DE102019131465A1 - Verfahren zur vorhersage einer spannkraft unter verwendung eines neuronalen faltungsnetzwerk-verfahrens - Google Patents

Verfahren zur vorhersage einer spannkraft unter verwendung eines neuronalen faltungsnetzwerk-verfahrens Download PDF

Info

Publication number
DE102019131465A1
DE102019131465A1 DE102019131465.8A DE102019131465A DE102019131465A1 DE 102019131465 A1 DE102019131465 A1 DE 102019131465A1 DE 102019131465 A DE102019131465 A DE 102019131465A DE 102019131465 A1 DE102019131465 A1 DE 102019131465A1
Authority
DE
Germany
Prior art keywords
image
value
filter
tension
cepstrum
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
DE102019131465.8A
Other languages
English (en)
Inventor
Jae-Soo Gwon
Gyung-Min Toh
Wan-Seung Kim
Jun-hong Park
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.)
Hyundai Motor Co
Industry University Cooperation Foundation IUCF HYU
Kia Corp
Original Assignee
Hyundai Motor Co
Kia Motors Corp
Industry University Cooperation Foundation IUCF HYU
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
Priority to KR1020180160834A priority Critical patent/KR20200072817A/ko
Priority to KR10-2018-0160834 priority
Application filed by Hyundai Motor Co, Kia Motors Corp, Industry University Cooperation Foundation IUCF HYU filed Critical Hyundai Motor Co
Publication of DE102019131465A1 publication Critical patent/DE102019131465A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01LMEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L5/00Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
    • G01L5/24Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes for determining value of torque or twisting moment for tightening a nut or other member which is similarly stressed
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KGRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for recognising patterns
    • G06K9/00496Recognising patterns in signals and combinations thereof
    • G06K9/00523Feature extraction
    • G06K9/0053Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01LMEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L1/00Measuring force or stress, in general
    • G01L1/24Measuring force or stress, in general by measuring variations of optical properties of material when it is stressed, e.g. by photoelastic stress analysis using infra-red, visible light, ultra-violet
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/002D [Two Dimensional] image generation
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KGRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for recognising patterns
    • G06K9/00496Recognising patterns in signals and combinations thereof
    • G06K9/00503Preprocessing, e.g. filtering
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KGRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for recognising patterns
    • G06K9/00496Recognising patterns in signals and combinations thereof
    • G06K9/00523Feature extraction
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KGRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for recognising patterns
    • G06K9/00496Recognising patterns in signals and combinations thereof
    • G06K9/00536Classification; Matching
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Computing arrangements based on biological models using neural network models
    • G06N3/04Architectures, e.g. interconnection topology
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Computing arrangements based on biological models using neural network models
    • G06N3/04Architectures, e.g. interconnection topology
    • G06N3/0454Architectures, e.g. interconnection topology using a combination of multiple neural nets
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Computing arrangements based on biological models using neural network models
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Abstract

Ein Verfahren zur Vorhersage einer Spannkraft unter Verwendung eines neuronalen Faltungsnetzwerk-Verfahrens kann aufweisen: Erzeugen eines Cepstrum-Bildes (S20) durch eine Signalverarbeitungs-und-Analyse-Vorrichtung (S10); Extrahieren eines charakteristischen Bildes durch Multiplizieren eines vordefinierten Gewichtungswertes zu den Bildpunkten des erzeugten Cepstrum-Bildes (S20) mittels künstlicher Intelligenz-basierten Lernens; Extrahieren des größten Bildpunktes von dem extrahierten charakteristischen Bild als ein repräsentatives Bild; Synthetisieren eines Bildes durch Synthetisieren der extrahierten repräsentativen Bildinformationen; und Vorhersagen einer Spannkraft durch Vergleichen des synthetisierten Bildes mit einem vordefinierten Wert.

Description

  • TECHNISCHES GEBIET
  • Beispielhafte Ausführungsformen der vorliegenden Offenbarung betreffen ein Verfahren zur Vorhersage einer Spannkraft unter Verwendung eines neuronalen Faltungsnetzwerk-Verfahrens, und insbesondere ein Verfahren zur Vorhersage einer Spannkraft unter Verwendung eines neuronalen Faltungs-Netzwerk-Verfahrens zur Vorhersage einer Spannkraft einer Schraube.
  • HINTERGRUND
  • Eine Schraube wird häufig als ein wichtiges Element zum Verbinden von zwei oder mehreren Bauteilen verwendet. Insbesondere muss zum Verbinden von Stahl-Strukturen eine Schraube verwendet werden, die Vorschriften entsprechen, und eine Spannkraft der Schraube muss streng kontrolliert werden.
  • Zum Beispiel klassifiziert der koreanische Industrie-Standard (KS) Schraubenarten in Klasse A und Klasse B gemäß einem Drehmoment-Koeffizienten und legt einen geeigneten Drehmoment-Koeffizienten fest. Der KS legt fest, dass ein Mittelwert des Drehmoment-Koeffizienten von 0.11 bis 0.15 für Schrauben der Klasse A geeignet ist und dass ein Mittelwert des Drehmoment-Koeffizienten von 0.15 bis 0.19 für Schrauben der Klasse B geeignet ist.
  • Eine Verbindungs-Spannkraft (d.h., die Spannkraft bei einer Verbindung von beispielsweise zwei oder mehreren Bauteilen oder Bauelementen) der Schraube kann aus einem Drehmomentwert, einem Drehmoment-Koeffizienten und einem Durchmesser der Schraube berechnet werden, und eine gewünschte Verbindungs-Spannkraft kann durch Anpassen des Drehmomentwertes erhalten werden.
  • Ein Befestigungsverfahren wird im Allgemeinen verwendet, um die Spannkraft der Schraube herbeizuführen, wobei das Befestigungsverfahren als ein Drehmoment-Steuerungs-Verfahren oder ein Drehen-der-Mutter-Verfahren klassifiziert werden kann.
  • Da das Drehen-der-Mutter-Verfahren den Rotationswinkel der Mutter verwendet, gibt es einen Vorteil darin, dass die Verteilung der Spannkraft vergleichsweise gering ist.
  • Andererseits hat das Drehmoment-Steuerungs-Verfahren einen Vorteil der ausgezeichneten Durchführbarkeit, da das Verfahren die obere Grenze und die untere Grenze des Drehmomentwertes ermittelt und die Schraube unter Verwendung eines Drehmomentschlüssels festmacht.
  • Allerdings wird der Drehmoment-Koeffizient der Schraube nicht konstant gehalten, sondern kann aufgrund von verschiedenen Faktoren, wie beispielsweise einer Länge der Schraube, welche ein physikalischer Faktor ist, und einer Temperatur, welche ein Umweltfaktor ist, verändert werden.
  • Daher hat das Drehmoment-Steuerungs-Verfahren einen Nachteil darin, dass die Verteilung der Spannkraft aufgrund der Veränderung des Drehmoment-Koeffizienten (vergleichsweise) groß ist.
  • Zusätzlich gibt es einen Nachteil darin, dass es erforderlich ist, die Spannkraft der Schraube, welche gespannt (anders ausgedrückt festgemacht) ist, zu messen unter Verwendung einer separaten Mess-Vorrichtung nach dem Spannen der Schraube unter Verwendung des Drehmomentschlüssels.
  • Daher ist es wichtig, die Spannkraft der Schraube vorherzusagen, so dass die Schraube eine ordnungsgemäße Spannkraft aufrechterhält.
  • In letzter Zeit sind verschiedene Vorhersage-Verfahren unter Verwendung künstlicher Intelligenz aufgekommen. Unter diesen wird ein Vorhersage-Verfahren vorgestellt, dass die Spannkraft der Schraube unter Verwendung eines künstlichen neuronalen Netzwerkes vorhersagt.
  • In einem Verfahren des Berechnens einer Spannkraft unter Verwendung eines künstlichen neuronalen Netzwerkes in dem Stand der Technik werden jeweils ein Cepstral-Koeffizient und eine Kurzzeit-Fouriertransformation (SFTF) von einem Signal, das von einer Sensoreinheit erfasst wird, erlangt.
  • In dem Fall des Cepstral-Koeffizienten wird nur ein Hochfrequenzband des erfassten Signals extrahiert unter Verwendung eines Hochpassfilters, um eine Auswirkung auf ein Rauschen zu verringern.
  • Dann wird durch Auswählen eines repräsentativen Wertes in jedem Einzelbild ein Wert erhalten und dann wird ein Gewichtungswert (d.h., ein Gewichtungsfaktor) einer jeden gleichschenkligen Dreiecksverteilung („isosceles triangular distribution“) mit mehreren hundert unterteilten Frequenzdomänen multipliziert und dann werden diese addiert.
  • Von dem berechneten Wert wird der Logarithmus (log) genommen und einer diskreten Kosinustransformation unterzogen, um den Cepstral-Koeffizienten zu erlangen.
  • In dem Fall der SFTF wird das erfasste Signal in Frequenzdomänen-Daten, die mehrere hundert Einzelbilder aufweisen, transformiert mittels einer Schnellen Fouriertransformation („Fast Fourier Transformation“) mit einem Überschneidungszeitraum von 50 % basierend auf einer kurzen Zeit (d.h., einer Kurzzeit Fouriertransformation).
  • Die Charakteristika des Cepstral-Koeffizienten und der STFT-Daten werden als ein überwachtes Signal eingegeben und eine mehrschichtige Gewichtungsmatrix-Schicht wird mittels eines Anstiegsverfahrens (zum Beispiel eines Gradientenverfahrens) gebildet unter Verwendung einer Kostenfunktion, und ein Spannkraft-Vorhersage-Wert wird unter Verwendung der mehrschichtigen Gewichtungsmatrix-Schicht angegeben.
  • Da solch eine herkömmliche Vorhersage-Technologie kompliziert ist, gibt es allerdings ein Problem darin, dass die Echtzeit Spannkraft-Vorhersage schwierig und die Genauigkeit gering ist.
  • ERLÄUTERUNG DER OFFENBARUNG/ERFINDUNG
  • Eine Ausführungsform der vorliegenden Offenbarung ist darauf gerichtet, ein Verfahren zur Vorhersage einer Spannkraft unter Verwendung eines neuronalen Faltungsnetzwerk-Verfahrens (d.h., eines Verfahrens, das ein neuronales Faltungsnetzwerk verwendet) bereitzustellen, das vereinfacht ist und das durch eine Verbesserung der Genauigkeit eine Vorhersage in Echtzeit ermöglicht.
  • Gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung weist ein Verfahren zur Vorhersage einer Spannkraft unter Verwendung eines neuronalen Faltungsnetzwerk-Verfahrens auf: Erzeugen eines Cepstrum-Bildes durch eine Signalverarbeitungs-und-Analyse-Vorrichtung; Extrahieren eines charakteristischen Bildes durch Multiplizieren eines vordefinierten Gewichtungswertes mit den Bildpunkten des erzeugten Cepstrum-Bildes mittels künstlicher Intelligenz-basierten Lernens (zum Beispiel durch Multiplizieren eines jeden Bildpunktes der mehreren Bildpunkte des erzeugten Cepstrum-Bildes mit einem zugeordneten, vordefinierten Gewichtungswert von mehreren vordefinierten Gewichtungswerten. Anders ausgedrückt kann jedem Bildpunkt des erzeugten Cepstrum-Bildes genau ein vordefinierter Gewichtungswert von mehreren Gewichtungswerten zugeordnet sein.); Extrahieren des größten Bildpunktes (d.h. des Bildpunktes mit dem größten Wert) von dem extrahierten charakteristischen Bild als ein repräsentatives Bild (zum Beispiel Extrahieren eines Wertes eines Bildpunktes, der den größten Wert von mehreren Bildpunktwerten aufweist); Synthetisieren eines Bildes durch Synthetisieren der extrahierten repräsentativen Bildinformationen; und Vorhersagen einer Spannkraft durch Vergleichen des synthetisierten Bildes mit einem vordefinierten Wert.
  • Zum Optimieren des Gewichtungswertes kann eine Adam-Optimierung (d.h., ein Adam-Optimierungs-Algorithmus) zwischen dem Synthetisieren des Bildes und der Vorhersage der Spannkraft angewendet werden.
  • Auf die Adam-Optimierung kann eine Verlustfunktion angewendet werden.
  • Bei dem Extrahieren des charakteristischen Bildes kann ein Faltungsfilter angewendet werden.
  • Bei dem Extrahieren des repräsentativen Bildes kann ein Pooling-Filter angewendet werden.
  • Mindestens zwei Faltungsfilter können hintereinander angewendet werden (d.h., ein zweiter Faltungsfilter kann nach einem ersten Faltungsfilter angewendet werden).
  • Das extrahierte repräsentative Bild kann dem Extrahieren des charakteristischen Bildes mindestens einmal unterzogen werden.
  • Gemäß einer anderen beispielhaften Ausführungsform der vorliegenden Offenbarung weist ein Verfahren zur Vorhersage einer Spannkraft unter Verwendung eines neuronalen Faltungsnetzwerk-Verfahrens auf: Erzeugen eines Cepstrum-Bildes durch eine Signalverarbeitungs-und-Analyse-Vorrichtung; und Vorhersagen einer Spannkraft durch Vergleichen des erzeugten Cepstrum-Bildes mit einem vordefinierten Wert.
  • Gemäß der vorliegenden Offenbarung werden die folgenden Effekte erhalten.
  • Erstens gibt es einen Vorteil darin, dass die Echtzeit-Messung einfach ist, da die Geschwindigkeit der Datenverarbeitung aufgrund einer verringerten Bildgröße hoch ist.
  • Zweitens ist es durch die Anwendung der Adam-Optimierung vorteilhaft, dass die Genauigkeit der Vorhersage durch Verringerung eines Verlustwertes verbessert ist, da die Gewichtungswerte (zum Beispiel die Gewichtungsfaktoren) ausreichend aktualisiert werden, wenn ein Pfad bei dem iterativen Lernen kontinuierlich Teil der Verarbeitung ist (d.h., der Pfad des neuronalen Netzwerkes hat bei der Verarbeitung der Eingangsdaten eine hohe Relevanz. Anders ausgedrückt verarbeitet das neuronale Netzwerk kontinuierlich Daten, für welche der Pfad des neuronalen Netzwerkes eine hohe Relevanz hat. Noch anders ausgedrückt wird das neuronale Netzwerk kontinuierlich trainiert und die Gewichtungswerte werden dabei aktualisiert, d.h. adaptiert.).
  • Drittens ist es vorteilhaft, das Verfahren in einem Echtzeit-Mess-System zu verwenden, da das Verfahren schneller als ein herkömmliches Anstiegsverfahren (z.B. schneller als ein Gradientenverfahren) ist.
  • Viertens gibt es einen Vorteil darin, dass eine klare Unterscheidung ermöglicht wird, wenn ein Verbinden in mehreren Schritten bei verschiedenen Geschwindigkeiten durchgeführt wird, da die Signalgröße während des Verbindens groß ist.
  • Fünftens gibt es einen Vorteil darin, dass es einfach ist, eine Merkmalskarte unter Verwendung eines Bildes eines neuronalen Faltungsnetzwerkes zu erlangen, da bei dem Verbinden in mehreren Schritten eine klare Unterscheidung gemacht wird.
  • Figurenliste
    • 1 ist ein Flussdiagramm gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung.
    • 2 ist ein Konfigurations-Diagramm eines neuronalen Faltungsnetzwerk-Verfahrens gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung.
    • 3 ist ein Konfigurations-Diagramm eines Filters gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung.
  • BESCHREIBUNG VON SPEZIFISCHEN AUSFÜHRUNGSFORMEN
  • Die vorliegende Offenbarung kann verschiedene Modifikationen und verschiedene Ausführungsformen haben und spezifische Ausführungsformen werden in den Zeichnungen dargestellt und in der ausführlichen Beschreibung ausführlich beschrieben. Allerdings begrenzt dies die vorliegende Offenbarung nicht auf diese spezifischen Ausführungsformen und es soll verstanden werden, dass die vorliegende Offenbarung alle Modifikationen, Äquivalente und Ersetzungen umfasst, die in der Idee und dem technischen Umfang der vorliegenden Offenbarung enthalten sind.
  • Bei der Beschreibung einer jeden Zeichnung beschreiben gleiche Bezugszeichen die gleichen Elemente.
  • Begriffe wie „erste“, „zweite“ und dergleichen werden für die Beschreibung von Bestandselementen verwendet, aber die Bestandselemente sind nicht auf diese Begriffe begrenzt. Die Begriffe werden nur verwendet, um ein Bestandselement von anderen Komponenten zu unterscheiden.
  • Die Begriffe werden nur verwendet, um ein Bestandselement von anderen Komponenten zu unterscheiden. Ein Begriff „und/oder“ weist eine Kombination von mehreren zugehörigen, offenbarten Elementen auf oder weist jedes der mehreren zugehörigen, offenbarten Elemente auf.
  • Sofern es nicht anders angegeben ist, haben alle hierin verwendeten Begriffe, einschließlich technischer bzw. wissenschaftlicher Begriffe, die gleiche Bedeutung, wie die im Allgemeinen von einem Fachmann verstandene Bedeutung.
  • Solche Begriffe, wie die in einem allgemeinen Wörterbuch/Lexikon definierten Begriffe, sind so zu interpretieren, dass diese Begriffe die gleiche Bedeutung haben wie die Bedeutung im Kontext in dem relevanten Gebiet der Technik, und sind nicht so zu interpretieren, dass diese Begriffe eine ideale bzw. äußerst formale Bedeutung haben, sofern dies in der vorliegenden Anmeldung nicht in klarer Weise anders angegeben ist.
  • Ein Ablauf eines Verfahrens zur Vorhersage einer Spannkraft unter Verwendung eines neuronalen Faltungsnetzwerk-Verfahrens gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung wird beschrieben.
  • 1 ist ein Flussdiagramm gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung, 2 ist ein Konfigurations-Diagramm eines neuronalen Faltungsnetzwerk-Verfahrens gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung und 3 ist ein Konfigurations-Diagramm eines Filters gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung.
  • Zuerst wird in einem Schritt des Erzeugens eines Cepstrum-Bildes (S1) ein Cepstrum-Bild durch eine Signalverarbeitungs-und-Analyse-Vorrichtung erzeugt (S20).
  • Das erzeugte Cepstrum-Bild weist mit der Erhöhung der Spannkraft des erfassten Signals Frequenzveränderungs-Informationen als einen Bildpunkt-Wert auf.
  • Das Cepstrum-Bild kann von der Signalverarbeitungs-und-Analyse-Vorrichtung (S10) erhalten werden.
  • Das Trainings-Cepstrum-Bild (S30) kann von dem erzeugten Cepstrum-Bild erhalten werden.
  • Danach wird in dem Schritt des Extrahierens eines charakteristischen Bildes (S2) ein charakteristisches Bild extrahiert durch Multiplizieren eines vordefinierten Gewichtungswertes mit den Bildpunkten des erzeugten Cepstrum-Bildes (S30) mittels künstlicher Intelligenz-basierten Lernens (zum Beispiel durch Multiplizieren eines jeden Bildpunktes der mehreren Bildpunkte des erzeugten Cepstrum-Bildes mit einem zugeordneten, vordefinierten Gewichtungswert von mehreren vordefinierten Gewichtungswerten. Anders ausgedrückt kann jedem Bildpunkt des erzeugten Cepstrum-Bildes genau ein vordefinierter Gewichtungswert von mehreren Gewichtungswerten zugeordnet sein.).
  • Zu diesem Zeitpunkt in dem Schritt des Extrahierend des charakteristischen Bildes (S2) kann ein Faltungsfilter (S40) angewendet werden.
  • Der Faltungsfilter ist ein kleiner Filter und hat einen Gewichtungswert zum Multiplizieren mit einem Bildpunkt des Bildes (zum Beispiel kann der Faltungsfilter mehrere Gewichtungswerte aufweisen, wobei jeder Gewichtungswert der mehreren Gewichtungswerte mit einem Bildpunkt von mehreren Bildpunkten des Bildes multipliziert werden kann).
  • Insbesondere ist der Faltungsfilter eine der Schichten des neuronalen Faltungsnetzwerkes, das verwendet wird, um das eingegebene Bild zu extrahieren.
  • Ein Wert einer Matrix des Faltungsfilters bei jedem tiefen Lernen („Deep Learning“) wird eine Maske genannt (d.h., ein Wert der Matrix kann ein Gewichtungswert sein).
  • Durch das Verwenden des Faltungsfilters wird der Wert der Maske mittels iterativen Lernens auf einen geeigneten Wert zur Unterscheidung verändert, wodurch die Genauigkeit des Lernens/Trainierens verbessert wird (anders ausgedrückt kann ein Wert, mehrere Werte oder jeder Wert der Maske während des Trainierens adaptiert werden. Noch anders ausgedrückt können die Gewichtungswerte einer Maske während des Training adaptiert werden).
  • Wenn das Cepstrum-Bild in den Faltungsfilter eingegeben wird, wird der Filter über das Bild bewegt und das charakteristische Bild wird durch Multiplizieren eines vordefinierten geeigneten/entsprechenden Gewichtungswertes extrahiert.
  • Das extrahierte charakteristische Bild wird in einen Pooling-Filter (S50) eingegeben.
  • Der Pooling-Filter (S50) extrahiert nur repräsentative Werte unter den Bildpunkt-Informationen.
  • Insbesondere wird der Pooling-Filter (S50) verwendet, um den signifikantesten Wert der Merkmalskarte, die durch Faltung erlangt wird, zu erlangen, und um die Bildgröße zu verringern.
  • Wenn das extrahierte charakteristische Bild den Pooling-Filter (S50) durchläuft (d.h. von diesem verarbeitet wird), werden nur die repräsentativen Informationen gespeichert und die Bildgröße verringert.
  • Mindestens zwei Faltungsfilter können nacheinander angewendet werden.
  • Danach wird in einem Schritt des Extrahierens eines repräsentativen Bildes (S3) der größte Bildpunkt (d.h. der Bildpunkt mit dem größten Wert) von dem extrahierten charakteristischen Bild extrahiert (zum Beispiel Extrahieren eines Wertes eines Bildpunktes, der den größten Wert von mehreren Bildpunktwerten aufweist).
  • Zu diesem Zeitpunkt in dem Schritt des Extrahierend des repräsentativen Bildes (S3) kann ein Pooling-Filter angewendet werden.
  • Das extrahierte repräsentative Bild kann dem Schritt des Extrahierens des charakteristischen Bildes mindestens ein zusätzliches Mal unterzogen werden.
  • Danach wird in einem Schritt des Synthetisierens eines Bildes (S4) ein synthetisiertes Bild erzeugt durch Synthetisieren der extrahierten repräsentativen Bildinformationen.
  • Schließlich wird in einem Schritt der Vorhersage einer Spannkraft (S5) die vorhergesagte Spannkraft durch Vergleichen des synthetisierten Bildes mit einem vordefinierten Wert (S80) angegeben.
  • Zu diesem Zeitpunkt werden schließlich die Informationen, die durch die repräsentativen Werte gegeben sind, durch die dichte Schicht („dense layer“) synthetisiert und der vorhergesagte Wert wird als eine Spannkraft, die die höchste Wahrscheinlichkeit hat, angegeben.
  • Der vorhergesagte Wert wird als ein Spannkraft-spezifischer Wahrscheinlichkeitsvektor (S70) angegeben.
  • Andererseits kann eine Adam-Optimierung (S62) zur Optimierung des Gewichtungswertes zwischen dem Schritt des Synthetisierens des Bildes (S4) und dem Schritt der Vorhersage der Spannkraft (S5) angewendet werden.
  • Da der Minimalwert unter Verwendung eines Adam-Optimierers (d.h., einem Adam-Optimierungs-Algorithmus) erlangt wird, ist das Verfahren geeignet, in einem Echtzeit-Mess-System verwendet zu werden, da das Verfahren schneller als ein herkömmliches Anstiegsverfahren (z.B. schneller als ein Gradientenverfahren) ist.
  • Zu diesem Zeitpunkt kann eine Verlustfunktion (S61) auf die Adam-Optimierung (S62) angewendet werden.
  • In anderen Worten hilft das Adam-Optimierung-Verfahren bei der Optimierung des Faltungsfilters.
  • Ein Filter mit einer ausreichenden Optimierung weist einen Gewichtungswert auf (zum Beispiel mehrere Gewichtungswerte), mit welchem (bzw. mit welchen) die Charakteristika des Bildes wirksam extrahiert werden können.
  • Im Folgenden wird eine Konfiguration eines Filters gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung/Erfindung mit Bezug auf 3 ausführlich beschrieben.
  • Ein Cepstrum-Bild 100 wird als Daten, die von einer Komponente gemessen werden, erfasst und zu diesem Zeitpunkt hat das Bild eine Größe von 599 × 32 Bildpunkten.
  • Der Faltungsfilter 200 wird auf das gesamte Bild angewendet, wobei sich ein Filter, der eine Größe von 3 × 3 Bildpunkten hat, mit einem Abstand von einem Bildpunkt (d.h. einer Schrittweite von einem Bildpunkt) nach rechts bzw. nach unten bewegt, um eine Charakteristik der Cepstrum-Veränderung zu extrahieren.
  • Insbesondere können ein erster Faltungsfilter 210 und ein zweiter Faltungsfilter 220 hintereinander als Faltungsfilter 200 angewendet werden.
  • Die Größe eines ersten charakteristischen Bildes 310, das von dem Faltungsfilter 200 extrahiert wird, wird bei einer Größe von 599 × 32 Bildpunkten beibehalten.
  • Das erste charakteristische Bild 310 wird in einen ersten Pooling-Filter 410 eingegeben.
  • Der Pooling-Filter 400 kann sequenziell einen ersten Pooling-Filter 410 und einen zweiten Pooling-Filter 420 aufweisen.
  • Wenn das erste charakteristische Bild 310, das der Faltung unterzogen wurde, in den Pooling-Filter 400 eingegeben wird, werden alle Bereiche des Bildes (zum Beispiel alle Bildpunkte des Bildes) in 2 × 2 Bereiche (d.h. Bereiche mit 2 x 2 Bildpunkten) unterteilt und der größte Bildpunktwert in jedem Bereich (d.h. der größte Wert eines Bildpunktes der 2 × 2 Bildpunkte) wird extrahiert.
  • Dieser Wert ist ein erstes repräsentatives Bild 510.
  • Das heißt, dass die horizontale Größe und vertikale Größe des Bildes halbiert (d.h. auf die halbe Größe verringert) werden, da, wie in der Zeichnung dargestellt ist, nur ein repräsentativer Bild-Wert (d.h. der größte Wert der Werte der 2 × 2 Bildpunkte) von vier Werten (d.h. den vier Werten der 2 × 2 Bildpunkte) erhalten wird.
  • Das erste repräsentative Bild 510 wird erneut verarbeitet zu einem zweiten charakteristischen Bild 320 mittels des dritten Faltungsfilters 230 und des vierten Faltungsfilters 240.
  • Das zweite charakteristische Bild 320 durchläuft den zweiten Pooling-Filter 420 erneut (d.h. wird von dem zweiten Pooling-Filter 420 verarbeitet), um ein zweites repräsentatives Bild 520 zu erhalten.
  • Ein synthetisiertes Bild 600 wird gebildet durch Synthetisieren von Bildinformationen durch die dichte Schicht (S60), um die Gemeinsamkeit mit einer jeden Klasse unter 31 Klassen von 50 kN bis 81 kN zu messen und um die Gemeinsamkeiten zu addieren.
  • In dem Schritt der Vorhersage der Spannkraft (S5) wird die Klasse, die die größte Gemeinsamkeit unter den gemessenen Gemeinsamkeiten aufweist, als eine ermittelte Spannkraft bestätigt.
  • Dabei können der erste Faltungsfilter 210 und der zweite Faltungsfilter 220 doppelt als Faltungsfilter 200 verwendet werden.
  • Dabei kann eine Mehrfach-Filter-Anordnung angewendet werden, in der die charakteristischen Bilder, die durch den ersten Faltungsfilter 210 und den zweiten Faltungsfilter 220 erhalten werden, dem ersten Pooling-Filter 410 bereitgestellt werden und in der die charakteristischen Bilder, die durch den dritten Faltungsfilter 230 und den vierten Faltungsfilter 240 erhalten werden, dem zweiten Pooling-Filter 420 bereitgestellt werden.
  • Mit anderen Worten kann eine Mehrfach-Filter-Anordnung angewendet werden, die eine Dreifach-Filter-Anordnung verwendet, welche eine Kombination der doppelten Faltungsfilter und des Pooling-Filters ist.
  • Auf diese Weise können tiefe Charakteristika extrahiert werden durch Nacheinanderanordnen der Faltungsfilter in mehreren Schichten.
  • Zusätzlich können wichtige Informationen in einem kleineren Bild (d.h. einem Bild mit einer kleineren Bildgröße) gespeichert werden durch mindestens einmaliges Verwenden des Pooling-Filters, wodurch die Geschwindigkeit und die Genauigkeit einer Echtzeit-Vorhersage verbessert wird.
  • Das Verfahren zur Vorhersage einer Spannkraft unter Verwendung eines neuronalen Faltungsnetzwerk-Verfahrens gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung kann aufweisen oder bestehen aus: einem Schritt des Erzeugens eines Cepstrum-Bildes (S31), bei dem ein Cepstrum-Bild von der Signalverarbeitungs-und-Analyse-Vorrichtung erzeugt wird, und einem Vorhersage-Schritt (S80), bei dem eine vorhergesagte Spannkraft angegeben wird durch Vergleichen des erzeugten Cepstrum-Bildes mit einem vordefinierten Wert.

Claims (8)

  1. Verfahren zur Vorhersage einer Spannkraft unter Verwendung eines neuronalen Faltungsnetzwerk-Verfahrens, das Verfahren aufweisend: Erzeugen eines Cepstrum-Bildes (S20) durch eine Signalverarbeitungs-und-Analyse-Vorrichtung (S10); Extrahieren eines charakteristischen Bildes durch Multiplizieren eines vordefinierten Gewichtungswertes zu den Bildpunkten des erzeugten Cepstrum-Bildes mittels künstlicher Intelligenz-basierten Lernens; Extrahieren des größten Bildpunktes von dem extrahierten charakteristischen Bild als ein repräsentatives Bild; Synthetisieren eines Bildes durch Synthetisieren der extrahierten repräsentativen Bildinformationen; und Vorhersagen einer Spannkraft durch Vergleichen des synthetisierten Bildes mit einem vordefinierten Wert.
  2. Verfahren nach Anspruch 1, wobei zwischen dem Synthetisieren des Bildes und der Vorhersage der Spannkraft die Adam-Optimierung (S62) zur Optimierung des vordefinierten Gewichtungswertes angewendet wird.
  3. Verfahren nach Anspruch 2, wobei eine Verlustfunktion (S61) auf die Adam-Optimierung angewendet wird.
  4. Verfahren nach einem der Ansprüche 1 bis 3, wobei bei dem Extrahieren des charakteristischen Bildes ein Faltungsfilter angewendet wird.
  5. Verfahren nach Anspruch 4, wobei mindestens zwei Faltungsfilter hintereinander angewendet werden.
  6. Verfahren nach Anspruch 5, wobei das extrahierte repräsentative Bild dem Extrahieren des charakteristischen Bildes mindestens einmal unterzogen wird.
  7. Verfahren nach einem der Ansprüche 1 bis 6, wobei bei dem Extrahieren des repräsentativen Bildes ein Pooling-Filter angewendet wird.
  8. Verfahren zur Vorhersage einer Spannkraft unter Verwendung eines neuronalen Faltungsnetzwerk-Verfahrens, das Verfahren aufweisend: Erzeugen eines Cepstrum-Bildes durch eine Signalverarbeitungs-und-Analyse-Vorrichtung; und Vorhersage einer Spannkraft durch Vergleichen des erzeugten Cepstrum-Bildes mit einem vordefinierten Wert.
DE102019131465.8A 2018-12-13 2019-11-21 Verfahren zur vorhersage einer spannkraft unter verwendung eines neuronalen faltungsnetzwerk-verfahrens Pending DE102019131465A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180160834A KR20200072817A (ko) 2018-12-13 2018-12-13 합성곱 신경망법을 이용한 체결력 예측방법
KR10-2018-0160834 2018-12-13

Publications (1)

Publication Number Publication Date
DE102019131465A1 true DE102019131465A1 (de) 2020-06-18

Family

ID=70858885

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102019131465.8A Pending DE102019131465A1 (de) 2018-12-13 2019-11-21 Verfahren zur vorhersage einer spannkraft unter verwendung eines neuronalen faltungsnetzwerk-verfahrens

Country Status (4)

Country Link
US (1) US20200191667A1 (de)
KR (1) KR20200072817A (de)
CN (1) CN111325314A (de)
DE (1) DE102019131465A1 (de)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100317522B1 (ko) 1998-10-21 2002-06-20 이종훈 산업용보일러본체의지지볼트하중조정방법
KR100411094B1 (ko) 2001-04-13 2003-12-18 현대자동차주식회사 차량의 실린더 헤드 볼트 신장량 측정장치 및 축력 측정방법
KR20090015359A (ko) 2007-08-08 2009-02-12 한국전력공사 볼트 축력 예측 방법

Also Published As

Publication number Publication date
KR20200072817A (ko) 2020-06-23
US20200191667A1 (en) 2020-06-18
CN111325314A (zh) 2020-06-23

Similar Documents

Publication Publication Date Title
DE102018116111A1 (de) Ein einheitliches tiefes faltendes neuronales Netzwerk für die Abschätzung von Freiraum, die Abschätzung der Objekterkennung und die der Objektstellung
DE202017102238U1 (de) Aktorsteuerungssystem
DE4133590A1 (de) Verfahren zur klassifikation von signalen
EP0844590A1 (de) Verfahren zur fraktalen Bildcodierung und Anordnung zur Durchführung des Verfahrens
WO2013037357A1 (de) Maschinelles lernverfahren zum maschinellen erlernen von erscheinungsformen von objekten in bildern
DE202017102235U1 (de) Trainingssystem
DE102018205561A1 (de) Vorrichtung zur Klassifizierung von Signalen
DE102017220307A1 (de) Vorrichtung und Verfahren zum Erkennen von Verkehrszeichen
DE112020000448T5 (de) Kameraselbstkalibrierungsnetz
DE102019209644A1 (de) Verfahren zum Trainieren eines neuronalen Netzes
DE102019131465A1 (de) Verfahren zur vorhersage einer spannkraft unter verwendung eines neuronalen faltungsnetzwerk-verfahrens
DE3721504C2 (de) Regelsystem
DE19648017A1 (de) Verfahren zur Bestimmung von Maßstabsfaktoren für fraktale Bildkodierung
WO2001086585A1 (de) Verfahren und anordnung zum ermitteln eines objekts in einem bild
DE102019217758A1 (de) Verfahren zum schätzen einer klemmkraft eines bolzens
DE102019211672A1 (de) Trainingsverfahren für ein künstliches neuronales Netzwerk
DE102018209898A1 (de) Verfahren zur Bestimmung von zueinander korrespondierenden Bildpunkten, SoC zur Durchführung des Verfahrens, Kamerasystem mit dem SoC, Steuergerät und Fahrzeug
DE102019114049A1 (de) Verfahren zur Validierung eines Fahrerassistenzsystems mithilfe von weiteren generierten Testeingangsdatensätzen
DE102010018142A1 (de) Verfahren zur Aufnahme eines Bildes
DE19956625C2 (de) Echtzeit-Datensortierung und -reduktion
DE60123852T2 (de) Verfahren zur effizienten Kodierung von formbeschreibenden Parametern
DE19738846C1 (de) Verfahren und Anordnung zur Berechnung von Abständen in hochdimensionalen Vektorräumen
DE4495111C2 (de) Verfahren zur Bestimmung einer Menge von charakteristischen Merkmalen im Rahmen einer Objekterkennung
DE102013224382A1 (de) Beschleunigte Objekterkennung in einem Bild
DE4017430C2 (de) Vorrichtung und Verfahren zur Erkennung von Mustern

Legal Events

Date Code Title Description
R082 Change of representative

Representative=s name: VIERING, JENTSCHURA & PARTNER MBB PATENT- UND , DE

R012 Request for examination validly filed
R079 Amendment of ipc main class

Free format text: PREVIOUS MAIN CLASS: G06K0009000000

Ipc: G06V0010000000