CN117795519A - 用于控制生产系统的方法和系统 - Google Patents

Abstract

为了控制用于制造第一产品版本(PV1)的生产系统(PS)，针对多个产品版本，分别读入多个特定于产品版本的训练数据集。这些训练数据集分别包括：指定相应产品版本的设计变体的设计数据集(DR1，DR2)；以及该设计变体的性能值(P1、P2)。设计数据集(DR1，DR2)被馈入到跨产品版本的机器学习模块(LG_3)中。该跨产品版本的机器学习模块(LG_3)的输出信号(OS)不仅被馈入到特定于产品版本的第一机器学习模块(L1_3)中而且被馈入到特定于产品版本的第二机器学习模块(L2_3)中。这些机器学习模块(LG_3、L1_3、L2_3)被联合训练，使得该第一机器学习模块(L1_3)的输出数据(O1)再现该第一产品版本的性能值(P1)，并且该第二机器学习模块(L2_3)的输出数据(O2)再现该第二产品版本的性能值(P2)。然后，生成多个综合设计数据集(DR1)，并且将这些综合设计数据集馈入到经过训练的跨产品版本的机器学习模块(LG_3)中。该经过训练的跨产品版本的机器学习模块(LG_3)的所得到的输出信号(OS)被馈入到经过训练的第一机器学习模块(L1_3)中。根据该经过训练的第一机器学习模块的所得到的输出数据(O1)，从这些综合设计数据集(DR1)中导出性能优化的设计数据集(ODR)，并且输出该性能优化的设计数据集以制造该第一产品版本(PV1)。

Description

用于控制生产系统的方法和系统

背景技术

为了制造复杂的技术产品，诸如机器人、电机、涡轮机、涡轮叶片、内燃机、工具、机动车辆或其组件，计算机辅助设计系统正变得越来越普遍。借助于此类设计系统，通常生成设计数据，这些设计数据详细指定所要制造的产品，并且借助于这些设计数据可以操控用于制造指定产品的生产系统。

为了改善所希望的产品特性，在许多情况下，力求自动优化产品的设计数据，这些产品特性通常通过性能来表示。在此，这种性能尤其可以涉及产品的功率、产量、速度、重量、运行时间、精度、故障率、资源消耗、效率、功效、污染物排放、稳定性、磨损、使用寿命、物理特性、机械特性、电特性、要遵守的约束条件或者其他目标参量。

为了优化所要制造的产品的性能，通常使用多维优化方法，即所谓的MDO方法(MDO：Multi Dimensional Optimization)。这些MDO方法通常模拟该产品的由设计数据指定的多个设计变体，并且具体地选择使所模拟的性能优化的那些设计变体。

然而，此类模拟所需的计算工作量通常相当大，尤其是因为经常要评估大量的设计变体。为了减少所需的计算工作量，通常使用所谓的代理模型，这些代理模型尤其是通过机器学习方法来被训练，以预测相关的模拟结果，而无需详细的模拟。然而，此类代理模型通常具有低精度或者波动的精度。

发明内容

本发明的任务在于说明一种用于控制生产系统的方法和系统，该方法和该系统允许更高效的设计优化。

该任务通过具有专利权利要求1的特征的方法、通过具有专利权利要求10的特征的系统、通过具有专利权利要求11的特征的计算机程序产品以及通过具有专利权利要求12的特征的计算机可读存储介质来解决。

为了控制生产系统来依据第一和第二产品版本的设计数据集制造该第一产品版本，读入多个特定于产品版本的训练数据集。这些训练数据集分别包括：指定相应产品版本的设计变体的设计数据集；以及量化该设计变体的性能的性能值。这些设计数据集被馈入到跨产品版本的机器学习模块中。该跨产品版本的机器学习模块的输出信号不仅被馈入到特定于产品版本的第一机器学习模块中而且被馈入到特定于产品版本的第二机器学习模块中。根据本发明，这些机器学习模块被联合训练，使得第一机器学习模块的输出数据再现第一产品版本的性能值，并且第二机器学习模块的输出数据再现第二产品版本的性能值。然后，生成多个综合设计数据集，并且将这些综合设计数据集馈入到经过训练的跨产品版本的机器学习模块中。该经过训练的跨产品版本的机器学习模块的所得到的输出信号被馈入到经过训练的第一机器学习模块中。根据经过训练的第一机器学习模块的所得到的输出数据，从这些综合设计数据集中导出性能优化的设计数据集，并且输出该性能优化的设计数据集以制造第一产品版本。

为了执行根据本发明的方法，提供了一种用于控制生产系统的系统、一种计算机程序产品以及一种计算机可读的、优选地非易失性的存储介质。

根据本发明的方法和根据本发明的系统例如可以借助于一个或多个计算机、处理器、专用集成电路(ASIC)、数字信号处理器(DSP)和/或所谓的“现场可编程门阵列(FieldProgrammable Gate Arrays)”(FPGA)来执行或实现。

本发明允许使用来自针对其他、尤其是以前的产品版本执行过的优化和训练的数据，用于预测当前要制造的第一产品版本的性能，以及用于对该第一产品版本进行优化。这种将以前的优化或训练结果用于针对新应用的机器训练通常也称为迁移学习。

在许多情况下，借助于该跨产品版本的机器学习模块，可以非常高效地学习不同产品版本所共有的在设计和性能之间的相互关系。在此，通常可以非常有利地使用以前的产品版本的训练数据。与之相对应地，通过这些特定于产品版本的机器学习模块，可以考虑这些产品版本之间的差异。

以这种方式，通常可以显著提高训练效率，尤其是在产品版本相似的情况下。在许多情况下，要新制造的第一产品版本所需的训练数据较少。此外，通常可以提高优化速度和/或预测精度。

本发明的有利实施方式和扩展方案在从属权利要求中说明。

根据本发明的一个有利的实施方式，针对多个设计数据集，可以分别以模拟方式来确定通过相应的设计数据集指定的设计变体的性能值。接着，可以将相应的设计数据集与相应预测的性能值一起用作训练数据集。为了以模拟方式确定性能值，有多种高效的模拟方法可用，尤其是用于对产品或其组件的机械、电和/或热模拟。

根据本发明的另一有利的实施方式，可以读入要由第一产品版本满足的第一产品规格和要由第二产品版本满足的第二产品规格。在对这些机器学习模块进行联合训练时，第一产品规格可以被馈入到第一机器学习模块中，并且第二产品规格可以被馈入到第二机器学习模块中。接着，在将所得到的输出信号馈入到经过训练的第一机器学习模块中时，也可以相对应地将第一产品规格馈入到经过训练的第一机器学习模块中。以这种方式，可以通过训练来对产品规格、设计数据集和/或性能值之间的相关性进行建模或者学习，并且使用这些相关性来预测性能。

此外，这些特定于产品版本的机器学习模块可以分别实现线性回归模型，并且该跨产品版本的机器学习模块可以实现高斯过程。以这种方式，可以高效地学习不同产品版本的性能值之间的线性相关性。由于线性关系通常通过相对少的参数就能被建模，因此在许多情况下，训练只需要相对少的训练数据。

替代地或附加地，这些机器学习模块可以分别包括神经网络。在此，该跨产品版本的机器学习模块尤其可以借助于多层感知器来实现。这些特定于产品版本的机器学习模块可以分别包括一个或多个神经层。通过神经层，还可以高效地学习不同产品版本的性能值之间的非线性相关性。

根据本发明的一个有利的扩展方案，可以提供多个机器学习模块组，这些机器学习模块组分别具有一个跨产品版本的机器学习模块和至少两个特定于产品版本的机器学习模块。此外，可以确定可用的训练数据集的数目或集合。接着，根据所确定的数目或集合，可以选择这些组中的一组来执行训练并且导出性能优化的设计数据集。以这种方式，根据可用的训练数据的数目或集合，可以有针对性地选择特别适合于该数目或集合的机器学习模块组。这样，针对只存在相对少的训练数据的情况下，例如一个或多个线性回归模型。

还可以检查：对于第一产品版本以及对于第二产品版本是否分别存在产品规格。

在此，尤其还可以检查：这些产品规格是否涉及两个产品版本共同的产品参数。如果检查结果为肯定，则可以选择如下机器学习模块组，应将产品规格馈入到该机器学习模块组的特定于产品版本的机器学习模块中。

附图说明

随后，依据附图来更详尽地阐述本发明的实施例。在此，分别以示意图：

图1阐明了在控制用于制造产品的生产系统时的设计系统；

图2阐明了处于训练阶段的根据本发明的设计系统；

图3阐明了不同的机器学习模块组；和

图4阐明了处于应用阶段的根据本发明的设计系统。

如果在这些附图中使用相同或相应的附图标记，则这些附图标记表示相同或相应的实体，这些实体尤其是可以如结合相关附图所描述的那样来被实现或设计。

具体实施方式

图1以示意图阐明了耦合至生产系统PS的设计系统DS。设计系统DS用于对关于性能被优化的产品PV1的新版本进行计算机辅助设计，并且用于操控生产系统PS，以便这样来制造产品版本PV1。在这种情况下，生产系统PS可以包括生产设施、机器人、机床和/或用于依据设计数据来制造或加工该产品PV1或其组件的其他设备。要制造的产品PV1尤其可以是电机、机器人、机床、涡轮机叶片、风力涡轮机、燃气轮机、机动车辆或其他机器、其他技术结构或这些产品的组件。

要制造的产品版本PV1的相应设计或相应设计变体通过以相应设计数据集为形式的设计数据来指定。此类设计数据集尤其可以指定产品版本PV1的几何形状、结构、特性、生产步骤、材料和/或组件。

根据本发明，设计系统DS旨在能够很大程度上自动地生成实际的并且关于产品版本PV1的性能被优化的设计数据集ODR。在本申请中，“优化”也应被理解为对最优值的近似。在此，该性能尤其可以涉及产品PV1的功率、产量、速度、重量、运行时间、精度、故障率、资源消耗、振动趋势、耐温性、刚度、材料疲劳、效率、功效、污染物排放、稳定性、磨损、使用寿命、物理特性、机械特性、电特性、要遵守的约束条件或者其他目标参量。

出于上述目的，依据要制造的第一产品版本PV1的可用的设计数据集并且附加地依据至少一个另外的产品版本的可用的设计数据集，利用机器学习方法——如下文更详尽地阐述的那样——对设计系统DS进行训练。

作为优化的结果，设计系统DS生成性能优化的设计数据集ODR并且将该性能优化的设计数据集传送至生产系统PS。依据该性能优化的设计数据集ODR，促使生产系统PS按照该性能优化的设计数据集ODR来制造性能优化的新产品版本PV1。

图2阐明了处于训练阶段的根据本发明的设计系统DS。设计系统DS拥有：用于执行根据本发明的方法的一个或多个处理器PROC；以及用于存储所要处理的数据的一个或多个存储器MEM。

为了训练设计系统DS，读入或生成用于当前要制造的第一产品版本PV1的多个训练数据集，以及附加地读入或生成用于至少一个另外的产品版本的多个训练数据集。该至少一个另外的产品版本尤其可以是要制造的产品的以前版本，对该以前版本来说已经存在性能数据或其他经验值。为了清楚起见，在附图中仅明确呈现和描述了两个产品版本的数据和处理步骤。

特定于第一产品版本PV1的训练数据集分别包括：指定该第一产品版本PV1的设计变体的设计数据集DR1；以及量化该设计变体的性能的性能值P1。相对应地，特定于第二产品版本的训练数据集分别包括：指定第二产品版本的设计变体的设计数据集DR2；以及量化该设计变体的性能的性能值P2。

此外，对于第一产品版本PV1，还读入该产品版本PV1应满足的第一产品规格E1以及该第二产品版本应满足的第二产品规格E2。特定于产品版本的产品规格E1和E2是固定地预给定的，而且不同于设计数据集，无法被优化。通过产品规格E1和E2，例如可以指定产品类型、产品几何形状、产品尺寸、产品环境、操作环境、操作规范、边界条件、约束条件、安装位置、环境温度范围和/或其他环境数据。

对于当前实施例，应假设：第一产品版本PV1的多个设计数据集DR1和产品规格E1，以及具有相关性能值P2和产品规格E2的多个设计数据集DR2，由设计系统DS从数据库DB中读入。

数据库DB包含关于该性能被评估的多个训练数据集，尤其是也针对以前的第二产品版本。在此，性能值P2尤其可以来自对以前的产品版本的测量或者来自这些以前的产品版本的模拟。

还应假设：对于通过设计数据集DR1指定的第一产品版本PV1的设计变体来说，尚不存在性能指示。由于该原因，设计数据集DR1和产品规格E1被输送给设计系统DS的模拟器SIM。模拟器SIM用于模拟由所输送的设计数据集(这里是DR1)指定的设计变体，以及用于以模拟方式确定第一产品版本PV1的相应设计变体的相应性能(这里是P1)。为了执行此类模拟，有多种已知的用于机械、电或热模拟的模拟方法或者模拟器可用。

设计数据集DR1与相关的以模拟方式确定的性能值P1以及与产品规格E1一起从模拟器SIM被传送至设计系统DS的选择模块SEL。具有相关性能值P2和产品规格E2的设计数据集DR2同样被馈入到选择模块SEL中。

多个机器学习模块组SL1、SL2和SL3耦合到选择模块SEL上或者至少能由选择模块SEL来寻址。选择模块SEL的目的在于：根据产品规格(这里是E1、E2)的存在以及根据可用的训练数据集的集合或数目，选择这些组之一SL1、SL2或SL3。为此目的，通过该选择装置SEL来确定训练数据集的数目或集合。在此，尤其可以确定具有高性能值的训练数据集的数目或集合，只要此类训练数据集对于高性能设计变体的评估特别重要。此外，通过选择模块SEL来检查产品规格(这里E1、E2)是否可用于两个产品版本并且涉及两个产品版本共同的产品参数。

在图3中示意性示出了不同的机器学习模块组SL1、SL2和SL3。在这种情况下，组SL1包括：跨产品版本的机器学习模块LG_1；以及特定于产品版本的机器学习模块L1_1和L2_1。相对应地，组SL2包括：跨产品版本的机器学习模块LG_2；以及特定于产品版本的机器学习模块L1_2和L2_2。此外，组SL3包括：跨产品版本的机器学习模块LG_3；以及特定于产品版本的机器学习模块L1_3和L2_3。在此，特定于产品版本的机器学习模块L1_1、L1_2和L1_3被分配给第一产品版本PV1，而特定于产品版本的机器学习模块L2_1、L2_2和L2_3被分配给第二产品版本。

相应的组SL1、SL2或SL3在其被选择的情况下应该被训练为：依据所馈入的设计数据集，预测经此指定的第一产品版本PV1的性能以及经此指定的第二产品版本的性能。

为此目的，向相关的组SL1、SL2或SL3分别输送设计数据集DR1和DR2作为输入数据。通过相关的组SL1、SL2或SL3，从输入数据DR1和DR2中导出和输出输出数据O1和O2。在当前实施例中，向组SL3附加地输送产品规格E1和E2作为输入数据。

通过这些输出数据O1和O2，旨在分别尽可能好地再现由设计数据集DR1或DR2指定的设计变体的实际性能值。

训练通常应被理解为优化从输入数据(这里是DR1、DR2，以及必要时是E1和E2)到输出数据(这里是O1和O2)的映射。该映射在训练阶段期间根据预给定的标准被优化。在这种情况下，例如，在预测模型的情况下可以使用预测误差或再现误差作为标准，在分类模型的情况下可以使用分类误差作为标准，和/或在控制模型的情况下可以使用与经优化的控制动作的偏差作为标准。通过该训练，例如可以调整或优化模型参数、过程参数、神经网络的神经元的网络结构和/或这些神经元之间的连接的权重，使得尽可能好地满足这些标准。因此，该训练可以理解成优化问题。对于此类优化问题，有多种高效的优化方法可用。尤其可以使用遗传优化法、梯度下降法、反向传播法和/或粒子群优化。

在当前情况下，对于该训练来说应该利用以下事实：相似的产品版本具有设计数据集与性能值之间的相似的相互关系或相关性。通过训练不同但相似的产品版本的共有的机器学习模块，通常可以非常高效地学习共同的相互关系或相关性。此外，通过特定于产品版本的机器学习模块，可以高效地映射在不同产品版本的情况下不同的相互关系或相关性。以这种方式，可以实现高效的、所谓的迁移学习，其中，以前的产品版本的训练结果或训练数据有利地被用于当前要制造的产品版本，这里是PV1。

不同的机器学习模块组SL1、SL2和SL3允许：根据可用的训练数据或产品规格的集合，选择这些组中的特别适合于相应训练条件的那个组SL1、SL2或SL3。

在下文更详尽地描述图3中示例性示出的组SL1、SL2和SL3。

在组SL1中，两个产品版本所共有的跨产品版本的机器学习模块LG_1优选地实现高斯过程和/或贝叶斯模型，而特定于产品版本的机器学习模块L1_1和L2_1分别实现线性回归模型。设计数据集DR1和DR2作为输入数据被馈入到共有的机器学习模块LG_1中。该共有的机器学习模块LG_1的从输入数据DR1、DR2中导出的输出信号OS被馈入到机器学习模块L1_1和机器学习模块L2_1两者中。从该输出信号OS中，通过机器学习模块L1_1导出和输出输出数据O1，并且通过机器学习模块L2_1导出和输出输出数据O2。这种机器学习模块组通常也称为共区域化模型。

通过线性回归模型L1_1和L2_1，可以非常高效地学习不同产品版本的性能值之间的线性关系。此类线性回归模型还可以通过相对少的参数来被建模，在许多情况下，相对少的训练数据量就已经足以对此类线性回归模型进行优化。因此，在当前实施例中，如果可用的训练数据量相对少并且例如低于预给定的阈值，则选择模块SEL选择组SL1。

在当前实施例中，组SL2包括人工神经网络，尤其是多层感知器，作为这些产品版本所共有的机器学习模块LG_2。特定于产品版本的机器学习模块L1_2和L2_2分别被设计为由一层或多层组成的人工神经网络。在这种情况下，这些层可以起线性或非线性的作用。设计数据集DR1和DR2作为输入数据被馈入到该共有的机器学习模块LG_2中。该共有的机器学习模块LG_2从中导出输出信号OS，该输出信号被馈入到机器学习模块L1_2以及机器学习模块L2_2两者中。从该输出信号OS中，通过机器学习模块L1_2导出和输出输出数据O1，并且通过机器学习模块L2_2导出和输出输出数据O2。

不同于组SL1的情况，通过特定于产品版本的机器学习模块L1_2和L2_2，还可以良好地建模或再现不同产品版本的性能之间的非线性关系。但是，经此实现的更大的灵活性通常需要比在线性情况下更多的建模参数。因此，如果有更大的训练数据量可用或者该量超过预给定的阈值，则选择模块SEL优选地选择组SL2。

在当前实施例中，组SL3包括：两个产品版本所共有的机器学习模块LG_3；以及特定于产品版本的机器学习模块L1_3和L2_3。机器学习模块LG_3、L1_3或L2_3可以分别借助于人工神经网络和/或借助于高斯过程来实现。不同于组SL1和SL2的情况，组SL3还可以显式地处理特定于产品版本的产品规格(这里是E1和E2)，并且关于这些特定于产品版本的产品规格与设计数据集和/或性能值的相关性来对这些特定于产品版本的产品规格进行建模。

设计数据集DR1和DR2作为输入数据被馈入到共有的机器学习模块LG_3中，该共有的机器学习模块从中导出输出信号OS并且将该输出信号馈入到两个机器学习模块L1_3和L2_3中。此外，产品规格E1作为附加的输入数据被馈入到机器学习模块L1_3中，并且产品规格E2作为附加的输入数据被馈入到机器学习模块L2_3中。从输出信号OS以及产品规格E1中，通过机器学习模块L1_3导出和输出输出数据O1。相对应地，从输出信号OS以及产品规格E2中，通过机器学习模块L2_3导出和输出输出数据O2。在许多情况下，由于特定于产品版本的机器学习模块L1_3和L2_3附加地考虑了特定于产品版本的产品规格E1和E2，因此可以识别和学习产品规格、设计数据集和性能值之间的相关性。然而，由于产品规格E1和E2提供了附加的区分可能性，因此与在训练其他组SL1和SL2时相比，对于高效训练来说通常需要更多的训练数据。与之相对应地，如果存在特定于产品版本的产品规格(这里E1和E2)并且训练数据量超过预给定的阈值，则选择模块SEL优选地选择组SL3。

代替组SL1、SL2和SL3或者除了这些组之外，可以提供以类似方式操作的一个或多个另外的机器学习模块组。此外，相应的组或相应的机器学习模块还可以包括：贝叶斯神经网络、循环神经网络、卷积神经网络、自编码器、深度学习架构、支持向量机(Support-Vector-Machine)、k近邻分类器和/或决策树。

对于当前实施例，应假设：有大量训练数据可用，并且因此，由选择模块SEL确定的训练数据集的数目超过针对组SL3提供的阈值。只要选择模块SEL还发现对于两个产品版本来说存在产品规格E1和E2而且这些产品规格涉及共同的产品参数，就——如图2进一步阐明的那样——通过选择模块SEL来选择组SL3。与之相对应地，具有产品规格E1的设计数据集DR1和具有产品规格E2的设计数据集DR2被选择模块SEL作为输入数据有针对性地转发到所选择的组SL3中。如上所述，组SL3从输入数据DR1、E1、DR2和E2中导出和输出输出数据O1和O2。

然后，将输出数据O1与性能值P1进行比较并且将输出数据O2与性能值P2进行比较，而且确定偏差D。在此，尤其可以计算输出数据O1与性能值P1之间的欧几里得距离|O1-P1|以及输出数据O2与性能值P2之间的欧几里得距离|O2-P2|。借此，该偏差D例如可以按照D＝|O1–P1|+|O2–P2|被确定为这些距离之和，可以被确定为单独偏差的加权和，或者可以被确定为单独偏差的其他组合。

如图2中通过虚线箭头所示，该偏差D被反馈到组SL3。依据所反馈的偏差D，包含在组SL3中的机器学习模块LG_3、L1_3和L2_3被联合训练，以使该偏差D最小化。为了执行这种最小化，有多种高效的数值方法可用，诸如梯度下降法、反向传播法、粒子群优化和/或遗传优化法。

通过使该偏差D最小化，组SL3的机器学习模块LG_3、L1_3和L2_3被训练为：针对预给定的设计数据集DR1或DR2以及产品规格E1或E2，通过它们的输出数据O1或O2来预测两个产品版本的设计变体的相关性能值P1或P2。

通过跨产品版本的机器学习模块LG_3，可以高效地学习不同产品版本的共性。与之相对应地，这些产品版本之间的差异可以由特定于产品版本的机器学习模块L1_3和L2_3来映射。

如果代替组SL3，选择模块SEL选择其他组之一SL1或SL2，则显然可以以类似的方式来执行该训练。

图4阐明了在生成性能优化的设计数据集ODR时经过训练的设计系统DS。为此目的，由设计系统DS的生成器GEN生成多个综合设计数据集DR1，这些综合设计数据集分别指定要制造的第一产品版本PV1的设计变体。该生成至少部分地是随机诱导的。

这些综合设计数据集DR1由生成器GEN馈入到选择模块SEL中。此外，第一产品版本PV1的产品规格E1也被输送给选择模块SEL。接着，选择模块SEL将综合设计数据集DR1以及产品规格E1有针对性地馈入到所选择的并且经过训练的组SL3中。在此，这些综合设计数据集DR1作为输入数据被输送给共有的机器学习模块LG_3。接着，该共有的机器学习模块LG_3的从中得到的输出信号OS以及产品规格E1作为输入数据被馈入到特定于要制造的第一产品版本PV1的机器学习模块L1_3中。由机器学习模块L1_3从中导出的输出数据O1被输出并且被馈入到设计系统DS的优化模块OPT中。此外，这些综合设计数据集DR1也被输送给优化模块OTP。

优化模块OPT根据所输送的输出数据O1、即根据预测性能值，从这些综合设计数据集DR1中导出性能优化的设计数据集ODR。这样，例如可以选择预测出最高性能值O1的那个综合设计数据集，作为性能优化的设计数据集ODR。替代地，该性能优化的设计数据集ODR可以从具有最高或特别高的预测性能值O1的多个综合设计数据集中被插值。

然后，输出从这些综合设计数据集DR1中导出的性能优化的设计数据集ODR，以便操控生产系统PS，如结合图1所描述的那样，以制造经优化的产品版本PV1。

Claims (10)

1.一种用于控制生产系统(PS)来依据第一产品版本和第二产品版本的设计数据集(DR1、DR2)制造所述第一产品版本(PV1)的计算机实现的方法，其中

a)读入多个特定于产品版本的训练数据集，所述多个特定于产品版本的训练数据集分别包括：指定相应产品版本的设计变体的设计数据集(DR1、DR2)；以及量化该设计变体的性能的性能值(P1、P2)，

b)所述设计数据集(DR1，DR2)被馈入到跨产品版本的机器学习模块(LG_3)中，

c)所述跨产品版本的机器学习模块(LG3)的输出信号(OS)不仅被馈入到特定于产品版本的第一机器学习模块(L1_3)中而且被馈入到特定于产品版本的第二机器学习模块(L2_3)中，

d)这些机器学习模块(LG_3、L1_3、L2_3)被联合训练，使得所述第一机器学习模块(L1_3)的输出数据(O1)再现所述第一产品版本的性能值(P1)，并且所述第二机器学习模块(L2_3)的输出数据(O2)再现所述第二产品版本的性能值(P2)，

e)生成多个综合设计数据集(DR1)，并且将所述综合设计数据集馈入到经过训练的跨产品版本的机器学习模块(LG_3)中，

f)所述经过训练的跨产品版本的机器学习模块(LG_3)的所得到的输出信号(OS)被馈入到经过训练的第一机器学习模块(L1_3)中，而且

g)根据所述经过训练的第一机器学习模块(L1_3)的所得到的输出数据(O1)，从所述综合设计数据集(DR1)中导出性能优化的设计数据集(ODR)，并且输出所述性能优化的设计数据集以制造所述第一产品版本(PV1)。

2.根据权利要求1所述的方法，其特征在于，

针对多个设计数据集(DR1)，分别以模拟方式来确定通过相应的设计数据集(DR1)指定的设计变体的性能值(P1)，而且

将相应的设计数据集(DR1)与相应预测的性能值(P1)一起用作训练数据集。

3.根据前述权利要求中任一项所述的方法，其特征在于，

读入要由所述第一产品版本(PV1)满足的第一产品规格(E1)和要由所述第二产品版本满足的第二产品规格(E2)，

在对这些机器学习模块(LG_3、L1_3、L2_3)进行联合训练时，所述第一产品规格(E1)被馈入到所述第一机器学习模块(L1_3)中，并且所述第二产品规格(E2)被馈入到所述第二机器学习模块(L2_3)中，而且

在将所得到的输出信号(OS)馈入到所述经过训练的第一机器学习模块(L1_3)中时，也将所述第一产品规格(E1)馈入到所述经过训练的第一机器学习模块(L1_3)中。

4.根据前述权利要求中任一项所述的方法，其特征在于，

所述跨产品版本的机器学习模块实现高斯过程，并且这些特定于产品版本的机器学习模块分别实现线性回归模型。

5.根据前述权利要求中任一项所述的方法，其特征在于，

这些机器学习模块分别包括神经网络。

6.根据前述权利要求中任一项所述的方法，其特征在于

提供多个机器学习模块组(SL1、SL2、SL3)，所述多个机器学习模块组分别具有一个跨产品版本的机器学习模块(LG_1、LG_2、LG_3)和两个特定于产品版本的机器学习模块(L1_1、L2_1、L1_2、L2_2、L1_3、L2_3)，

确定可用的训练数据集的数目或集合，而且

根据所确定的数目或集合，选择所述组(SL1、SL2、SL3)中的一组来执行所述训练并且导出所述性能优化的设计数据集(ODR)。

7.根据权利要求6所述的方法，其特征在于，

检查对于所述第一产品版本以及对于所述第二产品版本是否分别存在产品规格(E1、E2)，而且

如果检查结果为肯定，则选择应将产品规格(E1、E2)馈入到其特定于产品版本的机器学习模块中的组(SL1、SL2、SL3)。

8.一种用于控制生产系统(PS)来依据第一产品版本和第二产品版本的设计数据集(DR1、DR2)制造所述第一产品版本(PV1)的系统(DS)，所述系统被设立用于执行根据前述权利要求中任一项所述的方法。

9.一种计算机程序产品，所述计算机程序产品被设立用于执行根据权利要求1至7中任一项所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质具有根据权利要求9所述的计算机程序产品。