CN114175043A - 通过分析神经网络中的训练模式来分离机械压机的状态 - Google Patents

通过分析神经网络中的训练模式来分离机械压机的状态 Download PDF

Info

Publication number
CN114175043A
CN114175043A CN202080054169.9A CN202080054169A CN114175043A CN 114175043 A CN114175043 A CN 114175043A CN 202080054169 A CN202080054169 A CN 202080054169A CN 114175043 A CN114175043 A CN 114175043A
Authority
CN
China
Prior art keywords
manufacturing process
training
input signal
computer
implemented method
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
CN202080054169.9A
Other languages
English (en)
Inventor
托尔斯滕·赖曼
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 CN114175043A publication Critical patent/CN114175043A/zh
Pending legal-status Critical Current

Links

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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B30—PRESSES
    • B30B—PRESSES IN GENERAL
    • B30B15/00—Details of, or accessories for, presses; Auxiliary measures in connection with pressing
    • B30B15/0094—Press load monitoring means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B30—PRESSES
    • B30B—PRESSES IN GENERAL
    • B30B15/00—Details of, or accessories for, presses; Auxiliary measures in connection with pressing
    • B30B15/26—Programme control arrangements
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
    • 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
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mechanical Engineering (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Human Computer Interaction (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种用于指示制造过程的故障的计算机实现的方法、数据处理系统和计算机程序产品以及相应的制造机器，并且还涉及一种训练机器学习系统(MLS)以指示制造过程的状态的计算机实现的方法。传感器的输入信号被转换成参数。该参数被提供给MLS，该MLS导出潜在特征。这些潜在特征被映射到几个不同群集中的一个，每个群集代表制造过程的模式。最后，可指示基于制造过程的不同状态的制造过程的故障。

Description

通过分析神经网络中的训练模式来分离机械压机的状态
技术领域
本发明涉及一种用于指示制造过程的故障的计算机实现的方法、数据处理系统和计算机程序产品以及相应的制造机器，并且还涉及一种训练机器学习系统(MLS)以指示制造过程的状态的计算机实现的方法。
背景技术
在压制不同材料(例如，钢、铜、聚合物等)的片材或板材时，经常发生片材/板材(或更确切地制造的工件)中的裂纹、片材/板材或更确切地制造的工件的波纹以及制造过程的其他故障。没有在压制过程期间而是仅在自动或手动进行的视觉检查期间的几个压制周期之后才检测到制造过程的这些故障。此外，在压制过程中可能出现微裂纹，这种微裂纹在视觉检查中没有被检测到，却只是在最后组装或甚至操作期间很晚才被检测到。
制造过程的这些故障被检测得越晚，则对这些故障进行的校正就会越昂贵。
发明内容
因此，本发明的目的是提供一种可靠且快速自动指示制造过程故障。
本发明提供了一种根据独立权利要求1的指示制造过程的故障的计算机实现的方法、对应的数据处理系统、对应的计算机程序产品以及对应的制造系统，并且进一步提供了训练机器学习系统(MLS)以指示制造过程的状态的计算机实现的方法。本发明的改进方案是相应从属权利要求的主题。
根据本发明的第一方面，指示制造过程故障的计算机实现的方法包括步骤a)接收至少一个输入信号，b)变换该至少一个输入信号，c)导出潜在特征，d)映射所导出的潜在特征，以及e)可选地指示制造过程故障。在步骤a)中，接收至少一个输入信号。所接收的至少一个输入信号基于至少一个物理量，该物理量在制造过程期间通过至少一个传感器来监测。在步骤b)中，所接收的至少一个输入信号被变换成至少一个参数。该至少一个参数具有与所接收的至少一个输入信号不同的域以及另外或可替代地具有不同的参考值。在步骤c)中，通过机器学习系统(MLS)基于至少一个参数导出潜在特征。基于指示制造过程的特定状态的至少一个参数，在导出潜在特征方面训练MLS。在步骤d)中，将所导出的潜在特征映射到二维(2D)群集空间中的多个不同群集中的一者中，其中该群集表示制造过程的不同状态。在步骤e)中，基于制造过程的不同状态来指示制造过程的故障。
根据本发明的第二方面，用于指示制造过程的故障的数据处理系统包括用于执行根据本发明的第一方面的方法的步骤的装置。
根据本发明的第三方面，用于指示制造过程的故障的计算机程序产品包括指令，当由计算机执行程序时，指令使该计算机执行根据本发明的第一方面的方法的步骤。
根据本发明的第四方面，制造系统包括根据本发明第二方面的数据处理系统和至少一个传感器。该至少一个传感器通过在进行制造过程期间监测至少一个物理量来产生至少一个输入信号。所产生的至少一个输入信号被提供给数据处理系统。
通过至少一个传感器监测在制造过程期间发生的至少一个物理量，如振动、温度、力、扭矩、旋转/角/线速度/加速度等。因此，提供至少一个适当的传感器，比如温度传感器、振动传感器、加速度传感器、位置传感器、力传感器等。传感器位于对应的位置，在该位置处，传感器可以监测相应的物理量。
可以用适当的传感器监测多于一个的物理量，例如，可以用振动传感器监测振动(例如，机器零件或工件的振动)。制造过程期间的温度(例如，机器零件、腔室或工件的温度)可以用温度传感器监测。旋转速度可以用旋转传感器监测。可以用加速度或力传感器来监测加速度或力(或从加速度/力导出的速度)。
相应的传感器基于相应的被监测物理量产生对应的输入信号。在步骤a)中，所产生的输入信号被提供给数据处理系统并由数据处理系统接收(例如，在接收器的接口处)。
在步骤b)中，所接收的至少一个输入信号被变换成至少一个参数。例如，可以将输入信号归一化，并且另外或可替换地可以导出比如RMS、波峰因数和/或标准偏差的KPI作为输入信号的特征。此外，输入信号可以(另外)被变换到另一域，例如，振动信号可以例如，借助于快速傅立叶变换(FFT)从时域(F(t))变换到频域(F(f))。基于测量的加速度的输入信号可以从时域(F(t))变换到3D域(F(x，y，z))。此外，输入信号可以被变换，使得特征具有与输入信号不同的参考值，类似于基于测量的温度的输入信号可以从摄氏度(℃)变换到开尔文(K)，或者基于测量的速度的输入信号(其是相对速度)必须被变换(叠加)到绝对速度(例如，由制造系统的机器的臂移动的旋转元件)。此外，在变换的步骤中可确定统计值。例如，在变换中，可以首先将输入信号变换到另一个域并且然后可以从中导出统计特征。所有这些变换可以被称为参数工程。
机器学习算法或MLS基于被称为“训练数据”的样本数据来构建数学模型，以便在没有被明确编程以执行任务的情况下做出预测或决策。在步骤c)中，将至少一个“工程化”参数提供给MLS。已经对MLS进行了训练，使得其可以基于所提供的指示制造过程的特定状态的至少一个参数来导出潜在特征。比如制造过程的故障(例如，错误的制造参数、工件的不良定向、机器零件故障等)的特定状态以至少一个参数或多于一个参数的特定模式显现。因此，MLS已经基于在一组至少一个训练参数中的这种模式而被训练，该训练参数指示制造过程的至少一个特定故障(状态)。
由MLS从至少一个提供的参数导出的潜在特征类似于多个特定训练模式中的一者。MLS提取具有至少一个参数的潜在信息并且将该潜在信息内部地(例如，基于训练的权重)连接到潜在特征中，潜在特征提供与至少一个提供的参数不同的关于比如制造过程的故障的状态的信息。
在步骤d)中，将导出的潜在特征映射到一个群集中。群集是2D群集空间中的多个不同群集中的一者。此外，由MLS导出的潜在特征利用特定算法被映射成两个值(例如，X坐标和Y坐标)，这两个值的差异与基于另一提供的至少一个参数由MLS导出的其他潜在特征类似。根据至少一个参数由MLS导出的潜在特征具有特定模式。该模式可以通过该算法被变换成专用于潜在特征的相应模式的两个值。每个不同的群集类似于制造过程的不同状态(例如，空闲、启动阶段、正常操作和制造过程的一个或多个不同故障)。此外，可以从该群集推导出制造过程的故障的类别以及另外或可替代地推导出其严重性。
在可选步骤e)中，基于类似于群集的制造过程状态来指示制造过程的故障(及其类别和/或严重性)。基于由MLS根据至少一个参数导出的潜在特征的模式的制造过程的故障可以报告给用户(例如，技术人员、机械人员、值班主管、设施工程师等)，用户可以启动必要的步骤以将制造过程带回到正常操作(消除制造过程故障的原因)。
另外，该方法可以包括自动启动适当的应对措施的进一步的步骤，例如，重新定位可移动机器零件或工件、再填充冷却剂或润滑剂等，以使制造过程回到正常操作。
制造系统可以包括机器和机器零件，通过这些机器和机器零件可以进行制造过程。至少一个传感器基于在制造过程期间监测的至少一个物理量产生至少一个输入信号。
利用本发明，可以检测制造过程的状态并且可选地自动指示制造过程中的故障，使得制造过程可以更快和更可靠地回到正常操作。
根据本发明的改进方案，至少一个被监测的物理量是压机的压制力，并且至少一个所生成的输入信号是力随时间变化的信号。此外，压制工件中的故障被表示为制造过程的故障。
根据本发明的进一步改进方案，该制造系统进一步包括压机。至少一个传感器是通过监测压机的压制力产生力信号的力传感器。
至少一个力传感器，优选地是四个力传感器，均匀地分布在压机上，用于监测压机的压制力。至少一个力传感器可以是压电传感器等。至少一个力传感器随时间测量压制力并产生至少一个对应的输入信号。
基于压机的压制力的至少一个输入信号被转换成至少一个参数。将该至少一个参数提供给MLS，该MLS已经基于训练输入信号(基于压制力)在相应训练参数上被训练。MLS导出被映射到多个相应群集中的一者中的潜在特征，该群集表示制造过程的状态，如其中由片材或板材通过压机形成的工件具有裂纹或波纹或微裂纹等的故障。
利用本发明，可以可靠且快速地检测制造工件中的制造过程的状态，特别是故障，例如，裂纹、波纹、微裂纹等。
根据本发明的改进方案，所监控的压制力是压机()的柱塞(或冲头)的力，并且另外或可替代地是压机()的模具上的力。
优选地，至少四个力传感器位于模具或柱塞处。四个力传感器中的每一者分别布置在模具或柱塞的左前部、右前部、左后部或右后部中的一者中。
可以特别有效地测量和处理柱塞的或模具上的压制力。
根据本发明的改进方案，通过选择信号的预定时间片和另外或可替代地数据清理和另外或可替代地归一化和/或中心化，来变换所接收的至少一个输入信号。
仅可以选择至少一个输入信号的预定时间片并将其用作至少一个参数。例如，通过仅选择所述信号的时间片，可转换压制力随时间变化的信号，其中存在测量的实际压制力并且优选地存在所述信号的时间片，从该时间片开始柱塞与片材或板材接触直到压制完成并且柱塞离开由片材或板材压制的工件。
还可以通过数据清理来处理所接收的至少一个输入信号。
在数据清理中，对至少一个接收的输入信号中的间隙、跳跃等进行填充、校正等，从而提供连续且平滑的信号作为参数。
通过归一化，将至少一个输入信号归一化到预定值范围(例如，从0到1)，并且另外或可替代地，使计量时间段归一化。例如，每个输入信号可以被归一化为预定长度的预定数量时间步长，使得过长的信号被切断而过短的信号被延长。
所接收的至少一个输入信号还可以围绕特定值中心化或在输入信号中升高。例如，基于压机的压制力的输入信号可通过将每个输入信号与其自身卷积来中心化。
利用该变换，至少一个输入信号被调制为使得MLS可以最佳地导出潜在特征。
根据本发明的改进方案，MLS是神经网络(NN)，优选地是深度NN，并且最优选地是卷积NN。这提供了在潜在空间中存储时间序列的特定相干模式，从而可以区分它们。
人工神经网络(ANN)是由构成动物脑的生物神经网络启发的系统，尤其是计算系统。ANN通常通过考虑(标记的)示例或训练数据来“学习”执行任务，而不用设计任何任务专用规则。在初始学习或训练阶段期间，ANN从(标记的)训练数据自动生成识别特征。ANN包括称为人工神经元的连接节点的集合，其松散地模拟生物脑中的神经元。每个连接(生物脑中的突触)可以将信号从一个节点传输到另一个节点。接收信号的节点可以对其进行处理，然后将信号发送到与其连接的后续神经元。在常见的ANN实现方式中，节点之间的连接处的信号是实数(例如，0...1)，并且通过其输入(来自其他节点)之和的某个非线性函数来计算每个人工神经元的输出。节点之间的连接被称为“边缘”。ANN中的边缘可以各自具有在ANN的训练期间调整的权重。该权重增大或减小了对于边缘处的信号强度。每个节点可以具有阈值，使得只有在聚合信号超过该阈值时才发送该信号。通常，节点被聚合成层。不同的层可以在它们的输入上执行不同种类的变换。信号可能在多次穿过各层之后从第一层或输入层行进到最后一层或输出层。
换言之，ANN是接收输入的简单元件(所谓的节点或人工神经元)的网络。在接收到输入之后，节点根据该输入改变它们的内部状态(激活)，并根据输入和激活产生输出。网络通过将某些节点的输出连接到其他节点的输入而形成，从而形成有向加权图。在初始学习/训练期间，可以修改计算每个节点的激活的权重以及函数，这由学习规则或范例支配。
从至少一个前驱神经元接收输入的节点包括以下组件：激活、节点的状态(取决于离散时间参数)，可选地为阈值(除非被学习/训练函数改变，否则其保持固定)、计算给定时间的新激活的激活函数(例如，双曲正切函数、S型函数、归一化指数函数、整流函数等)以及计算来自激活的输出的净输入和输出函数(通常输出函数为恒等函数)。激活函数的一个重要特性是当输入值变化时提供平滑的过渡，即输入的小变化产生输出的小变化。
输入节点没有前导，但是作为整个ANN的输入接口。类似地，输出节点没有后继节点，因此用作整个ANN的输出接口。ANN由边缘/连接组成，每个边缘将节点(前导)的输出传送到另一个随后节点(后继)的输入。除了分配权重之外，边缘可以具有加到输入的总加权和的偏项，以用作阈值来移动激活函数。传播函数根据在前节点(前导)的输出计算到在后节点(后继)的输入，并且可以包含偏置值。
深度NN包括一层以上，优选四层以上，更优选七层以上，最优选十层或更多层。每一层可包括多个神经元或节点。优选地，每层可以含有十个或更多个，更优选50个或更多个并且最优选100个或更多个神经元。
卷积NN是具有卷积层的深度NN。在传统的层中，存在与输入卷积的过滤器。每个过滤器等效于必须训练的权重向量。
映射群集的准确性以及进而基于深度或卷积NN的所得潜在特征的制造过程的状态的确定性被提高。
根据本发明的改进方案，MLS被部署在基于云的系统上或在进行制造过程的场所的本地计算机系统上。
基于云的系统可以位于进行制造过程的制造系统的制造商一侧，或者位于制造系统的用户一侧。
在MLS被部署在基于云的系统上的情况下，MLS可被用于(完全)相同类型的多个不同制造系统和制造过程。
在MLS被部署在进行制造过程的场所的本地计算机系统上的情况下，MLS被仅用于相应的制造过程。
因此，MLS可以(全局地)用于不同的制造系统和不同的制造过程，并且因此，MLS的容量可以被最佳地使用或者MLS可以在本地使用，并且因此，MLS可以对于相应制造系统或更确切地说制造过程更专业化。
根据本发明的改进方案，使用t分布随机邻居域嵌入(t-SNE)方法将导出的潜在特征映射到多个不同群集之一中。
t-SNE是用于可视化的机器学习算法。它是一种非线性维度缩减技术，非常适合于嵌入高维数据以便在二维或三维的低维空间中可视化。具体地，它通过2D或三维(3D)点对每个高维度对象(这里是潜在特征)建模，使得高概率地通过邻近点(群集)对相似对象建模并且通过远点对不相似对象建模。这里，由MLS导出的潜在特征(例如，几百个值)被减少或映射成2D群集空间中的两个类似点的值，其中制造过程的不同状态可以基于2d群集空间中的不同群集来区分。
根据本发明的第五方面，训练机器学习系统(MLS)以指示制造过程的状态的计算机实现的方法包括步骤i)生成至少一个训练参数和对应训练结果的集合以及ii)训练机器学习系统。在步骤i)中，基于训练输入信号生成至少一个训练参数的集合，该训练输入信号基于在多个制造过程期间借助于至少一个传感器监测的至少一个物理量。相应制造过程的进一步相应训练结果被包含在该集合中。在步骤ii)中，使用至少一个训练参数的集合和对应训练结果的集合来训练MLS。
学习或训练规则或范例是修改相应ANN的参数的算法，以便对于ANN的给定输入产生有利的输出。该训练通常相当于修改ANN内的变量的权重和阈值。给定要解决的特定任务和一类功能，学习意味着使用一组观察来找到该类功能中的一个功能，这在某种最佳意义上解决了该任务。这需要定义成本函数，使得对于最优解，成本最小，并且没有其他解具有比最优解的成本更小的成本。成本函数是学习中的重要概念，因为它是特定解距离要解决的问题的最优解多远的度量。学习算法搜索解空间以找到具有最小可能成本的函数。对于其中解是数据相关的应用，成本必须是观察的函数，否则模型将不与数据相关。它是被定义为可以对其进行近似的统计量。可以定义任意的成本函数，然而，可以使用特定的成本函数，因为它具有期望的特性(例如，凸性)或者因为它自然地从问题的特定公式中产生。
ANN可以用标准反向传播算法有区别地训练。反向传播是计算关于ANN中的权重的损耗函数(产生与给定状态相关联的成本)的梯度的方法。可以经由随机梯度下降来完成反向传播的权重更新。成本函数的选择取决于比如学习类型(例如，监督、无监督、增强等)和激活函数之类的因素。通常，激活函数和成本函数分别是归一化指数函数和交叉熵函数。
换言之，训练ANN本质上意味着从允许模型的集合中选择最小化成本的一个模型(或者，在贝叶斯框架中，确定允许模型的集合上的分布)。通常，使用反向传播来计算实际梯度，部署某种形式的梯度下降。这是通过简单地取成本函数关于网络参数的导数，然后在梯度相关的方向上改变那些参数来完成的。反向传播训练算法分为三类：最陡下降(具有可变学习速率和动量、弹性反向传播)，准牛顿(Broyden-Fletcher-Goldfarb-Shanno，一步正切)，Leven-Berg-Marquardt和共轭梯度(Fletcher-Reeves更新法，Polak-Ribiere更新法，Powell-Beale重开始算法，量化共轭梯度)。
常见的训练范例包含监督学习、无监督学习和强化学习。监督学习使用一组示例配对并且目的是在允许的函数类中找到与示例匹配的函数。换言之，推断出数据所暗示的映射；成本函数与ANN的映射和数据之间的不匹配有关并且它隐含地包含关于问题域的先验知识。成本可以是均方误差，其试图在所有示例配对上最小化ANN的输出与目标值之间的均方误差。对于被称为多层感知器(MLP)的ANN类型来使用梯度下降来最小化该成本，产生用于训练ANN的反向传播算法。在无监督学习中，给出一些数据并且最小化成本函数，该成本函数可以是数据和ANN的输出的任何函数。成本函数取决于任务和任何先验假设(例如，模型的隐式属性或参数、观测变量等)。在强化学习中，数据通常不是给定的，而是由代理与环境的交互产生的。在每个时间点，代理执行动作并且环境根据某些(通常未知的)动态特性生成观察和瞬时成本。目的是发现一种用于选择使长期成本(例如，预期累积成本)的某些度量最小化的动作的策略。每个策略的环境动态和长期成本通常是未知的，但是也可以被估计。环境通常被建模为马尔可夫决策过程(MDP)，其状态和动作具有以下概率分布：瞬时成本分布、观察分布和转变，而策略被定义为给定观察的动作上的条件分布。然后，将两者合在一起定义马尔可夫链(MC)。目的是发现使成本最小化的策略(即MC)。
所生成集合中的至少一个训练参数的每一者属于对应的结果。在该集合中可以包含至少100对、优选至少500对以及最优选至少1000对训练参数和对应的训练结果。该至少一个训练参数对应于以上针对本发明的第一至第四方面描述的至少一个参数。与上述本发明第一到第四方面的至少一个输入信号相对应的训练输入信号被变换成至少一个训练参数。该转换与上面针对本发明的第一至第四方面所描述的相同(参见步骤b))。例如，在制造过程的几个周期(例如，1000个周期)期间，用至少一个相应的传感器监测至少一个物理量(例如，在压机的不同位置处的一个压制力或四个压制力)。在每个周期，至少一个传感器生成与所监测物理量相对应的训练输入信号(例如，随时间变化的力的信号)。此外，在每个周期中，确定制造过程的状态(例如，正常操作、制造过程的故障(工件中的裂纹等)。确定的制造过程的状态是针对相应训练输入信号的训练结果，更确切地说是训练参数。
基于所生成的至少一个训练参数的集合和对应训练结果的集合来训练MLS。此外，MLS被提供有该组的一个训练参数并且MLS被优化直到在已经映射了由MLS生成的潜在特征(例如，通过t-SNE方法)的群集空间中可以识别出训练结果为止。
用于推导潜在特征的MLS需要学习所提供的至少一个参数的模式中的线索。因此，所生成的组包含基于在制造过程的特定故障期间生成的训练输入信号以及还基于在正常操作期间生成的训练输入信号的训练参数。此外，该集合可以包含基于在空闲时间和/或启动阶段期间生成的训练输入信号的训练参数。在(由相应的传感器)生成对应的训练输入信号时，在存在制造过程的相应状态(训练结果)的情况下，对该组至少一个训练参数进行“标记”。
根据本发明的改进方案，训练输入信号是来自制造系统或制造过程的真实机器的真实输入信号，或者是来自制造系统或制造过程的机器的人工模型的模拟输入信号，或者是两者的组合。
因此，只需要根据制造过程的实际(测试)周期生成一小组“真实”训练参数和对应的训练结果。这显著地降低了产生该集合的成本。此外，“不完整”集合(例如，在制造过程的特定状态(如制造过程的特定故障)期间的训练信号丢失)可以用在模型中调整的制造过程的特定状态期间虚拟生成的训练信号来补充。
根据本发明的改进方案，MLS是神经网络(NN)并且优选地是预先训练的NN。
尤其是通过训练预先训练的神经网络，该神经网络通常已经被调节用于从工业数据导出信息，可以显著地减少训练特征集合的时间和数量。
根据本发明的改进方案，通过选择训练输入信号的预定义时间片和/或数据清理和/或归一化和/或中心化和/或使用训练输入信号的预定义长度的部分，将训练输入信号变换为该组的至少一个训练参数，其中优选地，根据高斯分布选择训练输入信号的预定义长度的部分。
对信号的预定时间片、数据清理、归一化和中心化的选择与上面针对本发明的第一至第四方面描述的至少一个输入信号相同。
代替整个训练输入信号，可以仅使用预定长度的部分作为训练MLS的参数。优选地，该部分的预定长度等于或小于训练信号长度的10％并且最优选地等于或小于训练信号长度的2％。例如，已经被归一化为1000个时间步长的训练输入信号(例如，随时间变化的力的信号)被划分成预定义长度的多部分，其中每个时间步长具有相同的预定义时间长度。例如，归一化训练输入信号被分成长度为16个时间步长的多部分。为了训练MLS，只有训练输入信号的那些“重要”部分被用作训练参数，其包含了关于制造过程的状态的最多信息，更确切地说是训练结果。
优选地，一个单个训练输入信号的多部分可以被多次用于训练MLS。
进一步优选地，可以根据高斯分布来选择训练输入信号的多部分，并将其用作训练参数。在基于高斯分布选择训练输入信号的部分时，高斯分布的最大值可以位于输入训练信号的一部分，在该部分中包含了关于制造过程状态的最多信息。因此，可以加速MLS的训练，并且也可以提高训练的MLS的精度。
附图说明
随后通过附图中所示的示例性实施例来更详细地解释本发明及其技术领域。示例性实施例仅有助于更好地理解本发明并且在任何情况下都不应被解释为限制本发明的范围。尤其是，如果没有明确地不同地描述，则可以提取附图中描述主题的各方面并且将其与本说明书或附图的其他组件和发现进行组合。相同的附图标记表示相同的对象，从而可以补充地使用来自其他附图的解释。
图1示出了指示制造过程的故障的计算机实现的方法的示意性流程图。
图2示出了用于指示制造过程故障的数据处理系统的示意图。
图3示出了在其上存储有用于指示制造过程故障的计算机程序产品的计算机可读介质的示意图。
图4示出了包括用于指示制造过程故障的数据处理系统和压机的制造系统的示意图。
图5示出了训练用于指示制造过程状态的机器学习系统的计算机实现的方法的示意图。
具体实施方式
在图1中，示意性地描绘了指示制造过程的故障的计算机实现的方法。在此，该制造过程是通过压制片材或板材(例如，由钢制成)来形成工件。
该计算机实现的方法包括步骤a)接收1至少一个输入信号，b)变换2该至少一个输入信号，c)导出3潜在特征，d)映射4所导出的潜在特征，以及e)可选地指示5制造过程的故障。
在步骤a)中，接收至少一个输入信号。这里，接收五个输入信号I1..I5。五个输入信号I1..I4中的四个是基于压机的柱塞在压机的模具上随时间变化的压制力的随时间变化的力的信号，该压制力由四个相应的力传感器测量。五个输入信号I5中的最后一个是基于由相应位置传感器测量的柱塞随时间变化的位置的随时间变化的位置信号。
在步骤b)中，五个输入信号I1..I5被变换。步骤b)包括针对每个输入信号I1..I5的子步骤：
-选择2.l信号的预定时间片；
-数据清理2.2；
-归一化2.3；以及
-中心化2.4。
子步骤2.1..2.4可以以任何顺序应用于信号I1..I5。通过选择2.1信号的预定时间片来适当地切割每个输入信号I1..I5。仅选择输入信号I1..I5的存在压制力或移动的时间片。然后，时间片被清理，由此信号的曲线走向中的间隙或跳跃或者选择的时间片段被填充或校正，使得在信号/选择的时间片段中存在连续且平滑的曲线走向。时间片被进一步归一化。在归一化2.3中，可以将这些值归一化到预定义范围(例如，0..1)，或者可以将时间标度归一化到预定义数目的时间步长，或者这两者。这里，时间片全部被归一化为预定长度的1000个时间步长(例如，时间步长具有1ms[毫秒]的时间长度)。此外，信号/时间片的曲线走向被中心化，使得在每个信号/时间片中，压制力或位置在相同的时间步长开始改变。通过将每个信号或更确切地说是时间片与其自身卷积来实现中心化2.4。所选择的、清理的、归一化的和中心化的信号/时间片作为参数P1..P5被转发。在步骤c)中，潜在特征LF从步骤b)的参数P1..P5导出。五个参数P1..P5(四个基于力的参数和一个基于位置的参数)被提供给卷积神经网络(NN)。卷积NN具有一个输入层、五个隐藏层和一个输出层。参数P1..P5被提供给输入层。卷积NN已被训练以基于参数P1..P5导出潜在特征LF，该潜在特征LF提供关于制造过程的状态(例如，制造过程的正常操作或特定故障)的信息。包含在参数P1..P5中的关于制造过程的信息由卷积NN提取并新组合成潜在特征LF。此外，在卷积NN的每一层中应用训练的权重。所得到的潜在特征LF具有指示制造过程状态的特定模式。潜在特征LF可以由输出层或由隐藏层中的一者或两者的组合来提供。
在步骤d)中，利用t-SNE算法将导出的潜在特征LF映射到类似于二维(2D)群集空间中的点的两个值。利用t-SNE算法，将制造过程的不同周期的潜在特征LF的相似模式分组在一起，并且将潜在特征LF的不同模式放入2D群集空间中的其他组中。由此，产生潜在特征LF的群集C1..C3，其中每个群集C1..C3类似于制造过程的一个特定状态。利用映射的群集C1..C3，制造过程的状态变得明显。
在可选步骤e)中，例如，向用户，如技术人员、机械人员、值班主管、厂务工程师等，指示制造过程的故障。该故障根据相应群集Cl..C3而决定，其指示该制造程序的相应状态且由该卷积NN导出的潜在特征LF的模式属于该状态。
可以以用于指示制造过程的故障的计算机程序产品的形式提供指示制造过程的故障的计算机实现的方法。
在图2中，示意性地描绘了用于指示制造过程的故障的数据处理系统10。数据处理系统10被布置和配置成执行指示图1的制造过程的故障的计算机实现的方法。
数据处理系统10可以是个人计算机(PC)、膝上型计算机、平板材计算机、服务器、分布式系统(例如，云系统)等。数据处理系统10包括中央处理单元(CPU)11、具有随机存取存储器(RAM)12和非易失性存储器(MEM，例如，硬盘)的存储器13、人机接口设备(HID，例如，键盘、鼠标、触摸屏等)14和输出设备(MON，例如，监视器、打印机、扬声器等)15。CPU 11、RAM12、HID 14和MON 15通过数据总线通信连接。RAM 12和MEM 13经由另一数据总线通信地连接。用于指示制造过程的故障的计算机程序产品可以从MEM 13或另一计算机可读介质加载到RAM 12中。根据该计算机程序产品，CPU执行指示图1的制造过程的故障的计算机实现的方法的步骤a)到d)以及可选地执行步骤e)。该执行可以由用户经由HID 14启动和控制。MON15可以向用户指示所执行的计算机程序的状态和/或结果。执行计算机程序的结果可以永久地存储在非易失性MEM 13或另一计算机可读介质上。
尤其是，用于执行计算机程序的CPU 11和RAM 12可以包括例如，计算群集或云系统中的多个CPU 11和多个RAM 12。用于控制计算机程序的执行的HID 14和MON 15可以由不同的数据处理系统包括，例如，通信地连接到数据处理系统10的终端(例如，云系统)。
在图3中，示意性地描绘了其上存储有用于指示制造过程的故障的计算机程序产品的计算机可读介质20。
这里，示例性地，计算机可读存储盘20，如压缩盘(CD)、数字视频盘(DVD)、高清晰度DVD(HD DVD)或蓝光盘(BD)，已经在其上存储了用于指示制造过程的故障的计算机程序产品。然而，计算机可读介质还可以是数据存储设备，如磁存储设备/存储器(例如，磁芯存储器、磁带、磁卡、磁条、磁泡存储设备、鼓存储设备、硬盘驱动器、软盘或可移动存储设备)、光存储设备/存储器(例如，全息存储器、光带、德莎胶带、激光光盘、相位写入器(Phasewriter Dual，PD)或超密度光(UDO))、磁光存储设备/存储器(例如，小型磁盘(MiniDisc)或磁光盘(MO-Disk))、易失性半导体/固态存储器(例如，随机存取存储器(RAM)、动态RAM(DRAM)或静态RAM(SRAM))、非易失性半导体/固态存储器(例如，只读存储器(ROM)、可编程ROM(PROM)、可擦除PROM(EPROM)、电EPROM(EEPROM)、闪存EEPROM(例如，USB棒)、铁电RAM(FRAM)、磁阻(MRAM)或相变RAM)。
在图4中，示意性地描绘了包括用于指示制造过程故障的数据处理系统10和压机40的制造系统30。制造系统30还包括四个力传感器S1..S4和一个位置传感器(未描绘)。
压机40包括柱塞(或冲头)41和模具(或冲模)42。四个力传感器S1..S4布置在模具42的左前部、右前部、左后部和右后部。柱塞41可由马达通过偏心轮或气动或液压驱动器驱动。柱塞41以压制力F朝向模具42移动，使得片材或板材50(例如，由钢制成)被柱塞41压入模具42中。由此，片材/板材50通过经由柱塞41施加的压制力F而变形为工件。在工件已经由片材/板材50形成之后，柱塞41缩回。在柱塞41的操作期间，四个力传感器S1..S4检测由柱塞41施加到模具42上的压制力F并产生相应的随时间变化的力信号，该信号作为输入信号I1..I4被提供给数据处理系统10，用于指示图2的制造过程的故障。此外，位置传感器在操作期间确定柱塞41相对于模具42的位置并产生随时间变化的位置信号，该信号作为输入信号I5被提供给数据处理系统10，用于指示图2的制造过程的故障。
在图5中，示意性地描绘了训练机器学习系统以指示制造过程的状态的计算机实现的方法。训练用于指示制造过程的状态的机器学习系统的计算机实现的方法包括以下步骤：i)生成101至少一个训练参数的集合和对应训练结果的集合以及ii)训练102机器学习系统。
这里，使用五个训练参数。生成训练参数与图1的计算机实现的方法中的参数非常相似。在制造系统(例如，图4的制造系统)中，运行制造过程的几个周期，以便产生训练输入信号T1..T5。这里，运行1000个训练周期，但是训练输入信号T1..T5也可以在生产操作期间被获取。在制造过程的每个(训练或生产)周期中，通过四个力传感器检测在将片材或板材压入工件时柱塞在模具上的压制力。此外，柱塞相对于模具的位置在每个周期期间由位置传感器检测。在每个周期中，四个力传感器产生随时间变化的力信号T1..T4，而位置传感器产生随时间变化的位置信号T5。1000个周期中每个周期的四个力随时间变化的信号和位置随时间变化的信号被提供作为该组的训练输入信号T1..T5。此外，确定每个周期的制造过程的状态。制造过程的这些状态包括空闲阶段、启动阶段、正常操作和制造过程的一个或多个故障。制造过程的故障可以包括在压制之后在片材/板材或者工件中的裂纹、片材/板材或者工件的波纹、片材/板材或者工件的微裂纹等。制造过程的这些状态作为对应的训练结果被包含在该组中。由此，相应的五个训练输入信号T1..T5和对应的训练结果(制造过程的状态)形成一对训练数据(五个训练输入信号作为训练的输入数据并且对应的训练结果作为训练的(期望的)输出数据)。五个训练输入信号T1..T5可以用对应的训练结果来标记或加上标签。
产生101包括子步骤：
-选择101.1训练信号的预定时间片；
-数据清理101.2；
-归一化101.3；
-中心化101.4；以及
-使用101.5训练输入信号的预定长度的多部分，其中根据高斯分布来选择训练输入信号的预定长度的多部分。
子步骤101.1..101.4可以以任何顺序应用于训练输入信号T1..T5。如针对图1的计算机实现的方法中的输入信号所描述的，对五个训练输入信号T1..T5进行变换。子步骤101.1..101.4对应于子步骤2.1..2.4。此外，五个输入训练信号T1..T5，或者更确切地说，所选择的时间片可以不被完全使用，而是仅预定长度的一部分可以被用作训练参数。此外，训练输入信号T1..T5或更确切地说是其选定的时间片可以被分成预定长度的多部分。这里，1000个时间步长的时间片被分成16个时间步长的多部分。
此外，根据高斯分布选择每个训练输入信号T1..T5的时间片的用作相应训练参数的部分。高斯分布的最大值位于训练输入信号T1..T5/时间片的区域中，在该区域中检测到最大压制力。训练输入信号T1..T5/时间片的这个区域包含关于制造过程状态的最多信息。因此，与属于训练输入信号T1..T5/时间片的区域的多部分相比，更经常地选择对应部分作为输入参数，在这些区域中，柱塞将更低的压制力施加到模具上(例如，从柱塞接触片材/板材的时间点开始直到柱塞施加最大压制力之前为止，以及从柱塞减小压制力并从模具中缩回的时间点开始)。
在步骤ii)中，卷积NN被训练用于指示制造过程的状态。迭代地，输入数据对(五个训练参数)和(期望的)输出数据(对应的训练结果)用于训练卷积NN。在每次迭代中，将基于相应的五个训练输入信号T1..T5的五个训练参数提供给卷积NN。调节卷积NN隐藏层的内部权重，直到优化函数收敛到对应的训练结果为止。在1000对输入数据和输出数据的集合被用于训练之后，卷积NN被充分训练以指示制造过程的状态。
由训练机器学习系统以指示图4的制造过程的状态的计算机实现的方法训练的卷积NN可用于指示图1的制造过程的故障的计算机实现的方法中，和/或被集成在图2的数据处理系统中以指示图4的制造系统中可包含的制造过程的故障。
尽管本文已经图示和描述了具体实施例，但是本领域的普通技术人员将理解，存在各种替代和/或等效实现方式。应当理解，一个或多个示例性实施例仅是示例，而不是要以任何方式限制范围、应用或配置。相反，前面的概述和详细描述将为本领域技术人员提供用于实现至少一个示例性实施例的方便的路线图，应当理解，在不背离如所附权利要求及其合法等同物中阐述的范围的情况下，可以对示例性实施例中描述的元件的功能和布置进行各种改变。通常，本申请旨在覆盖本文所讨论的具体实施例的任何修改或变化。
在前面的详细描述中，出于简化本公开的目的，在一个或多个示例中将各种特征组合在一起。应当理解，上述描述是说明性的，而不是限制性的。其旨在覆盖可以包含在本发明范围内的所有替换、修改和等同物。在阅读了上述说明书之后，许多其他示例对于本领域技术人员而言将是显而易见的。
在上述说明书中使用的特定术语用于提供对本发明的透彻理解。然而，根据本文提供的说明书，本领域技术人员将清楚，为了实践本发明，并不需要具体细节。因此，本发明的特定实施例的上述描述是为了说明和描述的目的而给出的。它们不是穷举的，也不是要将本发明限制为所公开的精确形式；显然，鉴于上述教导，许多修改和变化是可能的。
选择和描述实施例是为了最好地解释本发明的原理及其实际应用，从而使本领域的其他技术人员能够最好地利用本发明和具有各种修改的各种实施例，以适合于预期的特定用途。在整个说明书中，术语“包含”和“其中”分别用作相应术语“包括”和“其中”的简单英语等效物。此外，术语“第一”、“第二”和“第三”等仅用作标签，并且并非旨在对其对象的重要性强加数值要求或建立其对象的重要性的特定排序。在本说明书和权利要求书的上下文中，连词“或”应被理解为包含(“和/或”)而不是唯一的(“或....或”)。

Claims (16)

1.一种指示制造过程的故障的计算机实现的方法，包括以下步骤：
a)接收(l)基于借助于至少一个传感器(S1..S4)在所述制造过程期间监测的至少一个物理量的至少一个输入信号(I1..I5)；
b)将所接收的至少一个输入信号(I1..I5)变换(2)成至少一个参数(P1..P5)，所述至少一个参数具有与所述所接收的至少一个输入信号(I1..I5)不同的域和/或不同的参考值；
c)借助于机器学习系统MLS基于所述至少一个参数(P1..P5)导出(3)潜在特征(LF)，在基于指示所述制造过程的特定状态的所述至少一个参数(P1..P5)来导出所述潜在特征(LF)方面训练所述机器学习系统；
d)将所导出的潜在特征(LF)映射(4)到二维2D群集空间中多个不同群集(C1..C3)中的一者，其中，所述群集(C1..C3)表示所述制造过程的不同状态；以及
e)可选地(5)基于所述制造过程的不同状态来指示所述制造过程的故障。
2.根据权利要求1所述的计算机实现的方法，其中，至少一个被监测的物理量是压机(40)的压制力(F)并且至少一个生成的输入信号(I1..I5)是随时间变化的力信号，并且其中，压制的工件中的故障被指示为所述制造过程的故障。
3.根据权利要求2所述的计算机实现的方法，其中，所述被监测的压制力(F)是所述压机(40)的柱塞(41)的力和/或所述压机(40)的模具(42)上的力。
4.根据前述权利要求中的任一项所述的计算机实现的方法，其中，通过选择所述信号(I1..I5)的预定时间片和/或数据清理和/或归一化和/或中心化来变换所接收的至少一个输入信号(I1..I5)。
5.根据前述权利要求中的任一项所述的计算机实现的方法，其中，所述MLS是神经网络NN，优选地是深度NN，并且最优选地是卷积NN。
6.根据前述权利要求中的任一项所述的计算机实现的方法，其中，所述MLS被部署在基于云的系统上或在进行所述制造过程的场所的本地计算机系统上。
7.根据前述权利要求中的任一项所述的计算机实现的方法，其中，t分布随机邻域嵌入t-SNE方法被用于将所导出的潜在特征(LF)映射到所述多个不同群集(C1..C3)中的一者中。
8.一种用于指示制造过程的故障的数据处理系统(10)，包括用于执行根据前述权利要求中的任一项所述的方法的步骤的装置。
9.一种用于指示制造过程的故障的计算机程序产品，包括指令，当由计算机执行程序时，所述指令使所述计算机执行根据权利要求1至7中任一项所述的方法的步骤。
10.一种制造系统(30)，包括：
-根据权利要求8所述的数据处理系统(10)；以及
-至少一个传感器(S1，S2，S3，S4)，其通过在进行制造过程期间监测至少一个物理量来生成至少一个输入信号(I1..I5)，
其中，所生成的至少一个输入信号(I1..I5)被提供给所述数据处理系统(10)。
11.根据权利要求10所述的制造系统(30)，还包括压机(40)，其中，所述至少一个传感器(S1..S4)是通过监测所述压机(40)的压制力(F)来产生力信号的力传感器。
12.根据权利要求10或11所述的制造系统(30)，其中，所监测的压制力(F)是所述压机(40)的柱塞(41)的力和/或所述压机(40)的模具(42)上的力。
13.一种训练用于指示制造过程的状态的机器学习系统MLS的计算机实现的方法，包括以下步骤：
i)生成(101)基于训练输入信号(T1..T5)的至少一个训练参数的集合和相应制造过程的对应训练结果的集合，所述训练输入信号基于在多个制造过程期间借助于至少一个传感器(S1..S4)所监测的至少一个物理量；
ii)使用所述至少一个训练参数的集合和所述对应训练结果的集合来训练所述MLS。
14.根据权利要求13所述的计算机实现的方法，其中，所述训练输入信号(T1..T5)是来自制造系统(30)或制造过程的真实机器(40)的真实输入信号，或来自制造系统(30)或制造过程的机器(40)的人工模型的仿真输入信号，或两者的组合。
15.根据权利要求13或14所述的计算机实现的方法，其中，所述MLS是神经网络NN，并且优选地是预训练NN。
16.根据权利要求13至15中任一项所述的计算机实现的方法，其中，通过选择所述训练输入信号(T1..T5)的预定义时间片和/或数据清理和/或归一化和/或中心化和/或使用所述训练输入信号(T1..T5)的预定义长度的部分来将所述训练输入信号(T1..T5)变换成集合的所述至少一个训练参数，其中优选地，根据高斯分布来选择所述训练输入信号(T1..T5)的预定义长度的部分。
CN202080054169.9A 2019-08-06 2020-07-06 通过分析神经网络中的训练模式来分离机械压机的状态 Pending CN114175043A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP19190221.2 2019-08-06
EP19190221.2A EP3772411A1 (en) 2019-08-06 2019-08-06 Separation of states of mechanical presses by analysing trained patterns in a neural network
PCT/EP2020/068923 WO2021023449A1 (en) 2019-08-06 2020-07-06 Separation of states of mechanical presses by analysing trained patterns in a neural network

Publications (1)

Publication Number Publication Date
CN114175043A true CN114175043A (zh) 2022-03-11

Family

ID=67551140

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080054169.9A Pending CN114175043A (zh) 2019-08-06 2020-07-06 通过分析神经网络中的训练模式来分离机械压机的状态

Country Status (4)

Country Link
US (1) US20220269255A1 (zh)
EP (2) EP3772411A1 (zh)
CN (1) CN114175043A (zh)
WO (1) WO2021023449A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4119338A1 (en) * 2021-07-14 2023-01-18 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Method of operating a press apparatus and forming process

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4633720A (en) * 1984-12-17 1987-01-06 Dybel Frank Richard Load monitoring system for progressive dies
US6301572B1 (en) * 1998-12-02 2001-10-09 Lockheed Martin Corporation Neural network based analysis system for vibration analysis and condition monitoring
US7444310B2 (en) * 2002-04-19 2008-10-28 Computer Associates Think, Inc. Automatic model maintenance through local nets
EP3155758A4 (en) * 2014-06-10 2018-04-11 Sightline Innovation Inc. System and method for network based application development and implementation
CA2969414C (en) * 2014-12-02 2018-11-06 Siemens Aktiengesellschaft Apparatus and method for monitoring a device having a movable part
JP6804372B2 (ja) * 2017-03-31 2020-12-23 住友重機械工業株式会社 射出成形機、および射出成形用情報処理装置
US10234848B2 (en) * 2017-05-24 2019-03-19 Relativity Space, Inc. Real-time adaptive control of additive manufacturing processes using machine learning
CN107560849B (zh) * 2017-08-04 2020-02-18 华北电力大学 多通道深度卷积神经网络的风电机组轴承故障诊断方法
JP6616375B2 (ja) * 2017-10-23 2019-12-04 ファナック株式会社 状態判定装置
US11348018B2 (en) * 2017-12-19 2022-05-31 Aspen Technology, Inc. Computer system and method for building and deploying models predicting plant asset failure
US10373056B1 (en) * 2018-01-25 2019-08-06 SparkCognition, Inc. Unsupervised model building for clustering and anomaly detection
US20190354832A1 (en) * 2018-05-17 2019-11-21 Università della Svizzera italiana Method and system for learning on geometric domains using local operators
US11645551B2 (en) * 2018-06-16 2023-05-09 Moshe Guttmann Presenting inference models based on interrelationships
US20210004682A1 (en) * 2018-06-27 2021-01-07 Google Llc Adapting a sequence model for use in predicting future device interactions with a computing system
US11579951B2 (en) * 2018-09-27 2023-02-14 Oracle International Corporation Disk drive failure prediction with neural networks
US20200293032A1 (en) * 2019-03-13 2020-09-17 General Electric Company Extremely fast substation asset monitoring system and method

Also Published As

Publication number Publication date
WO2021023449A1 (en) 2021-02-11
US20220269255A1 (en) 2022-08-25
EP3772411A1 (en) 2021-02-10
EP3976365A1 (en) 2022-04-06

Similar Documents

Publication Publication Date Title
Li et al. Remaining useful life estimation in prognostics using deep convolution neural networks
Kan et al. A review on prognostic techniques for non-stationary and non-linear rotating systems
Wang Towards zero-defect manufacturing (ZDM)—a data mining approach
Tamilselvan et al. Deep belief network based state classification for structural health diagnosis
Akhil et al. Image data-based surface texture characterization and prediction using machine learning approaches for additive manufacturing
JP2019520659A5 (zh)
GB2597406A (en) Fairness improvement through reinforcement learning
JP6711323B2 (ja) プロセスの異常状態診断方法および異常状態診断装置
Ismail et al. Quality monitoring in multistage manufacturing systems by using machine learning techniques
Yu et al. Control chart recognition based on the parallel model of CNN and LSTM with GA optimization
KR20200005206A (ko) 기계 학습 기반의 설비 이상 분류 시스템 및 방법
Lam et al. Enhanced trajectory based similarity prediction with uncertainty quantification
Maged et al. Uncertainty utilization in fault detection using Bayesian deep learning
de Calle et al. Dynamic condition monitoring method based on dimensionality reduction techniques for data-limited industrial environments
Kißkalt et al. A novel approach for data-driven process and condition monitoring systems on the example of mill-turn centers
Schlegel et al. Autonomous data-driven quality control in self-learning production systems
Gittler et al. International Conference on Advanced and Competitive Manufacturing Technologies milling tool wear prediction using unsupervised machine learning
Akavalappil et al. Comparison of current state of control valve stiction detection and quantification techniques
Wang et al. Three‐stage feature selection approach for deep learning‐based RUL prediction methods
CN114175043A (zh) 通过分析神经网络中的训练模式来分离机械压机的状态
CN113486926B (zh) 一种自动化码头设备异常检测系统
Jiang et al. A SVDD and K‐Means Based Early Warning Method for Dual‐Rotor Equipment under Time‐Varying Operating Conditions
Barreto et al. Novel approaches for parameter estimation of local linear models for dynamical system identification
Al‐Dahidi et al. A novel approach for remaining useful life prediction of high‐reliability equipment based on long short‐term memory and multi‐head self‐attention mechanism
Cabeza et al. Fault diagnosis with missing data based on hopfield neural networks

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