DE102017213510A1 - Verfahren und Vorrichtung zum Erzeugen eines maschinellen Lernsystems, und virtuelle Sensorvorrichtung - Google Patents
Verfahren und Vorrichtung zum Erzeugen eines maschinellen Lernsystems, und virtuelle Sensorvorrichtung Download PDFInfo
- Publication number
- DE102017213510A1 DE102017213510A1 DE102017213510.7A DE102017213510A DE102017213510A1 DE 102017213510 A1 DE102017213510 A1 DE 102017213510A1 DE 102017213510 A DE102017213510 A DE 102017213510A DE 102017213510 A1 DE102017213510 A1 DE 102017213510A1
- Authority
- DE
- Germany
- Prior art keywords
- output
- machine learning
- variable
- values
- learning system
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000005457 optimization Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 5
- 230000003111 delayed effect Effects 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000002485 combustion reaction Methods 0.000 description 3
- 239000004071 soot Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mathematical Optimization (AREA)
- Nonlinear Science (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Feedback Control In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Verfahren zum automatischen Erzeugen eines maschinellen Lernsystems (200), welches abhängig von einer Zeitreihe einer Eingangsgröße (x) eine Zeitreihe einer Ausgangsgröße (s) ermittelt, die eine Zeitreihe einer tatsächlichen Ausgangsgröße (y) approximiert, wobei das maschinellen Lernsystem (200) abhängig von Werten (x, x, ...) der Eingangsgröße (x) und von Werten (s, s...) der Ausgangsgröße (s) zu Zeitpunkten (t-1, t-2, ...), die in einem vorgebbaren Zeitintervall liegen, das vor einem vorgebbaren Zeitpunkt (t) liegt, einen dem vorgebbaren Zeitpunkt (t) zugeordneten Wert (s) der Ausgangsgröße (s) ermittelt,wobei nur eine Teilmenge der in dem vorgebbaren Zeitintervall verfügbaren Werte (x, x, ...) der Eingangsgröße (x) und der Werte (s, s...) der Ausgangsgröße (s) in die Ermittlung der dem vorgebbaren Zeitpunkt (t) zugeordneten Ausgangsgröße (s) einfließt,wobei die Teilmenge derart ausgewählt wird, dass sie genau diejenigen verfügbaren Werte (x, x, ...) der Eingangsgröße (x) und der Werte (s, s...) der Ausgangsgröße (s) umfasst, die Zeitpunkten (t-1, t-2, ...) in dem vorgebbaren Zeitintervall zugeordnet sind, die in einem vorgebbaren äquidistanten Auswahlraster innerhalb des vorgebbaren Zeitintervalls liegen.
Description
- Die Erfindung betrifft ein_Verfahren und eine Vorrichtung zum Erzeugen eines maschinellen Lernsystems, ein Computerprogramm, dass das Verfahren ausführt, wenn es auf einem Computer abläuft, ein maschinenlesbares Speichermedium und eine virtuelle Sensorvorrichtung, die das maschinelle Lernsystem umfasst.
- Stand der Technik
- Aus der
DE 10 2014 226 485 A1 ist ein Verfahren zum Vermessen eines physikalischen Systems), um Modelldatenpunkte zu erhalten, die jeweils durch einen Messpunkt und einen zugeordneten Ausgangswert einer Ausgangsgröße bestimmt sind, mit folgenden Schritten bekannt: - - Zyklisches Anlegen von vorgegebenen Messpunkten an das physikalische System;
- - Erfassen von resultierenden Ausgangswerten der Ausgangsgröße des physikalischen Systems bei Anlegen der Messpunkte;
- - Prädizieren von zukünftigen Ausgangswerten der Ausgangsgröße basierend auf einer Prädiktionsfunktion, die auf einem NARX-Modell basiert;
- - Bereitstellen von einem oder mehreren der an das physikalische System vorzugebenden Messpunkte durch eine Korrekturfunktion, wenn eine Verletzung einer vorgegebenen Überwachungsbedingung durch den Verlauf der prädizierten Ausgangswerte in einer Überwachungsfunktion erkannt wird.
- Offenbarung der Erfindung
- Zur Erstellung statistischer Regressionsmodelle und/oder dynamischer Modelle können sogenannte NARX-Modelle (NARX = „nonlinear autoregressive exogenous“) verwendet werden, bei denen Eingangsgrößen und Ausgangsgröße des Modells in verzögerter Form als zusätzliche Eingangsgrößen hinzugefügt werden. Für diesen erweiterten Eingangsraum kann dann ein statisches Modell erstellt werden. Auf diese Weise wird die Vergangenheit mit berücksichtigt.
- In einem ersten Aspekt betrifft die Erfindung daher ein Verfahren zum Erzeugen eines maschinellen Lernsystems, welches abhängig von einer Zeitreihe von mindestens einer Eingangsgröße eine Zeitreihe mindestens einer Ausgangsgröße ermittelt, die eine Zeitreihe einer tatsächlichen Ausgangsgröße approximiert, wobei das maschinelle Lernsystem abhängig von Werten der Eingangsgröße und von Werten der Ausgangsgröße zu Zeitpunkten, die in einem vorgebbaren Zeitintervall liegen, die vor einem vorgebbaren Zeitpunkt liegen, einen dem vorgebbaren Zeitpunkt zugeordneten Wert der Ausgangsgröße ermittelt. Vorzugsweise ermittelt das maschinelle Lernsystem die Ausgangsgröße auch abhängig vom Wert der Eingangsgröße, den diese zu dem vorgebbaren Zeitpunkt annimmt. Die Eingangsgröße kann hierbei eine vektorwertige Größe sein, d.h. das maschinelle Lernsystem ist nicht zwangsläufig vom Type SISO (Englisch: „Single Input Single Output“), sondern kann auch vom Type MISO (Englisch: „Multi Input Single Output“) sein.
- Das maschinelle Lernsystem beinhaltet also ein dynamisches Modell, beispielsweise ein NARX-Modell mit Gauß-Prozess.
- Es ist weiter vorgesehen, dass nur eine vorgebbare Teilmenge der in dem vorgebbaren Zeitintervall verfügbaren Werte der Eingangsgröße und der Werte der Ausgangsgröße in die Ermittlung der dem vorgebbaren Zeitpunkt zugeordneten Ausgangsgröße einfließt.
- Die Teilmenge ist hierbei derart ausgewählt, dass sie genau diejenigen verfügbaren Werte der Eingangsgröße und der Werte der Ausgangsgröße umfasst, die Zeitpunkten in dem vorgebbaren Zeitintervall zugeordnet sind, die in einem vorgebbaren äquidistanten Auswahlraster innerhalb des vorgebbaren Zeitintervalls liegen.
- D.h. die dem vorgebbaren Zeitpunkt zugeordnete Ausgangsgröße wird genau abhängig von denjenigen Werten der Eingangsgröße und rückgeführten Ausgangsgröße ermittelt, die in dieser Teilmenge enthalten sind. Das vorgebbare äquidistante Auswahlraster ist insbesondere ein endliches Auswahlraster, d.h. es umfasst nur eine endliche Anzahl an Zeitpunkten.
- D.h. das äquidistante Auswahlraster kann durch eine Verzögerungsmatrix charakterisiert sein, welche aus Nullen und Einsen besteht, die jeweils angeben, ob eine bestimmte Verzögerung, also ein bestimmter Zeitpunkt, verwendet wird, oder nicht.
- Ein solches maschinelles Lernsystem ist besonders flexibel anwendbar.
- In einer Weiterbildung kann vorgesehen sein, dass Parameter des maschinellen Lernsystem derart angepasst werden, dass die Zeitreihe der Ausgangsgröße möglichst genau die Zeitreihe der tatsächlichen Ausgangsgröße approximiert, wobei die Zeitreihe der Eingangsgröße mindestens einem Aktor eines physikalischen Systems zugeführt wird und die tatsächliche Ausgangsgröße ein Ausgangssignal eines Sensors des physikalischen Systems ist.
- In einem weiteren Aspekt kann vorgesehen sein, dass Parameter, die das äquidistante Auswahlraster charakterisieren, derart optimiert werden, dass ein Optimierungskriterium minimiert wird, wobei das Optimierungskriterium derart gewählt ist, dass sein Wert umso kleiner ist, je besser die ermittelte Zeitreihe der Ausgangsgröße der Zeitreihe der tatsächlichen Ausgangsgröße entspricht. Als Maß hierfür kann beispielsweise die Methode der kleinsten Fehlerquadrate (RMSE) verwendet werden..
- Selbstverständlich ist es alternativ auch möglich, dass das Optimierungskriterium maximiert wird, und dass Optimierungskriterium derart gewählt ist, dass sein Wert umso größer ist, je besser die ermittelte Zeitreihe der Ausgangsgröße der Zeitreihe der tatsächlichen Ausgangsgröße entspricht.
- D.h. dieses zu lösende Optimierungsproblem beantwortet die Frage, zu welchen Zeitpunkten die Eingangs- bzw. Ausgangssignale verwendet werden sollen, um ein qualitativ gutes dynamisches Modell zu erhalten. Die zu optimierenden Variablen bilden die Verzögerungsmatrix bestehend aus Nullen und Einsen, die angeben, ob eine Verzögerung verwendet wird oder nicht.
- In einer Weiterbildung kann vorgesehen sein, dass das Optimierungskriterium derart gewählt ist, dass sein Wert auch umso kleiner wird, je weniger Zeitpunkte das äquidistante Auswahlraster umfasst.
- D.h. das Optimierungsproblem wird mulitkriteriell gelöst. Die Lösung dieses Optimierungsproblems ist üblicherweise als Paretofront gegeben, aus der geeignete Parameter dann nach vorgebbaren Kriterien ausgewählt werden können, beispielsweise zufällig. Als Optimierungsalgorithmus wird vorteilhafterweise ein evolutionärer Algorithmus verwendet, beispielsweise der NSGA-II.
- In einem weiteren Aspekt kann vorgesehen sein, dass die Parameter, die das äquidistante Auswahlraster charakterisieren, einen ersten Parameter umfassen, der charakterisiert, wie viele Zeitpunkte das äquidistante Auswahlraster umfasst, und einen zweiten Parameter umfassen, der einen Beginn des äquidistanten Auswahlrasters charakterisiert, und einen dritten Parameter umfassen, der eine Schrittweite des äquidistanten Auswahlrasters charakterisiert. Vorteilhafterweise umfassen die Parameter genau diese drei Parameter.
- Gegenüber einer Optimierung aller Einträge der Verzögerungsmatrix, was der Suche nach einer optimalen Binärmatrix entspricht, entspricht dieses Verfahren der Suche nach einer optimalen Integer-Matrix als Verzögerungsbeschreibung. Dies hat den Vorteil, dass das Optimierungsproblem wesentlich kleiner ist. Dies macht die Suche nach einer näherungsweise optimalen Lösung wesentlich effizienter.
- Dies liegt daran, dass sich jede derartige Verzögerungsbeschreibung in eine binäre Verzögerungsmatrix übersetzen lässt. Umgekehrt funktioniert das jedoch nicht. Deshalb kann mit der Verzögerungsbeschreibung ein wesentlich größerer Suchrauchraum durchforscht werden, bei dem im Sinne der binären Verzögerungsmatrix jedoch nicht alle Lösungen möglich sind.
- In einem weiteren Aspekt ist ein Verfahren zum Emulieren eines Ausgangssignals eines physikalischen Systems vorgesehen, wobei mindestens einem Aktor des physikalischen Systems mindestens eine Eingangsgröße zugeführt wird, wobei ein maschinelles Lernsystem mittels eines Ausgangssignals eines Sensors des physikalischen Systems mit einem der vorgenannten Verfahren erzeugt wird, wobei als tatsächliche Ausgangsgröße das reale Ausgangssignal verwendet wird, und wobei dann das so erzeugte maschinelle Lernsystem verwendet wird, um abhängig von der Eingangsgröße die Ausgangsgröße zu ermitteln, welche das Ausgangssignal emuliert.
- Beispielsweise kann das physikalische System ein Verbrennungsmotor sein, dessen Emissionswerte, beispielsweise NOx-Emissionswerte oder Rußpartikel-Emissionswerte normalerweise von einem entsprechenden Sensor erfasst werden. Das Ausgangssignal dieses Sensors, also des NOx-Sensors oder des Rußpartikel-Sensors kann dann herangezogen werden, um in der beschriebenen Weise das maschinelle Lernsystem zu generieren.
- In weiteren Aspekten betrifft die Erfindung ein Computerprogramm, welches eingerichtet ist, eines der vorgenannten Verfahren auszuführen, wenn es auf einem Computer ausgeführt wird, ein maschinenlesbares Speichermedium, auf dem dieses Computerprogramm gespeichert ist (wobei dieses Speichermedium selbstverständlich räumlich verteilt angeordnet sein kann, z.B. bei paralleler Ausführung über mehrere Computer verteilt), und eine Vorrichtung zum Erzeugen des maschinellen Lernsystems.
- Nachfolgend werden Ausführungsformen der Erfindung unter Bezugnahme auf die beiliegende Zeichnung näher erläutert.
- Figurenliste
-
-
1 zeigt schematisch eine beschriebene NARX-Struktur. Über einen Eingangsblock wird eine Eingangsgröße x empfangen, beispielweise eine Stellung eines Fahrpedals, mit dem ein Fahrerwunsch charakterisiert wird. Abhängig von der Eingangsgröße x wird ein physikalisches System100 , insbesondere ein Kraftfahrzeug bzw. eine Komponente eines Kraftfahrzeugs angesteuert. Im Ausführungsbeispiel umfasst das physikalische System100 einen Verbrennungsmotor mit angeschlossenem Abgastrakt. Ferner umfasst das physikalische System100 einen im Abgastrakt verbauten NOx-Sensor, der eine tatsächliche Ausgangsgröße y ermittelt, konkret eine NOx-Konzentration im Abgas. - Die Eingangsgröße x, die einem Zeitpunkt t entspricht und daher im Folgenden auch mit xt bezeichnet wird, wird außerdem einem maschinellen Lernsystem
200 zugeführt. Ferner wird die Eingangsgröße in zeitlichen Verzögerungsblöcken101 ,102 ,103 jeweils um ein zeitliches Inkrement verzögert, und die so verzögerte Eingangsgröße x, die nun jeweils den Zeitpunkten t-1, t-2, t-3 entspricht und daher auch mit xt-1, xt-2, xt-3 bezeichnet wird, wird ebenfalls dem maschinellen Lernsystem200 zugeführt. Das maschinelle Lernsystem200 , beispielsweise ein Gaußprozess, ermittelt abhängig von den ihm zugeführten Eingangsgröße xt, xt-1, xt-2, xt-3 eine Ausgangsgröße s, die ebenfalls dem Zeitpunkt t zugeordnet ist und daher mit st bezeichnet wird. Die Ausgangsgröße s ist ein Schätzwert der tatsächlichen Ausgangsgröße y und wird daher auch als geschätzte Ausgangsgröße s bezeichnet. Diese geschätzte Ausgangsgröße st wird ebenfalls in zeitlichen Verzögerungsblöcken jeweils um ein zeitliches Inkrement verzögert, und die so verzögerten geschätzten Ausgangsgrößen st-1, st-2, st-3 werden ebenfalls dem maschinellen Lernsystem200 zugeführt. Selbstverständlich ist die Anzahl der Verzögerungsstufen bei Eingangsgröße x und geschätzter Ausgangsgröße s nicht zwingend gleich groß, und muss auch nicht genau 3 Stufen umfassen. - Das maschinelle Lernsystem
200 verfügt über eine Matrix, die charakterisiert, welche der ihm zugeführten verzögerten Eingangsgrößen xt, xt-1, xt-2, xt-3 und verzögerten geschätzten Ausgangsgrößen st-1, st-2, st-3 tatsächlich in die Ermittlung der geschätzten Ausgangsgröße st eingehen. - Zur Adaption der Parameter des maschinellen Lernsystems
200 einschließlich der genannten Matrix wird abhängig von zeitlichen Verläufen der Ausgangsgröße y und der geschätzten Ausgangsgröße s die Parameter angepasst, beispielsweise derart, dass eine Abstandsmetrik zwischen Ausgangsgröße y und geschätzter Ausgangsgröße s möglichst gering wird. - Hierzu werden beispielsweise ein erster Parameter n vorgegeben, der charakterisiert, wie viele Zeitpunkte im äquidistanten Auswahlraster verwendet werden, und ein zweiter Parameter offset vorgegeben, der einen Beginn im äquidistanten Auswahlrasters charakterisiert, und ein dritter Parameter (delta) vorgegeben, der eine Schrittweite charakterisiert. n, offset und delta sind im Ausführungsbeispiel ganzzahlig.
-
- Die Parameter n, delta, offset sowie die restlichen Parameter des maschinellen Lernsystems werden dann in üblicher Weise optimiert.
- Es ist möglich, dass für jede Eingangsgröße x und Ausgangsgröße s jeweils getrennte Parametersätze n, delta, offset ermittelt werden, es ist aber auch möglich, dass der gleiche Parametersatz verwendet wird.
- Sind die Parameter fertig adaptiert, so kann das maschinelle Lernsystem
200 als virtueller Sensor verwendet werden, der an Stelle des Sensors, der die tatsächliche Ausgangsgröße y ermittelt, die Ausgangsgröße s ermittelt. - Ein derartiger virtueller Sensor kann beispielsweise in einem Motorsteuergerät verbaut werden, sodass der Sensor eingespart werden kann oder der virtuelle Sensor den Sensor überwacht. So kann abhängig von der ermittelten Ausgangsgröße s der Verbrennungsmotor angesteuert werden, beispielsweise indem sein Betriebspunkt abhängig von der ermittelten Ausgangsgröße s gewählt wird.
- Anstelle eines NOx-Sensors kann beispielsweise analog ein Rußsensor verwendet und emuliert werden.
- Es ist auch möglich, dass mit Hilfe des virtuellen Sensors eine Prognose über zu erwartende Ausgangsgrößen, hier: Abgaswerte, ermittelt wird.
- Eine weitere mögliche Anwendung wäre die Modellierung des Spannungssignals als tatsächliche Ausgangsgröße y aus gemessenem Strom und dem Ladezustand einer Batterie als Eingangsgröße x.
- ZITATE ENTHALTEN IN DER BESCHREIBUNG
- Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
- Zitierte Patentliteratur
-
- DE 102014226485 A1 [0002]
Claims (11)
- Verfahren zum automatischen Erzeugen eines maschinellen Lernsystems (200), welches abhängig von einer Zeitreihe einer Eingangsgröße (x) eine Zeitreihe einer Ausgangsgröße (s) ermittelt, die eine Zeitreihe einer tatsächlichen Ausgangsgröße (y) approximiert, wobei das maschinellen Lernsystem (200) abhängig von Werten (xt-1, xt-2, ...) der Eingangsgröße (x) und von Werten (st-1, st-2...) der Ausgangsgröße (s) zu Zeitpunkten (t-1, t-2, ...), die in einem vorgebbaren Zeitintervall liegen, das vor einem vorgebbaren Zeitpunkt (t) liegt, einen dem vorgebbaren Zeitpunkt (t) zugeordneten Wert (st) der Ausgangsgröße (s) ermittelt, wobei nur eine Teilmenge der in dem vorgebbaren Zeitintervall verfügbaren Werte (xt-1, xt-2, ...) der Eingangsgröße (x) und der Werte (st-1, st-2 ...) der Ausgangsgröße (s) in die Ermittlung der dem vorgebbaren Zeitpunkt (t) zugeordneten Ausgangsgröße (st) einfließt, wobei die Teilmenge derart ausgewählt wird, dass sie genau diejenigen verfügbaren Werte (xt-1, xt-2, ...) der Eingangsgröße (x) und der Werte (st-1, st-2 ...) der Ausgangsgröße (s) umfasst, die Zeitpunkten (t-1, t-2, ...) in dem vorgebbaren Zeitintervall zugeordnet sind, die in einem vorgebbaren äquidistanten Auswahlraster innerhalb des vorgebbaren Zeitintervalls liegen.
- Verfahren nach
Anspruch 1 , wobei Parameter des maschinellen Lernsystem (200) derart angepasst werden, dass die Zeitreihe der Ausgangsgröße (s) möglichst genau die Zeitreihe der tatsächlichen Ausgangsgröße (y) approximiert, wobei die Zeitreihe der Eingangsgröße (x) mindestens einem Aktor eines physikalischen Systems (100) zugeführt wird und die tatsächliche Ausgangsgröße (y) ein Ausgangssignal (y) eines Sensors des physikalischen Systems (100) ist. - Verfahren nach
Anspruch 1 oder2 , wobei Parameter (n, offset, delta), die das äquidistante Auswahlraster charakterisieren, derart optimiert werden, dass ein Optimierungskriterium minimiert wird, wobei das Optimierungskriterium derart gewählt ist, dass sein Wert umso kleiner ist, je besser die ermittelte Zeitreihe der Ausgangsgröße (s) der Zeitreihe der tatsächlichen Ausgangsgröße (y) entspricht. - Verfahren nach
Anspruch 3 , wobei das Optimierungskriterium derart gewählt ist, dass sein Wert auch umso kleiner wird, je weniger Zeitpunkte das äquidistante Auswahlraster umfasst. - Verfahren nach einem der vorherigen Ansprüche, wobei die Parameter, die das äquidistante Auswahlraster charakterisieren, einen ersten Parameter (n) umfassen, der charakterisiert, wie viele Zeitpunkte das äquidistante Auswahlraster umfasst, und einen zweiten Parameter (offset) umfassen, der einen Beginn des äquidistanten Auswahlrasters charakterisiert, und einen dritten Parameter (delta) umfassen, der eine Schrittweite des äquidistanten Auswahlrasters charakterisiert.
- Verfahren nach
Anspruch 5 , wobei die Parameter genau den ersten Parameter (n) und den zweiten Parameter (offset) und den dritten Parameter (delta) umfassen. (Reihenfolge ist egal) - Verfahren zum Emulieren eines Ausgangssignals (y) eines physikalischen Systems (100), wobei mindestens einem Aktor des physikalischen Systems (100) mindestens eine Eingangsgröße (x) zugeführt wird, wobei ein maschinelles Lernsystem (200) mittels eines Ausgangssignals (y) eines Sensors des physikalischen Systems (100) mit dem Verfahren nach einem der
Ansprüche 1 bis6 erzeugt wird, wobei als tatsächliche Ausgangsgröße (y) das reale Ausgangssignal (y) verwendet wird, und wobei dann das so erzeugte maschinelle Lernsystem (200) verwendet wird, um abhängig von der Eingangsgröße (x) die Ausgangsgröße (s) zu ermitteln, welche das Ausgangssignal (y) emuliert. - Computerprogramm, welches eingerichtet ist, das Verfahren nach einem der vorhergehenden Ansprüche auszuführen.
- Maschinenlesbares Speichermedium (220), auf dem das Computerprogramm nach
Anspruch 8 gespeichert ist. - Vorrichtung zum Erzeugen eines maschinellen Lernsystems (200), welches eingerichtet ist, das Verfahren nach einem der
Ansprüche 1 bis6 auszuführen. - Virtuelle Sensorvorrichtung umfassend ein maschinelles Lernsystem (200), das mit dem Verfahren nach einem der
Ansprüche 1 bis6 erzeugt wurde, welche eingerichtet ist, das Verfahren nachAnspruch 7 auszuführen.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102017213510.7A DE102017213510A1 (de) | 2017-08-03 | 2017-08-03 | Verfahren und Vorrichtung zum Erzeugen eines maschinellen Lernsystems, und virtuelle Sensorvorrichtung |
US16/050,407 US11151475B2 (en) | 2017-08-03 | 2018-07-31 | Method and device for generating a machine learning system and virtual sensor device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102017213510.7A DE102017213510A1 (de) | 2017-08-03 | 2017-08-03 | Verfahren und Vorrichtung zum Erzeugen eines maschinellen Lernsystems, und virtuelle Sensorvorrichtung |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102017213510A1 true DE102017213510A1 (de) | 2019-02-07 |
Family
ID=65019902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102017213510.7A Pending DE102017213510A1 (de) | 2017-08-03 | 2017-08-03 | Verfahren und Vorrichtung zum Erzeugen eines maschinellen Lernsystems, und virtuelle Sensorvorrichtung |
Country Status (2)
Country | Link |
---|---|
US (1) | US11151475B2 (de) |
DE (1) | DE102017213510A1 (de) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102021108911A1 (de) | 2021-04-09 | 2022-10-13 | Robert Bosch Gesellschaft mit beschränkter Haftung | Computer-implementiertes Verfahren und Vorrichtung zum Erzeugen eines Systemmodells zur Nachbildung eines dynamischen Verhaltens eines technischen Systems |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017213510A1 (de) * | 2017-08-03 | 2019-02-07 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Erzeugen eines maschinellen Lernsystems, und virtuelle Sensorvorrichtung |
US20220205451A1 (en) * | 2020-12-31 | 2022-06-30 | Robert Bosch Gmbh | Sensing via signal to signal translation |
US11686650B2 (en) | 2020-12-31 | 2023-06-27 | Robert Bosch Gmbh | Dynamic spatiotemporal beamforming |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102014226485A1 (de) | 2014-12-18 | 2016-06-23 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Vermessen eines physikalischen Systems |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10117871C1 (de) * | 2001-04-10 | 2002-07-04 | Fraunhofer Ges Forschung | Verfahren und Vorrichtung zum Extrahieren einer Signalkennung, Verfahren und Vorrichtung zum Erzeugen einer Datenbank aus Signalkennungen und Verfahren und Vorrichtung zum Referenzieren eines Such-Zeitsignals |
US7683614B2 (en) * | 2006-04-27 | 2010-03-23 | Stefan Posse | Magnetic resonance spectroscopy with sparse spectral sampling and interleaved dynamic shimming |
DK1870026T3 (en) * | 2006-06-21 | 2016-01-11 | Hoffmann La Roche | Diabetes treatment system for detecting an analyte and method for selective data transfer |
GB0801396D0 (en) * | 2008-01-25 | 2008-03-05 | Bisutti Giovanni | Electronic apparatus |
WO2009130243A2 (en) * | 2008-04-25 | 2009-10-29 | Stichting Voor De Technische Wetenschappen | Acoustic holography |
US8525724B2 (en) * | 2010-10-08 | 2013-09-03 | University Of Massachusetts | System and method for generating derived products in a radar network |
DE102011076779A1 (de) * | 2011-05-31 | 2012-12-06 | Airbus Operations Gmbh | Verfahren und Vorrichtung zur Vorhersage des Zustands einer Komponente oder eines Systems, Computerprogrammprodukt |
WO2014075108A2 (en) * | 2012-11-09 | 2014-05-15 | The Trustees Of Columbia University In The City Of New York | Forecasting system using machine learning and ensemble methods |
ES2584153T3 (es) * | 2013-06-27 | 2016-09-26 | Mettler-Toledo Safeline X-Ray Limited | Procedimiento de funcionamiento de un sistema de inspección radiográfica con una cadena transportadora modular |
DE102017213510A1 (de) * | 2017-08-03 | 2019-02-07 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Erzeugen eines maschinellen Lernsystems, und virtuelle Sensorvorrichtung |
-
2017
- 2017-08-03 DE DE102017213510.7A patent/DE102017213510A1/de active Pending
-
2018
- 2018-07-31 US US16/050,407 patent/US11151475B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102014226485A1 (de) | 2014-12-18 | 2016-06-23 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Vermessen eines physikalischen Systems |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102021108911A1 (de) | 2021-04-09 | 2022-10-13 | Robert Bosch Gesellschaft mit beschränkter Haftung | Computer-implementiertes Verfahren und Vorrichtung zum Erzeugen eines Systemmodells zur Nachbildung eines dynamischen Verhaltens eines technischen Systems |
Also Published As
Publication number | Publication date |
---|---|
US11151475B2 (en) | 2021-10-19 |
US20190042980A1 (en) | 2019-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2999998B1 (de) | Methode zur ermittlung eines modells einer ausgangsgrösse eines technischen systems | |
DE102017213510A1 (de) | Verfahren und Vorrichtung zum Erzeugen eines maschinellen Lernsystems, und virtuelle Sensorvorrichtung | |
DE102013213397A1 (de) | Verfahren und Vorrichtung zum Bereitstellen von Stützstellendaten für ein datenbasiertes Funktionsmodell | |
DE102015203213A1 (de) | Vorrichtung und programm zum erzeugen von korrekturparametern für diagnosedaten | |
DE102019124018A1 (de) | Verfahren zum Optimieren von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme | |
DE102019126195A1 (de) | Verfahren zur effizienten, simulativen Applikation automatisierter Fahrfunktionen | |
DE102016216945A1 (de) | Verfahren und Vorrichtung zum Ausführen einer Funktion basierend auf einem Modellwert eines datenbasierten Funktionsmodells basierend auf einer Modellgültigkeitsangabe | |
DE102019106728A1 (de) | Wärmeverschiebungskorrektursystem und computer | |
DE102019134053A1 (de) | Verfahren zur kontinuierlichen Absicherung im Fahrversuch applizierter automatisierter Fahrfunktionen | |
DE102019126245A1 (de) | System und Verfahren zur Bestimmung des Funktionszustandes und/oder Gesundheitszustandes einer elektrischen Batterie | |
EP4222470A1 (de) | Computergestütztes verfahren und vorrichtung zur wahrscheinlichkeitsbasierten geschwindigkeitsprognose für fahrzeuge | |
DE102013206304A1 (de) | Verfahren und Vorrichtung zum Erstellen eines nicht parametrischen, datenbasierten Funktionsmodells | |
DE102011081345A1 (de) | Verfahren zum Erstellen eines Modells | |
EP2088486A1 (de) | Verfahren zur Vermessung eines nichtlinearen dynamischen realen Systems mittels Versuchsplanung | |
DE202018106888U1 (de) | Testvorrichtung | |
EP2592504B1 (de) | Verfahren zur Abschätzung eines Ressourcenverbrauchs bei der Erzeugung eines Steuergeräteprogrammcodes | |
DE102013206291A1 (de) | Verfahren und Vorrichtung zum Erstellen eines nicht parametrischen, datenbasierten Funktionsmodells | |
DE102016208178A1 (de) | Softwaresegmentierungsverfahren, Softwaresegmentierungsvorrichtung und fahrzeugeigene Vorrichtung | |
DE102013214967A1 (de) | Verfahren und Vorrichtung zum Adaptieren eines datenbasierten Funktionsmodells | |
DE102014208379A1 (de) | Verfahren und Vorrichtung zum Ermitteln eines Funktionswerts eines bezüglich einer Eingangsgröße invertierten datenbasierten Funktionsmodells | |
DE102016100999A1 (de) | Vorrichtung einer rekonfigurierbaren Softwaremodusverwaltung unter Verwendung einer Laufzeitausführungsmaschine | |
DE102013206285A1 (de) | Verfahren und Vorrichtung zum Erstellen eines nicht parametrischen, datenbasierten Funktionsmodells | |
DE102019132624A1 (de) | Verfahren, Vorrichtung, Computerprogramm und computerlesbares Speichermedium zum Erstellen eines Motion Cueing Algorithmus | |
DE102018217014A1 (de) | Dynamische Qualifizierung von Nutzdaten | |
DE102018220064A1 (de) | Ermittlung von Werten von Produktionsparametern |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R079 | Amendment of ipc main class |
Free format text: PREVIOUS MAIN CLASS: G06F0015180000 Ipc: G06N0020000000 |
|
R012 | Request for examination validly filed |