、尤其是机床提供模型的方法。本发明还涉及一种训练系统、一种计算机程序以及一种计算机可读的(存储)介质。此外,本发明涉及一种用于模拟机器的运行的方法。本发明还涉及一种模拟系统以及其配属的计算机程序。
背景技术
由现有技术已知,借助于调节器或调节装置调节机器的运行。尤其结合机床、例如数控机床使用复杂的调节装置。如设置在机床中的调节装置包括复杂结构的调节器,调节器能够具有多个单独的调节器或调节回路。如果这样的机床由制造商获得,通常没有针对其中使用的调节装置更进一步的信息。在使用这种机床的情况下,经常期望得到针对调节装置的更准确的信息。
为再现电机的运行,原则上能够使用机器学习方法,其中,利用调节装置调节运行。在机器的运行中,例如能够检测测量值的时间序列,其中,测量值描述机器的运行变量或运行状态。为了能够由这些测量值或运行变量推导调节装置的行为,能够使用机器学习的行为。在此,例如能够已知线性回归,在线性回归中能够使用线性或非线性核。相应的模型的训练(借助于模型能够映射调节装置)尤其在复杂的调节装置中通常是非常昂贵且复杂的,如在机床中使用的调节装置。
由EP 0 496 570 A2已知一种用于识别结构及用于估计调节的系统的参数的设备。其中,应借助于结构识别构件确定功能的结构,功能的结构描述系统中输入与系统的输出之间的数学关系。随后,根据相应生成的功能借助于参数估计构件估计与功能相联系的参数。
US 2002/0072828 A1描述了一种用于对非线性经验过程建模的方法。在此,基于初始模型应利用多个基于初始模型的输入设计非线性网络模型。非线性网络模型的全局行为在整体上通常应符合初始模型的初始输出。非线性网络模型基于经验输入被优化,其中,全局行为被限制。
在DE 102006054425A1中公开了一种用于得出参考车辆模型的模型参数的值的方法。在此,根据第二驾驶状态变量和/或由驾驶员预设的变量借助于人工神经网络多次得出模型参数的估计值。在此,根据学习方法调节人工神经网络。
发明内容
本发明的任务是,指明解决方案,即如何能够更简单并且同时可靠地对借助于调节装置被调节(闭环控制)的机器的运行建模。
根据本发明,该任务通过用于提供模型的方法、通过训练系统、通过计算机程序产品、通过计算机可读的(存储)介质、通过用于模拟的方法、通过模拟系统以及通过其他计算机程序实现。本发明有利的改进方案在从属权利要求中给出。
根据本发明的方法用于为至少一个机器、尤其是机床提供模型。在此,借助于调节装置调节机器的运行。方法包括接收测量值的时间序列,其中,测量值描述机器的运行变量。此外,方法包括以人工神经网络的方式提供未训练的模型。方法还包括借助于训练的模型根据接收的测量值训练未训练的模型以及确定推导的调节变量,调节变量描述调节装置。
接收其他机器的测量值的时间序列,利用其他调节装置调节其他机器的运行。此外,训练的模型优选地根据其他机器的测量值借助于迁移学习被扩展,即被进一步训练。在机器学习的领域中,所谓的迁移学习基本是已知的。在此,在相似的应用上使用根据特定的应用训练的模型。例如,根据检测物体而训练的模型能够进一步被训练或扩展,以使模型能够识别相应的机器或机器类型。
在上述情况下,基于机器或第一机器的时间序列训练的模型利用其他机器或第二机器的时间序列被扩展。机器例如能够是制造商的第一机器,并且其他机器能够是第二机器或相同制造商的类似的机器。训练的模型能够已经是稳定。训练的模型能够通过其他机器的测量值被扩展。如果现在其他机器的测量值的时间顺序被输送给已经训练的模型,能够执行迁移学习。在这种情况下,模型例如能够匹配不断变化的测量值或参数。当例如具有多个隐藏层的神经网络被用于模型时,相应的权重能够匹配变化的参数。因此,已经为机器建立的模型通过迁移学习也被用于其他机器。这也提供了可行性,为机器提供参考模型,随后,能够通过迁移学习根据专门的机器调整参考模型。
借助于方法应该提供描述机器的模型。方法尤其是计算机执行的方法。机器基本能够是电机。机器尤其是机床,例如数控机床。机器能够是数控铣床、数控车床等。借助于调节装置调节机器的运行。调节装置能够包括至少一个调节器。优选地,调节装置包括多个调节器或调节回路。借助于调节装置能够调节机器的运行变量。对此,例如能够借助于调节装置检测运行变量的实际值,并且与运行变量的目标值比较。借助于调节装置能够根据实际值调节运行变量。机器的运行变量例如能够是转速、旋转方向、转矩、进给、电压、电流等。
利用相应的检测装置或利用传感器现在能够提供测量值的时间序列或时间顺序。在此,测量值描述机器的至少一个运行变量。测量值还能够描述机器的多个运行变量。还能够提出,检测多个或不同的测量值。为了提供测量值的时间序列,传感器或检测装置能够相应地扫描传感器信号。随后,这些扫描的测量值能够相应地被进一步处理。
测量值的时间序列能够被输送给训练系统。对此,训练系统能够用于为机器也为多个机器确定模型。训练系统能够具有相应的计算装置,借助于计算装置能够建立模型。为此目的,能够在计算装置上执行相应的计算机程序。为了确定模型,首先提供未训练的模型。未训练的模型是人工神经网络。为了确定模型或为了提供训练的模型能够相应地训练未训练的模型。在此,测量值的时间序列被作为训练数据使用。训练之后,能够输出训练的模型,训练的模型描述电机的被调节的运行。
如上所述,模型是人工神经网络。人工神经网络也能够被称为人工神经网络或神经网络。人工神经网络通过人工神经元或节点形成,他们彼此连接。在此,连接能够提供两个节点之间的直接连接。在人工神经网络中,相应的节点布置在相应的层或隐藏层中。节点例如能够相继地布置在多个层中。人工神经网络基本具有输入层和输出层以及位于输入层与输出层之间的隐蔽层。为提供未训练的模型,首先能够设计人工神经网络。在此,能够为应用情况提供人工神经网络的拓扑或连接到节点的分配。
在设计人工神经网络之后能够进行训练阶段,在训练阶段中训练人工神经网络。为了训练人工神经网络将训练数据输送给人工神经网络。在当前情况中,测量值的时间顺序并且或者用于调节理论的数据能够提供给人工神经网络或未训练的模型作为训练数据。在人工神经网络的训练中,能够发展新的连接和/或删除存在的连接。还能够提出,调整节点或神经元的相应的权重或权重系数。此外,节点能够被添加或被移除。在此,训练能够作为监控的或监督的学习执行。在这种情况下,输出被预设给神经网络。还能够提出,在训练中执行未监控或未监督的学习。在这种情况下,没有预设输出。还能够在训练阶段期间使用加强学习。
训练的模型描述机器的运行,运行借助于调节装置被调节。借助于训练的模型或人工神经网络能够在训练之后推导描述调节装置的调节参数或调节变量。这些推导的调节变量例如能够描述调节装置的传递函数。调节变量尤其能够描述调节装置的类型或调节装置的单个调节器。在此,尤其提出,借助于训练的模型或人工神经网络根据测量值的在时间上的变化识别机器的运行变量是如何被调节的。因此应该已知,通过调节器以哪种方式影响运行变量。因此,在最简单的情况下,例如能够已知,调节装置的传递函数是否具有成比例的传递行为、综合传递行为、微分传递行为和/或时间延迟的传递行为。因此,能够借助于训练的模型推导调节装置的调节行为。因此,能够以简单和从而可靠的方式获得关于调节装置的附加信息。
优选地,基于调节理论数据确定推导的调节变量,其中,调节理论数据描述调节装置的工作原理。调节理论数据能够描述调节技术的已知的方法。调节理论数据尤其能够描述调节器的不同的传递函数。传递函数能够描述输入变量与输出变量的关系。测量值的时间序列能够描述输出变量。还能够提出,能够由测量值推导输出变量。调节理论数据能够描述在调节器中或调节装置中通常使用的、不同的已知的传递函数。如上所述,传递函数能够描述成比例的行为、综合的行为、微分的行为、时间延迟的行为、具有死区时间的调节或其相应的组合。调节理论数据能够作为训练数据被输送给未训练的模型或人工神经网络。随后,在训练中,测量值的在时间上的变化被分配给相应的传递函数。因此能够以简单和可靠的方式确定调节理论数据。
在其他实施方式中,被训练的人工神经网络具有多个隐藏层。换句话说,神经网络是所谓的深层神经网络。这种多层的人工神经网络在输出层还包括多个隐蔽层,隐蔽层的输出在网络的外部是不可见的。能够利用这样的人工神经网络实现深度的学习或深层学习。因此,模型或人工神经网络能够以可靠的方式被训练,使得其描述被调节的机器的运行。
还有利的是,测量值描述机器的不同的运行状态。不同的运行状态例如能够描述电机的转速的变化。在这种情况下,不同的运行状态例如能够描述机器的启动、转速的变化、推力的变化、不同工具的使用等。通过检测不同的运行状态能够更准确地研究调节或调节装置的影响。换句话说,能够检测不同的运行状态并且由此得出调节行为。这能够实现模型的可靠的训练。
还能够提出,在确定模型时考虑调节装置的相应的目标值。目标值例如能够通过机器的相应的运行来预设。还能够提出,相应地检测目标值。相应的目标值能够在训练模型或人工神经网络时被考虑或作为训练数据被使用。因此,能够推导出,机器的运行变量如何借助于调节装置被调节到目标值。随后,由此能够推导调节变量。
在本发明中尤其提出,根据扩展的训练后的模型确定描述其他调节装置的其他推导的调节变量。通过迁移学习基于训练的模型建立扩展的训练后的模型现在能够被使用用于推导其他调节装置的调节变量,借助于其他调节装置调节其他机器。尤其当训练的模型已经存在时,能够利用低的花费通过迁移学习提供扩展的训练的模型。随后,由此能够推导其他调节装置的特征。
根据本发明的训练系统包括用于接收机器的测量值的时间序列的第一接口。此外,训练系统包括用于根据接收的测量值来确定训练的模型的计算装置。最后,训练系统包括用于输出训练的模型的第二接口。训练系统例如能够通过相应的计算机提供。训练系统能够经由机器的第一接口或机器的传感器被连接用于数据传输,借助传感器提供测量值。随后,能够在训练系统的计算装置上执行相应的计算机程序,以便基于测量值训练模型。借助于训练系统能够执行根据本发明的用于提供模型的方法。
根据本发明的计算机程序包括指令,指令在通过训练系统或训练系统的计算装置执行程序时,促使训练系统或训练系统的计算装置实施根据本发明的方法以及其中有利的设计方案。
根据本发明的计算机可读的(存储)介质包括指令,指令通过训练系统被执行时,促使训练系统实施根据本发明的方法以及其中有利的设计方案。
本发明的其他方面涉及一种用于模拟机器、尤其是机床的运行的方法,其中,借助于调节装置调节机器的运行。在此,机器的运行被利用模型建模,借助于根据本发明的用于提供模型方法和/或其中有利的设计方案确定模型。
例如能够为确定的机器提供模型。能够使用模型,以再现被调节的机器的运行。因此,模型能够例如在相应的模拟系统或处理器或计算机上实施。机器的被调节的运行能够以这种方式被模拟或建模。因此,机器的运行尤其利用机器实施的制造方法例如能够事先被检验。因此,例如不需要利用真实的机器实施相应的试验。因此,能够防止工件和/或机器的损坏。还能在真实的机器中使用模型用于误差分析。
在此,尤其提出,借助于训练的模型仿真调节装置的运行。因此,能够利用模型或利用人工神经网络再现调节装置的功能。以这种方式能够检查调节装置如何对确定的输入变量做出反应。由此,能够在机器的真实的运行中推导或优化相应的设置。
根据本发明的模拟系统用于模拟机器、尤其是机床的运行,其中,借助于调节装置调节机器的运行。在此,模拟系统构造为用于执行根据本发明的用于模拟机器的运行的方法。
本发明还涉及一种包括指令的计算机程序,指令在通过模拟系统执行程序时,促使模拟系统实施根据本发明的用于模拟机器的运行的方法。
本发明的其他方面涉及一种包括指令的计算机可读的(存储)介质,指令在通过模拟系统被执行时,促使模拟系统执行根据本发明的用于模拟机器的运行的方法。
关于根据本发明的用于提供模型的方法,为机器提出的优选实施方式和其优点相应地适用于根据本发明的训练系统、适用于根据本发明的计算机程序产品以及适用于根据本发明的计算机可读的(存储)介质。关于根据本发明的用于模拟电机的运行的方法提出的优选的实施方式和其优点相应地还适用于根据本发明的模拟系统、根据本发明的计算机程序产品以及适用于根据本发明的计算机可读的(存储)介质。
本发明的其他特征由权利要求、附图和附图说明得出。在不脱离本发明的范围的情况下,上述在描述中提到的特征和特征组合以及下面在附图说明中提到的和/或在附图中单独示出的特征和特征组合不仅在分别给出的组合、而且在其他组合中能够使用。
附图说明
现在根据优选的实施例以及参考附图进一步解释本发明。在附图中示出:
图1示出用于为机器提供模型的方法的示意性流程图,其中,借助于调节装置调节机器的运行;和
图2示出根据其他实施方式用于确定机器的模型的方法的示意性流程图。
在附图中相同或功能相同的元件设置相同的附图标记。
具体实施方式
图1示出用于为机器A提供模型MA的方法的示意性流程图。机器A能够是机床。机器A尤其是数控机床。在此,借助于调节装置2调节机器A的运行。调节装置2能够具有多个调节器或调节回路。
能够借助于训练系统1确定机器A的模型MA。能够通过相应的计算机形成训练系统1。当前,训练系统1具有相应的计算装置6。未训练的模型经由接口3被输入到训练系统1。未训练的模型是人工神经网络,尤其是所谓的深度神经网络。测量值XA的时间序列经由接口4被输入到训练系统1。值XA描述机器A的运行变量。测量值XA例如能够描述转速、旋转方向、转矩、电压、电流等。借助于调节装置2基于调节变量θA调节机器A。但是调节变量θA不是已知的。
此外,能够输入调节理论数据以训练未训练的模型MU。调节理论数据尤其描述已知的调节装置2的行为。调节理论数据能够描述被调节装置2使用的不同的传递函数。在模型的训练期间,能够根据测量值XA或运行变量的在时间上的变化和已知的调节理论数据近似或得出调节装置2的行为或调节装置2的调节算法的行为。
随后,经由接口5能够输出训练的模型MA。随后,基于训练的模型MA能够提供推导的调节变量θ’A。推导的调节变量θ’A描述在训练期间已经得出的调节装置2的行为。因此,训练的模型MA描述机器A的运行,机器A借助于调节装置2被调节。
图2示出根据其他实施方式用于确定模型MA,B的示意性流程图。如之前结合图1所阐述的,在此首先也基于机器A的测量值XA训练未训练的模型MU。在训练之后能够提供训练的模型MA。在这种情况下,附加地执行所谓的迁移学习。在此,在下面的步骤中将训练的模型MA输入训练系统1。
此外,测量值XB由其他机器B确定并且输入训练系统1。在此,借助于其他调节装置2`调节其他机器B的运行。机器A和B例如能够来源于相同的制造商并且是机器的不同的或类似的类型。随后,能够基于其他机器B的测量值XB扩展训练的模型MA并且借助于训练系统1输出扩展的训练后的模型MA,B。对此,能够再次使用扩展的训练后的模型MA,B,确定推导的调节变量θ’A`、θ’B,推导的调节变量基于机器A、B的调节装置2、2`得出。
对此,能够使用训练的模型MA或扩展的训练后的模型MA,B模拟机器A、B的运行。对此,模型MA、MA,B能够在相应的模拟系统7或计算机上运行。这在图1中示意性地示出。因此,通过调节装置2、2`调节的机器A、B的运行能够被模拟或再现。因此,能够获得关于复杂的调节装置2、2`的通常不已知的工作原理的信息。这能够整体上实现优化机器A、B的运行并且避免误差。
Claims (12)
1.一种用于为至少一个机器(A、B)提供模型(MA、MA,B)的方法,所述机器尤其是机床,其中,借助于调节装置(2)调节所述机器(A)的运行,所述方法具有以下步骤:
-接收测量值(XA)的时间序列,其中,所述测量值(XA)描述所述机器(A)的运行变量,
-以人工神经网络的形式提供未训练的模型(MU),
-根据接收的所述测量值(XA)训练所述未训练的模型(MU),和
-借助于训练的模型(MA)确定推导的调节变量(θ’A),所述推导的调节变量描述所述调节装置(2),
其特征在于,
接收其他机器(B)的测量值(XB)的时间序列,利用其他调节装置(2`)调节所述其他机器的运行,其中,所述机器(A)和所述其他机器(B)是不同的机器(A、B)类型,并且根据所述其他机器(B)的测量值(XB)借助于迁移学习进一步训练所述训练的模型(MA)。
2.根据权利要求1所述的方法,其特征在于,基于调节理论数据确定所述推导的调节变量(θ’A),其中,所述调节理论数据描述所述调节装置(2)的工作原理。
3.根据权利要求1或2所述的方法,其特征在于,被训练的人工神经网络具有多个隐藏层。
4.根据前述权利要求中任一项所述的方法,其特征在于,所述测量值(XA)描述所述机器(A)的不同运行状态。
5.根据前述权利要求中任一项所述的方法,其特征在于,根据扩展的训练后的模型(MA,B)确定进一步推导的调节变量(θ’A,B),所述进一步推导的调节变量描述其他调节装置(2`)。
6.一种训练系统(1),包括:
-第一接口(4),所述第一接口用于接收机器(A)的测量值(XA)的时间序列和其他机器(B)的其他测量值(XB)的时间序列,其中,所述机器(A)和所述其他机器(B)是不同的机器(A、B)类型,
-计算装置(6),所述计算装置用于根据接收的所述测量值(XA)确定训练的模型(MA)并且基于所述其他测量值(XB)进一步训练所述训练的模型(MA)以形成进一步训练的模型(MA,B),和
-第二接口(XA),所述第二接口用于输出所述训练的模型(MA)和所述进一步训练的模型(MA,B)。
7.一种计算机程序,包括指令,所述指令在通过训练系统(1)执行程序时促使所述训练系统执行根据权利要求1至5中任一项所述的方法。
8.一种计算机可读的(存储)介质,包括指令,所述指令在通过训练系统(1)被执行时促使所述训练系统实施根据权利要求1至5中任一项所述方法。
9.一种用于模拟机器(A、B)的运行的方法,所述机器尤其是机床,其中,借助于调节装置(2、2`)调节所述机器(A、B)的运行,其特征在于,利用训练的模型(MA、MA,B)对所述机器(A、B)的运行建模,所述训练的模型借助于根据权利要求1至5中任一项所述的方法来确定。
10.根据权利要求9所述的方法,其特征在于,借助于所述训练的模型(MA、MA,B)仿真所述调节装置(2、2`)的运行。
11.一种用于模拟机器(A、B)的运行的模拟系统(7),所述机器尤其是机床,其中,借助于调节装置(2、2`)调节所述机器(A、B)的运行,其中,所述模拟系统(7)构造用于实施根据权利要求9或10所述的方法。
12.一种计算机程序,包括指令,所述指令在通过模拟系统(7)执行程序时促使所述模拟系统实施根据权利要求9或10所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19157949.9 | 2019-02-19 | ||
EP19157949.9A EP3699699A1 (de) | 2019-02-19 | 2019-02-19 | Verfahren zum bereitstellen eines modells für zumindest eine maschine, trainingssystem, verfahren zum simulieren eines betriebs einer maschine sowie simulationssystem |
PCT/EP2020/053099 WO2020169363A1 (de) | 2019-02-19 | 2020-02-07 | Verfahren zum bereitstellen eines modells für zumindest eine maschine, trainingssystem, verfahren zum simulieren eines betriebs einer maschine sowie simulationssystem |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113454544A true CN113454544A (zh) | 2021-09-28 |
Family
ID=65529270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080015268.6A Pending CN113454544A (zh) | 2019-02-19 | 2020-02-07 | 为至少一个机器提供模型的方法、训练系统、模拟机器运行的方法及模拟系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220138567A1 (zh) |
EP (2) | EP3699699A1 (zh) |
CN (1) | CN113454544A (zh) |
WO (1) | WO2020169363A1 (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0496570A2 (en) * | 1991-01-22 | 1992-07-29 | Honeywell Inc. | Two-level system identifier apparatus with optimization |
US20020011089A1 (en) * | 1999-03-23 | 2002-01-31 | Einar Broese | Method and device for determining the rolling force in a roll stand |
US20020072828A1 (en) * | 2000-06-29 | 2002-06-13 | Aspen Technology, Inc. | Computer method and apparatus for constraining a non-linear approximator of an empirical process |
DE102006054425A1 (de) * | 2005-11-22 | 2007-05-31 | Continental Teves Ag & Co. Ohg | Verfahren und Vorrichtung zum Ermitteln eines Modellparameters eines Referenzfahrzeugmodells |
CN108280462A (zh) * | 2017-12-11 | 2018-07-13 | 北京三快在线科技有限公司 | 一种模型训练方法及装置,电子设备 |
-
2019
- 2019-02-19 EP EP19157949.9A patent/EP3699699A1/de not_active Withdrawn
-
2020
- 2020-02-07 CN CN202080015268.6A patent/CN113454544A/zh active Pending
- 2020-02-07 WO PCT/EP2020/053099 patent/WO2020169363A1/de active Search and Examination
- 2020-02-07 EP EP20706947.7A patent/EP3881142A1/de active Pending
- 2020-02-07 US US17/431,998 patent/US20220138567A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0496570A2 (en) * | 1991-01-22 | 1992-07-29 | Honeywell Inc. | Two-level system identifier apparatus with optimization |
US5825645A (en) * | 1991-01-22 | 1998-10-20 | Honeywell Inc. | Two-level system identifier apparatus with optimization |
US20020011089A1 (en) * | 1999-03-23 | 2002-01-31 | Einar Broese | Method and device for determining the rolling force in a roll stand |
US20020072828A1 (en) * | 2000-06-29 | 2002-06-13 | Aspen Technology, Inc. | Computer method and apparatus for constraining a non-linear approximator of an empirical process |
DE102006054425A1 (de) * | 2005-11-22 | 2007-05-31 | Continental Teves Ag & Co. Ohg | Verfahren und Vorrichtung zum Ermitteln eines Modellparameters eines Referenzfahrzeugmodells |
WO2007060134A1 (de) * | 2005-11-22 | 2007-05-31 | Continental Teves Ag & Co. Ohg | Verfahren und vorrichtung zum ermitteln eines modellparameters eines referenzfahrzeugmodells |
CN108280462A (zh) * | 2017-12-11 | 2018-07-13 | 北京三快在线科技有限公司 | 一种模型训练方法及装置,电子设备 |
Also Published As
Publication number | Publication date |
---|---|
EP3881142A1 (de) | 2021-09-22 |
WO2020169363A1 (de) | 2020-08-27 |
US20220138567A1 (en) | 2022-05-05 |
EP3699699A1 (de) | 2020-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10090791B2 (en) | Machine learning apparatus and method for learning correction value in motor current control, correction value computation apparatus including machine learning apparatus and motor driving apparatus | |
US20170090430A1 (en) | Machine learning method and machine learning apparatus learning operating command to electric motor and machine tool including machine learning apparatus | |
US20170063284A1 (en) | Machine learning method and machine learning apparatus learning operating command to electric motor and controller and electric motor apparatus including machine learning apparatus | |
JP7151547B2 (ja) | 予測制御開発装置、予測制御開発方法、及び予測制御開発プログラム | |
CN109167546B (zh) | 一种基于数据生成模型的异步电机参数在线辨识方法 | |
CN114104038A (zh) | 列车控制方法、计算机设备及存储介质 | |
US8190536B2 (en) | Method of performing parallel search optimization | |
CN113454544A (zh) | 为至少一个机器提供模型的方法、训练系统、模拟机器运行的方法及模拟系统 | |
CN109507879A (zh) | 控制装置以及机器学习装置 | |
US20230065800A1 (en) | Method and test assembly for testing an autonomous behavior controller for a technical system | |
CN104020775A (zh) | 检测控制表面的干扰和/或不受控制移动的方法和系统 | |
Quindlen et al. | Region-of-convergence estimation for learning-based adaptive controllers | |
CN116635802A (zh) | 数控装置 | |
Bauer et al. | Black box efficiency modelling of an electric drive unit utilizing methods of machine learning | |
EP3835894A1 (en) | Method and apparatus for configuring a machine controller | |
WO2008027349A2 (en) | Method and device for adaptive control | |
WO2023223471A1 (ja) | 加工結果評価装置、加工結果評価方法、加工条件決定装置、および加工条件決定方法 | |
US12032880B2 (en) | Method and device for simulating a technical system | |
KR102585246B1 (ko) | 가상 가공 활용 공정 이상 가공 진단 방법 | |
EP4343458A1 (en) | Method for monitoring quality of an industrial process | |
KR20230046646A (ko) | 가상가공 활용 장비 특성 정량화 방법 | |
CN110779566B (zh) | 具有辅助判断功能的产品测试系统及产品测试辅助方法 | |
Kopka | Implementation of a fractional model-based fault detection algorithm into a PLC controller | |
Lemmen et al. | Objective and Subjective Steering Feel HiL Testing on a New High Performance Steering HiL with Virtual Vehicle Prototypes | |
Torigoe et al. | Application of Neural Network to Fault Diagnosis ofElectro-Mechanical System |
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 |