CN116113895A - 利用人工智能计算单元控制技术系统 - Google Patents

利用人工智能计算单元控制技术系统 Download PDF

Info

Publication number
CN116113895A
CN116113895A CN202180062879.0A CN202180062879A CN116113895A CN 116113895 A CN116113895 A CN 116113895A CN 202180062879 A CN202180062879 A CN 202180062879A CN 116113895 A CN116113895 A CN 116113895A
Authority
CN
China
Prior art keywords
control application
control
artificial intelligence
control unit
time
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
CN202180062879.0A
Other languages
English (en)
Inventor
A·波特罗哈尔布劳布
T·申克
I·顿
C·温彻林格
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 CN116113895A publication Critical patent/CN116113895A/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
    • 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
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Programmable Controllers (AREA)
  • Stored Programmes (AREA)

Abstract

本发明涉及一种计算机实施的用于控制技术系统的方法，该方法具有方法步骤：‑读入(S1)控制单元的硬件配置参数和控制单元的实时要求的值，‑读入(S2)人工智能计算单元(NPU)的硬件配置参数，‑读入(S3)用于控制技术系统的控制应用，其中所述控制应用设立为，根据人工智能来为控制单元生成输入值，‑在考虑控制单元的硬件配置参数和人工智能计算单元的硬件配置参数的情况下，确定(S4)控制应用的用于在人工智能计算单元上执行控制应用的处理时间，‑依据控制单元的实时要求的值来检查(S5)所确定的处理时间，并输出检查结果，以及‑根据检查结果来输出(S6)控制应用，以控制技术系统。

Description

利用人工智能计算单元控制技术系统
技术领域
本发明涉及一种计算机实施的用于控制技术系统的方法、一种用于控制技术系统的设备和一种包括人工智能(AI)计算单元的控制系统。
背景技术
为了加速特定的计算、如例如用人工神经网络进行深度学习推理(Deep LearningInferenz)，可以使用专门的片上系统(System-on-a-Chip)解决方案、即所谓的AI加速器，这些AI加速器也可以被称为人工智能(AI)计算单元或者神经网络处理器(NeuralProcessor)或神经网络处理单元(简称NPU(Neural Processing Unit))。
由于越来越多地也在工业自动化中采用这种基于AI的算法，所以这种特定的AI计算单元也可以被集成到用于控制工业设施或者机器的工业控制装置中。
EP 3 657 277 A1描述了一种用于工业系统的自动化设备的扩展单元，其中该扩展单元配置为，基于人工智能来执行数据评估。
然而，与AI加速器的典型应用领域相反，工业自动化中的算法通常必须遵守硬性的实时要求、如例如可编程逻辑控制器(英语：Programmable Logic Control，PLC)的最大周期时间，这典型地不是由这种特定的人工智能计算单元来设置，使得仅仅并入到对实时要求不严格的控制流程中是可能的。
发明内容
因而，本发明的任务是，能够实现将人工智能计算单元/AI加速器并入到对实时要求严格的控制流程中。
该任务通过在独立权利要求中所描述的措施来解决。在从属权利要求中，表示了本发明的有利的改进方案。根据第一方面，本发明涉及一种计算机实施的用于控制技术系统的方法，该方法具有方法步骤：
-读入控制单元的硬件配置参数和控制单元的实时要求的值，
-读入人工智能计算单元的硬件配置参数，
-读入用于控制技术系统的控制应用，其中所述控制应用设立为，根据人工智能来为控制单元生成输入值，
-在考虑控制单元的硬件配置参数和人工智能计算单元的硬件配置参数的情况下，确定控制应用的用于在人工智能计算单元上执行该控制应用的处理时间；
-依据控制单元的实时要求的值来检查所确定的处理时间，并输出检查结果，
以及
-根据检查结果来输出控制应用，以控制技术系统。
该方法尤其是可以至少部分computer/计算机辅助的或计算机实施的。在本发明的上下文中，“computer/计算机辅助的”可以理解为例如实施如下方法：在该方法中，尤其是处理器执行该方法的至少一个方法步骤。在本发明的上下文中，处理器可以理解为例如机器或者电子电路。处理器尤其是可以是中央处理单元(英语：Central Processing Unit，CPU)、微处理器或者微控制器、例如(可能与用于存储程序指令的存储单元相组合的)专用集成电路或者数字信号处理器，等等。处理器例如也可以是IC(集成电路，英语：IntegratedCircuit)、尤其是FPGA(英语：Field Programmable Gate Array(现场可编程门阵列))或者ASIC(专用集成电路，英语：Application-Specific Integrated Circuit)，或者可以是DSP(数字信号处理器，英语：Digital Signal Processor)或者图形处理单元GPU(GraphicProcessing Unit)。处理器也可以理解为虚拟化的处理器、虚拟机或者软CPU。例如也可以涉及可编程处理器，该可编程处理器被配备有用于执行所提到的根据本发明的方法的配置步骤，或者利用配置步骤配置为使得：该可编程处理器实现本发明的方法、部件、模块或者其他方面和/或子方面的根据本发明的特征。
只要在随后的描述中没有另外说明，术语“执行”、“计算”、“以计算机辅助的方式”、“运算(rechnen)”、“查明”、“生成”、“配置”、“重建”等等优选地就涉及如下行动和/或过程和/或处理步骤：所述行动和/或过程和/或处理步骤改变数据和/或产生数据和/或将数据转化成其他数据，其中所述数据尤其是可以表示为物理变量或者可以作为物理变量存在，例如表示为电脉冲或者作为电脉冲存在。尤其是，要尽可能宽泛地解释表达“计算机”，以便覆盖尤其是所有具有数据处理特性的电子设备。计算机因此可以例如是个人计算机(Personal Computer)、服务器、可编程逻辑控制器(PLC)、手持式计算机系统(Handheld-Computer-Systeme)、掌上电脑(Pocket-PC)设备、移动无线电设备和可以以计算机辅助的方式处理数据的其他通信设备、处理器和用于进行数据处理的其他电子设备。
在本发明的上下文中，(尤其是与数据和/或信息有关地)“提供可以理解为例如以计算机辅助的方式进行提供。例如，经由接口，如例如经由网络接口、通信接口或者至存储单元的接口，进行提供。经由这种接口，例如在提供时可以传送和/或发送和/或检索和/或接收相对应的数据和/或信息。
在本发明的上下文中，“控制单元的硬件配置参数”可以理解为例如PLC类型、如例如底板总线的类型和参数、数目和组件类型等。
在本发明的上下文中，“实时要求”可以理解为针对控制单元的过程的如下时期或者时间点：在该时期中或者在该时间点，要进行该过程。因此，“实时要求的值”可以是这种在时间单位内的条件。
在本发明的上下文中，“控制应用”尤其是可以理解为适合于控制技术系统的软件应用/Applikation、也就是说例如为技术系统的控制单元提供至少一个输入值的软件应用/Applikation。该控制应用设立为，根据人工智能来为控制单元生成输入值。换言之，在这种情况下，可以涉及基于AI的控制应用。例如，人工智能实现为人工神经网络，使得在读入控制应用时，尤其是分别读入人工神经网络的一定数目和类型的输入节点和输出节点。
在本发明的上下文中，“人工智能计算单元”尤其是可以理解为AI加速器或者神经网络处理单元。这种计算单元优选地是特别适合于根据人工智能进行计算的计算单元，也就是说是特定的AI计算单元或适合于执行基于AI的应用的计算单元。换言之，该计算单元可以尤其是分配给AI计算、如例如借助人工神经网络的计算。
在本发明的上下文中，“人工智能计算单元的硬件配置”尤其是可以理解为关于计算单元/NPU组件的硬件组件的信息、如例如处理器时钟、存储器时钟和/或总线带宽。
尤其是，“处理时间”也可以理解为关于在AI计算单元上执行控制应用的处理持续时间、总计算时间、总执行持续时间或者执行时间。
利用本发明可检查，控制应用是否满足控制单元的实时要求。在此，尤其是检查，在人工智能计算单元上执行基于AI的控制应用时是否遵守实时要求。因此，本发明的优点是，对于在人工智能计算单元/AI加速器上执行的控制应用，可以确定所述控制应用是否可以被用于或适合于控制对实时要求严格的系统。这尤其是特别针对相对应的硬件来检查。
在一个实施形式中，处理时间可以包括：
-用于在控制单元与人工智能计算单元之间进行数据传输的传输时间，
和/或
-在人工智能计算单元上执行应用的执行时间。
在一个实施形式中，借助对在人工智能计算单元上执行控制应用进行计算机辅助的仿真，可以确定执行时间。
为此，例如可以使用CPU仿真。此外，在此还可以考虑缓存行为。
在一个替选的实施形式中，借助在人工智能计算单元上执行控制应用，可以确定执行时间。
也可能，利用直接测量来确定处理时间。这使得能够考虑特定计算单元的每个特性。
在一个实施形式中，根据检查结果，
-可以使控制单元的实时要求的值适配于所确定的处理时间，和/或
-通过修改控制应用，可以使控制应用的执行时间适配于实时要求的值。
这使得能够，或者修订实时标准，和/或使控制应用适配于相对应的硬件。
在一个实施形式中，可以迭代地修改控制应用，直到控制应用的所确定的执行时间满足控制单元的实时要求的值。
尤其是，借助优化方法，可以修改控制应用，其中迭代地适配控制应用，直到执行时间被最小化。
在一个实施形式中，控制应用可以包括人工神经网络，并且可以迭代地缩减神经网络的节点，直到控制应用的所确定的执行时间满足实时要求的值。
这例如使得能够去除人工神经网络的具有低权重的节点。例如，这可以利用敏感度分析来确定。如例如在敏感度分析中那样，通过输入信号的激励可以研究神经网络，节点对计算的输出做出贡献到何种程度。可以忽略具有低影响的那些节点。
在一个实施形式中，可以在人工智能计算单元上执行控制应用，由此为控制单元生成输入值，并基于该输入值来控制技术系统。
尤其是，在肯定的检查结果的情况下，也就是说当处理时间满足实时要求时，可以执行控制应用。
根据第二方面，本发明涉及一种用于控制技术系统的设备，该设备包括：
-第一接口，该第一接口这样设立为，读入控制单元的硬件配置参数和控制单元的实时要求的值，
-第二接口，该第二接口这样设立为，读入人工智能计算单元的硬件配置参数，
-第三接口，该第三接口这样设立为，读入用于控制技术系统的控制应用，其中该控制应用设立为，根据人工智能来为控制单元生成输入值，
-分析模块，该分析模块这样设立为，在考虑控制单元的硬件配置参数和人工智能计算单元的硬件配置参数的情况下，确定控制应用的用于在人工智能计算单元上执行该控制应用来为控制单元生成输入值的处理时间；
-检查模块，该检查模块这样设立为，依据控制单元的实时要求的值来检查所确定的处理时间，并输出检查结果；
知
-输出模块，该输出模块这样设立为，根据检查结果来输出控制应用，以控制技术系统。
尤其是可以以硬件和/或软件来设立该设备和/或该设备的接口或模块中的至少一个接口或模块。优选地，该设备包括至少一个处理器。该设备优选地与技术系统的控制单元和人工智能计算单元相耦合。
在一个实施形式中，该设备可以包括仿真模块，该仿真模块这样设立为，借助对在人工智能计算单元上执行控制应用进行计算机辅助的仿真，确定执行时间。
“仿真模块”也可以理解为仿真环境。
在一个实施形式中，该设备可以包括优化模块，该优化模块这样设立为，迭代地修改控制应用，直到控制应用的所确定的执行时间满足控制单元的实时要求的值。
优选地，优化模块具有优化方法，利用该优化方法可以迭代地对控制应用进行修改，使得控制应用的执行时间被最小化。优选地，优化模块至少与分析模块和检查模块相耦合，使得可以迭代地修改和检查控制应用，直到执行时间满足实时要求。
根据另一方面，本发明涉及一种控制系统，该控制系统包括：
-根据本发明的设备，
-人工智能计算单元，该人工智能计算单元这样设立为，执行用于控制技术系统的控制应用，其中该控制应用设立为，根据人工智能来为控制单元生成输入值，
-控制单元，该控制单元这样设立为，基于通过控制应用生成的输入值来控制技术系统。
此外，本发明还涉及一种计算机程序产品，所述计算机程序产品可直接加载到可编程的计算机中，所述计算机程序产品包括程序代码部分，在通过计算机执行程序时，所述程序代码部分促使该计算机，执行根据本发明的方法的步骤。
例如，在存储介质上，如例如在存储卡、USB棒(USB-Stick)、CD-ROM、DVD、非易失性/持久性存储介质(英语：Non-transitory storage Medium(非暂时存储介质))，可以提供或者供应计算机程序产品，或者也以可从网络中的服务器下载的文件的形式，可以提供或者供应计算机程序产品。
附图说明
在附图中，示例性地示出并依据随后的描述更详细地阐述根据本发明的方法、根据本发明的设备和根据本发明的控制系统的实施例。在这些图中：
图1示出了根据本发明的方法的第一实施例；
图2示出了根据本发明的方法的第二实施例；以及
图3示出了根据本发明的设备和根据本发明的控制系统的实施例。
彼此相对应的部分在所有图中都配有相同的附图标记。
具体实施方式
尤其是，随后的实施例仅仅示出了示例性的实现可能性、即尤其是根据本发明的教导的这些实现方案看起来可能会如何，因为不可能提名所有这些实现可能性，并且为了理解本发明也并不方便或必需提名所有这些实现可能性。
尤其是，对于知晓该/所述方法权利要求的本领域(相关)技术人员而言，在现有技术中常见的用于实现本发明的所有可能性也是已知的，使得尤其是不需要在说明书中独立公开。
图1作为流程图示出了根据本发明的用于控制技术系统的方法的实施例。在这种情况下，该技术系统例如可以是工业设施、如例如生产设施、自动化设备或者机器人系统。尤其是，借助基于机器学习方法/机器学习(Machine-Learning)算法的控制应用，可以控制技术系统，其中控制应用为技术系统的控制单元输出输入值。对此，控制单元与人工智能计算单元耦合，其中在人工智能计算单元上执行控制应用。
对技术系统的控制可能具有如下实时要求：控制应用在人工智能计算单元上执行时必须遵守该实时要求。这可以借助随后描述的方法来检查，使得可以准许(freigegeben)和/或执行用于控制技术系统的控制应用。
在该方法的第一步骤S1中，获取控制单元的硬件配置或硬件规格。为此，读入控制单元的硬件配置参数、如例如PLC类型、存储器大小、存储器速度和/或总线带宽。此外，读入针对控制过程的实时要求的至少一个值、也就是说例如时间上限。实时要求例如可以依据硬件配置来确定。
在下一步骤S2中，读入人工智能计算单元的硬件配置参数、如例如类型、计算能力、NPU时钟/大小、内部总线速度和/或带宽。
此外，也可以读入关于人工智能计算单元和/或控制单元的固件和/或软件的信息。
在下一步骤S3中，读入适合于控制技术系统的控制应用。该控制应用这样设立为，根据人工智能(例如人工神经网络)来为控制单元生成和输出输入值。换言之，控制应用基于人工智能。此外，控制应用设立用于在人工智能计算单元上执行。
在下一步骤S4中，确定用于在人工智能计算单元上执行控制应用的处理时间、优选地最大或者最小处理时间，其中考虑人工智能计算单元的硬件配置参数和控制单元的硬件配置参数，也就是说，特定地针对这些硬件配置参数确定对处理时间的计算。可选地，也可以考虑人工智能计算单元和/或控制单元的固件和/或软件。
处理时间在此包括用于在控制单元与人工智能计算单元之间进行数据传输的传输时间，和/或包括在人工智能计算单元上执行应用的执行时间。换言之，处理时间优选地是传输时间和执行时间之和。尤其是，处理时间说明如下时间：为了执行控制应用和向控制单元传送所输出的输入值，需要所述时间。
尤其是借助对在人工智能计算单元上执行控制应用进行计算机辅助的仿真(步骤S4a)，可以确定执行时间，其中基于硬件配置参数对人工智能计算单元进行描绘(abgebildet)/建模。替选地，直接通过在真实的人工智能计算单元上执行控制应用，也可以确定执行时间，步骤S4b。
在控制单元的功能块与NPU组件之间的最大传输时间优选地包括在这些组件之间的请求和响应。例如，加上在底板总线上的总传输时间(包括从总线仲裁控制(BusArbitration Control)的总线请求(BusRequest)直至总线允许(Bus Grant)的最大等待时间在内)、在硬件的不同时钟域(clock domains)之间转换时的最大时钟偏移(maximumclock skew)及控制系统和NPU组件的中断服务例程(Interrupt Service Routinen)的最大反应时间。
NPU组件上的最大执行时间包括例如(没有传入/传出分支的)Atom代码段的最大执行时间。例如借助静态最坏情况执行时间分析(StaticWorst Case Execution TimeAnalysis)，可以计算或仿真这些Atom代码段。在此，在代码段的开始，所有缓存必须被假定为“冷的”，也就是说必须不包含任何所需的缓存行(Cache Lines)。可以在不同的资源上并行执行可能的计算。因此，在完全可并行的情况下，在控制应用或控制应用的人工智能的数据流图中的最长路径表示执行时间的最上限。
在下一步骤S5中，检查所确定的处理时间是否满足控制单元的实时要求。为此，所确定的处理时间与实时要求的至少一个值进行比较。
如果处理时间满足控制单元的实时要求，即路径Y，那么输出用于控制技术系统的控制应用，步骤S6和步骤S10。为此，可以在人工智能计算单元上设立和执行控制应用，其中控制应用为控制单元生成输入值。控制单元可以根据该输入值来控制技术系统，步骤S10。
如果处理时间不满足控制单元的实时要求，即路径N，那么例如可以适配实时要求，步骤S7。例如，可以相对应地修改处理时间的上限。紧接着，依据修改后的实时要求，可以重新进行对处理时间的检查。由此，可以适配技术系统的控制系统，使得可以使用预先给定的基于AI的控制应用。
图2示出了根据本发明的用于控制技术系统的方法的另一实施例。步骤S1至S6和S10与图1中的这些步骤相对应。
如果对处理时间的检查(步骤S5)得出处理时间不满足技术系统的控制单元的实时要求，即路径N，那么除了适配实时要求(图1中的步骤S7)之外或者替换于适配实时要求(图1中的步骤S7)，可以修改控制应用(步骤S8)，以便使控制应用的执行时间适配于实时要求的值。
为此，可以迭代地适配控制应用，步骤S9，直到最终得到的执行时间满足实时要求。例如，控制应用可以包括人工神经网络，使得迭代地缩减神经网络的节点，直到控制应用的所确定的执行时间满足实时要求的值。例如，这可以通过优化方法来支持，其中例如通过迭代地去除或者添加节点，这样长时间地改变/适配/缩减人工神经网络，直到对此所确定的执行时间最大对应于控制单元的最大周期时间。例如，对此可以分别对相应节点执行敏感度分析，以便消除具有低权重的那些节点。
图3示出了根据本发明的用于控制技术系统TS的设备100和根据本发明的用于控制技术系统TS的控制系统200的实施例。例如，设备100可以与控制系统200耦合，或者可以集成在控制系统200中。设备100优选地设立为，执行如在图1和/或图2中所示的方法的步骤。
示出了控制系统200，该控制系统200包括设备100、人工智能计算单元NPU(如例如神经网络处理单元)和控制单元PLC。技术系统例如可以是图像控制的机器人系统，该图像控制的机器人系统可以根据机器学习算法来控制。控制系统200优选地包括至少一个处理器CPU，所述至少一个处理器CPU集中处理神经网络处理单元NPU和控制单元PLC的数据。
设备100包括第一接口101和第二接口102，该第一接口101这样设立为，读入控制单元PLC的硬件配置参数HW1和控制单元PLC的实时要求RT的值；该第二接口102这样设立为，读入人工智能计算单元NPU的硬件配置参数HW2。此外，设备100包括第三接口103，该第三接口103这样设立为，读入用于控制技术系统的控制应用APP。控制应用APP这样设立为，根据人工智能来为控制单元生成输入值。设备100进一步包括分析模块104，该分析模块104这样设立为，在考虑控制单元的硬件配置参数HW1和人工智能计算单元的硬件配置参数HW2的情况下，确定控制应用的如下处理时间T：所述处理时间T是用于在人工智能计算单元NPU上执行控制应用APP以针对控制单元生成输入值的时间。该设备进一步包括检查模块105和输出模块106；该检查模块105这样设立为，依据所述控制单元的实时要求的值来检查所确定的处理时间T，并输出检查结果CR；该输出模块106这样设立为，在肯定的检查结果的情况下输出控制应用APP，以控制技术系统TS。该检查例如包括将处理时间与实时要求的值进行比较。尤其是，如果控制应用APP的处理时间T满足控制单元PLC的实时要求RT，则检查结果为肯定的。
优选地，借助对在神经网络处理单元NPU上执行控制应用APP进行计算机辅助的仿真、例如CPU仿真，确定处理时间T。为此，设备100可以包括仿真模块107，该仿真模块107这样设立为，执行这种计算机辅助的仿真。仿真模块107优选地与分析模块104耦合。为了计算，向仿真模块107尤其是传送神经网络处理单元NPU的硬件配置参数HW2，使得可以针对该神经网络处理单元NPU执行特定的计算机辅助的仿真。
如果控制应用APP满足控制单元的实时要求RT，则在神经网络处理单元NPU上执行该控制应用，并为控制单元PLC供应输入值CTL，以控制技术系统TS。
如果检查模块105输出否定的检查结果，也就是说如果控制应用APP的处理时间T不满足实时要求RT，那么借助可选的优化模块108，可以优化控制应用的执行时间，直到满足实时要求RT。优化模块108这样设立为，迭代地修改控制应用APP，直到控制应用的所确定的执行时间满足控制单元的实时要求的值。例如，可以缩减控制应用APP所基于的机器学习模型，其中例如去除人工神经网络的节点。
在本发明的范围中，所有所描述的和/或所绘出的特征可以有利地相互组合。本发明并不限于所描述的实施例。

Claims (13)

1.计算机实施的用于控制技术系统(TS)的方法，其具有方法步骤：
-读入(S1)控制单元(PLC)的硬件配置参数(HW1)和所述控制单元(PLC)的实时要求(RT)的值，
-读入(S2)人工智能计算单元(NPU)的硬件配置参数(HW2)，
-读入(S3)用于控制所述技术系统的控制应用(APP)，其中所述控制应用设立为，根据人工智能来为所述控制单元生成输入值(CTL)，
-在考虑所述控制单元的所述硬件配置参数和所述人工智能计算单元的所述硬件配置参数的情况下，确定(S4)所述控制应用的用于在所述人工智能计算单元上执行所述控制应用的处理时间，
-依据所述控制单元的所述实时要求(RT)的所述值来检查(S5)所确定的处理时间(T)，并输出检查结果，
以及
-根据所述检查结果，输出(S6)所述控制应用，以控制所述技术系统。
2.根据权利要求1所述的计算机实施的方法，其中，所述处理时间(T)包括：
-用于在所述控制单元与所述人工智能计算单元之间进行数据传输的传输时间，
和/或
-在所述人工智能计算单元上执行应用的执行时间。
3.根据权利要求2所述的计算机实施的方法，其中，借助对在所述人工智能计算单元上执行所述控制应用进行计算机辅助的仿真，确定(S4a)所述执行时间。
4.根据权利要求2所述的计算机实施的方法，其中，借助在所述人工智能计算单元上执行所述控制应用，确定(S4b)所述执行时间。
5.根据上述权利要求中任一项所述的计算机实施的方法，其中，根据所述检查结果，
-所述控制单元的所述实时要求的所述值被适配于(S7)所述所确定的处理时间，
和/或
-通过修改所述控制应用，所述控制应用的所述执行时间被适配于(S8)所述实时要求的所述一个值。
6.根据权利要求5所述的计算机实施的方法，其中，迭代地修改(S9)所述控制应用，直到所述控制应用的所确定的执行时间满足所述控制单元的所述实时要求的所述值。
7.根据上述权利要求中任一项所述的计算机实施的方法，其中，所述控制应用包括人工神经网络，并且迭代地缩减所述神经网络的节点，直到所述控制应用的所述所确定的执行时间满足所述实时要求的所述值。
8.根据上述权利要求中任一项所述的计算机实施的方法，其中，在所述人工智能计算单元(NPU)上执行所述控制应用(APP)，由此为所述控制单元(PLC)生成输入值(CTL)，并基于所述输入值来控制(S10)所述技术系统。
9.用于控制技术系统(TS)的设备(100)，其包括：
-第一接口(101)，所述第一接口(101)这样设立为，读入控制单元(PLC)的硬件配置参数(HW1)和所述控制单元(PLC)的实时要求(RT)的值，
-第二接口(102)，所述第二接口(102)这样设立为，读入人工智能计算单元(NPU)的硬件配置参数(HW2)，
-第三接口(103)，所述第三接口(103)这样设立为，读入用于控制所述技术系统的控制应用(APP)，其中所述控制应用(APP)设立为，根据人工智能来为所述控制单元(PLC)生成输入值，
-分析模块(104)，所述分析模块(104)这样设立为，在考虑所述控制单元的所述硬件配置参数(HW1)和所述人工智能计算单元的所述硬件配置参数(HW2)的情况下，确定所述控制应用的用于在所述人工智能计算单元上执行所述控制应用以针对所述控制单元生成输入值的处理时间(T)，
-检查模块(105)，所述检查模块(105)这样设立为，依据所述控制单元的所述实时要求的所述值来检查所确定的处理时间(T)，并输出检查结果(CR)，
和
-输出模块(106)，所述输出模块(106)这样设立为，根据所述检查结果，输出所述控制应用，以控制所述技术系统。
10.根据权利要求9所述的设备，其包括仿真模块(107)，所述仿真模块(107)这样设立为，借助对在所述人工智能计算单元上执行所述控制应用(APP)进行计算机辅助的仿真，确定执行时间。
11.根据权利要求9或者10所述的设备，其包括优化模块(108)，所述优化模块(108)这样设立为，迭代地修改所述控制应用，直到所述控制应用(APP)的所确定的执行时间满足所述控制单元的所述实时要求(RT)的所述值。
12.控制系统(200)，其包括：
-根据权利要求9至11中任一项所述的设备(100)，
-人工智能计算单元(NPU)，所述人工智能计算单元(NPU)这样设立为，执行用于控制技术系统的控制应用(APP)，其中所述控制应用设立为，根据人工智能来为控制单元生成输入值(CTL)，
-所述控制单元(PLC)，所述控制单元(PLC)这样设立为，基于通过所述控制应用生成的所述输入值来控制所述技术系统。
13.一种计算机程序产品，其能够直接加载到可编程的计算机中，所述计算机程序产品包括程序代码部分，所述程序代码部分适合于，执行根据权利要求1至8中任一项所述的方法的步骤。
CN202180062879.0A 2020-09-15 2021-08-27 利用人工智能计算单元控制技术系统 Pending CN116113895A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP20196314.7 2020-09-15
EP20196314.7A EP3968108A1 (de) 2020-09-15 2020-09-15 Steuerung eines technischen systems mit einer recheneinheit für künstliche intelligenz
PCT/EP2021/073741 WO2022058140A1 (de) 2020-09-15 2021-08-27 Steuerung eines technischen systems mit einer recheneinheit für künstliche intelligenz

Publications (1)

Publication Number Publication Date
CN116113895A true CN116113895A (zh) 2023-05-12

Family

ID=72521458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180062879.0A Pending CN116113895A (zh) 2020-09-15 2021-08-27 利用人工智能计算单元控制技术系统

Country Status (6)

Country Link
US (1) US20230324856A1 (zh)
EP (2) EP3968108A1 (zh)
JP (1) JP2023545901A (zh)
KR (1) KR20230066109A (zh)
CN (1) CN116113895A (zh)
WO (1) WO2022058140A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11904905B2 (en) * 2022-01-31 2024-02-20 Gm Cruise Holdings Llc Dynamic adjustment of autonomous vehicle system based on deep learning optimizations

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2568346B1 (en) * 2011-09-06 2015-12-30 Airbus Operations Robust system control method with short execution deadlines
EP3657277A1 (en) * 2018-11-23 2020-05-27 Siemens Aktiengesellschaft Extension device for an automation device

Also Published As

Publication number Publication date
EP4179395A1 (de) 2023-05-17
JP2023545901A (ja) 2023-11-01
EP3968108A1 (de) 2022-03-16
KR20230066109A (ko) 2023-05-12
US20230324856A1 (en) 2023-10-12
WO2022058140A1 (de) 2022-03-24
EP4179395B1 (de) 2024-06-26

Similar Documents

Publication Publication Date Title
US10360322B2 (en) Simulation of virtual processors
JP4975544B2 (ja) シミュレーション装置及びプログラム
US20100198574A1 (en) Programmer View Timing Model For Performance Modeling And Virtual Prototyping
KR102215271B1 (ko) 데이터 기반 함수 모델의 모델 계산 유닛, 제어 장치 및 계산 방법
US20210081585A1 (en) Method for event-based simulation of a system
US10606970B2 (en) Selection of corners and/or margins using statistical static timing analysis of an integrated circuit
Hughes et al. Optimizing design verification using machine learning: Doing better than random
WO2006024325A1 (en) Method for estimating power consumption
EP3244318A1 (en) Method and unit for handling interrupts in a system
Ernst Automated driving: The cyber-physical perspective
KR20150004284A (ko) 제어 장치의 작동 방법 및 모델 연산 유닛을 포함하는 제어 장치
CN116113895A (zh) 利用人工智能计算单元控制技术系统
Carvalho et al. Raspberry Pi performance analysis in real-time applications with the RT-Preempt patch
Ando et al. System-level design method for control systems with hardware-implemented interrupt handler
Chung et al. Enhancing performance of HW/SW cosimulation and coemulation by reducing communication overhead
AU2017438670B2 (en) Simulation device, simulation method, and simulation program
Alali et al. Modeling and simulation of multiprocessor systems MPSoC by SystemC/TLM2
Hamann et al. FMTV 2016 verification challenge
JP5226848B2 (ja) シミュレーション装置及びプログラム
Jersak et al. A transformational approach to constraint relaxation of a time-driven simulation model
US20060277428A1 (en) A system and method for simulation of electronic circuits generating clocks and delaying the execution of instructions in a plurality of processors
Blume et al. Performance analysis of soc communication by application of deterministic and stochastic petri nets
Sharma et al. Repository of arbitration cores (ROAC) for scheduling in various multi-processor SOCs
EP4131011A1 (en) Methods and apparatus to generate a surrogate model based on traces from a computing unit
Zen VLSI Implementation of an 8051 Microcontroller Using VHDL and Re-Corrective Measure Using AI

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