-
Die Erfindung betrifft ein Verfahren zur Klassifizierung einer bereitgestellten multivariaten Messdatenreihe mittels eines maschinellen Lernsystems. Ferner betrifft die Erfindung ein Verfahren zum Anlernen des maschinellen Lernsystems. Die Erfindung betrifft weiter ein Computerprogramm, ein computerlesbares Speichermedium und eine Computervorrichtung, die jeweils dazu eingerichtet sind, die vorgeschlagenen Verfahren auszuführen. Abschließend betrifft die Erfindung ein Fahrzeug umfassend eine erfindungsgemäße Computervorrichtung.
-
Stand der Technik
-
-
Offenbarung der Erfindung
-
Die Erfindung betrifft in einem ersten Aspekt ein, insbesondere computerimplementiertes, Verfahren zur Klassifizierung einer bereitgestellten multivariaten Messdatenreihe mittels eines maschinellen Lernsystems, wobei das maschinelle Lernsystem angelernt wurde, die Klassifizierung basierend auf der multivariaten Messdatenreihe zu ermitteln, wobei die multivariate Messdatenreihe eine Mehrzahl von Messdaten, die jeweils mit unterschiedlichen Sensoren bereitgestellt wurden, umfasst.
-
Das maschinelle Lernsystem klassifiziert die multivariate Messdatenreihe abhängig von der multivariaten Messdatenreihe, indem es die multivariate Messdatenreihe zumindest einer von zumindest zwei Klassen zuordnet, wobei zumindest eine der Klassen eine, insbesondere vorgebbare, Abweichung der Messdaten von einem erwarteten Verlauf charakterisiert. Die zumindest eine Klasse charakterisiert dabei ein bestimmtes Muster, welches in dem Zeitfenster (d.h. zwischen Start- und Endzeitpunkt der durch das Zeitfenster ausgeschnittenen Messdatenreihe) auftritt. Bei dem Muster - auch als Event oder Ereignis bezeichenbar - handelt es sich um einen spezifischen Verlauf eines oder mehrerer Messdaten der Messdatenreihe. Insbesondere weisen mehrere Messdaten der Messdatenreihe gleichzeitig diese Abweichung von einem erwarteten Verlauf auf. Insbesondere kann die Abweichung auch als eine unkorreliert eintretende Abweichung beschrieben werden. Insbesondere charakterisiert zumindest eine Klasse eine hinreichende Ähnlichkeit der multivariaten Messdatenreihe zu einer prototypischen multivariaten Messdatenreihe. Alternativ oder zusätzlich charakterisiert zumindest eine Klasse das Vorhandensein einer eintretenden Abweichung der Messdaten von einem erwarteten Verlauf, ganz insbesondere charakterisiert eine weitere Klasse die Abwesenheit einer eintretenden Abweichung der Messdaten von einem erwarteten Verlauf. Alternativ oder zusätzlich charakterisiert zumindest eine Klasse eine Art, bevorzugt charakterisieren eine Mehrzahl von Klassen jeweils eine Art, einer eintretenden Abweichung der Messdaten von einem erwarteten Verlauf. Die Abweichung bzw. das Ereignis (im Folgenden synonym verwendet) kann als eine, insbesondere prototypische, Vorgabe verstanden werden, die in einer multivariaten Messdatenreihe wiedergefunden werden soll. In diesem Sinne wird in einer Messdatenreihe nach einer „Ähnlichkeit zu einer prototypischen Messdatenreihe“ gesucht. Es sei angemerkt, dass das Ereignis ein Bestandteil der vorliegenden Messdatenreihe sein kann und von einem Nutzer, insbesondere einem Applikationsingenieur, vorgegeben, markiert oder ausgewählt wird. Alternativ oder zusätzlich dazu kann ein Ereignis auch künstlich generiert und somit vorgegeben werden, beispielsweise durch funktionale Definitionen, durch skizzieren oder zeichnen oder dergleichen.
-
Das Verfahren zur Klassifizierung kann in einer Ausführungsform des Verfahrens ausschließlich in Hardware implementiert sein. In einer alternativen Ausführungsform kann das Verfahren auch in Form von Software oder in einer Mischung aus Software und Hardware realisiert sein. Insbesondere kann das Verfahren ein computerimplementiertes Verfahren darstellen, das mittels einer Prozessorvorrichtung einer Computervorrichtung durchgeführt wird. Zur Durchführung des Verfahrens kann die Computervorrichtung ferner zumindest eine Speichervorrichtung aufweisen, in der das Verfahren als maschinenlesbares Computerprogramm hinterlegt ist. Das Computerprogramm enthält Anweisungen, die bei Ausführung durch die Computervorrichtung die Computervorrichtung veranlassen, das Verfahren zur Klassifizierung auszuführen.
-
Das „maschinelle Lernsystem“ wurde derart dazu angelernt, Muster und/oder Gesetzmäßigkeiten in einer bereitgestellten multivariaten Messdatenreihe zu ermitteln und basierend auf diesen ermittelten Mustern und/oder Gesetzmäßigkeiten eine Klassifizierung der multivariaten Messdatenreihe basierend auf der multivariaten Messdatenreihe durchzuführen bzw. zu ermitteln. Das maschinelle Lernsystem wurde insbesondere nach dem unten beschriebenen erfindungsgemäßen Verfahren zum Anlernen angelernt.
-
In einer Ausführungsform des Verfahrens zur Klassifizierung umfasst das maschinelle Lernsystem ein, insbesondere künstliches, neuronales Netz. Das neuronale Netz besteht dabei aus einer vorgegebenen Verkettung neuronaler Schichten. Dem neuronalen Netz wird dabei zumindest eine multivariate Messdatenreihe als Eingangsgröße bereitgestellt, wobei die multivariate Messdatenreihe anschließend durch das neuronale Netz propagiert wird. Entsprechend berechnet jede (verdeckte) Schicht des neuronalen Netzes eine Ausgangsgröße, die wiederum als Eingangsgröße einer folgenden Schicht des Netzes verwendet wird. Die letzte Schicht des Netzes (Ausgabeschicht) kann eine Größe ausgeben, die die Klassifizierung charakterisiert, d.h. diese Größe erlaubt das Ablesen der Klassifizierung, die basierend auf der eingegebenen multivariaten Messdatenreihe durch das maschinelle Lernsystem ausgegeben wurde. Ein neuronales Netz, beispielsweise ein bayessches Netz, weist dabei den Vorteil auf, dass gegenüber existierenden statistischen Ansätze eine zuverlässigere Klassifizierung der multivariaten Messdatenreihe möglich ist. Insbesondere können auch bei großen Datenmengen zur bereitgestellten multivariaten Messdatenreihe und unterschiedlichen Einflussfaktoren auf die Klassifizierung sinnvolle Ergebnisse der Klassifizierung ermittelt werden. In einer Ausführungsform des Verfahrens ist das neuronale Netz als ein rekurrentes neuronales Netz oder als ein faltendes neuronales Netz realisiert.
-
Eine „multivariate Messdatenreihe“ bezeichnet zeitabhängige Messdaten zumindest einer Mehrzahl von Messgrößen, insbesondere Variablen, die beispielsweise von einer Mehrzahl an Messgeräten - wie insbesondere Sensoren - erfasst werden können. Die unterschiedlichen Messdaten einer multivariaten Messdatenreihe können dabei gleichzeitig, insbesondere parallel, erfasst werden. Die multivariante Messdatenreihe kann in Form von einer Mehrzahl von Messvektoren der jeweiligen Messgeräte, insbesondere Sensoren, oder in Form einer Matrix gegeben sein. Unter „bereitstellen“ ist insbesondere zu verstehen, dass einer das Verfahren durchführenden Vorrichtung, insbesondere einer Computervorrichtung, die entsprechende Information - hier zumindest eine multivariate Messdatenreihe umfassend eine Mehrzahl von Messdaten - bereitgestellt wird. In einer Ausführungsform des Verfahrens kann eine multivariate Messdatenreihe durch Einlesen einer multivariaten Messdatenreihe aus einer Datei, beispielsweise durch Einlesen von auf einem Datenserver hinterlegten Daten, erfolgen. In einer alternativen oder zusätzlichen Ausführungsform des Verfahrens kann eine multivariate Messdatenreihe unter Verwendung einer Sensorvorrichtung, insbesondere einer Sensorvorrichtung der das Verfahren ausführenden Computervorrichtung, ermittelt oder gemessen und anschließend bereitgestellt werden. Die Sensorvorrichtung kann insbesondere unterschiedliche Sensoren umfassen, mittels der die Mehrzahl von Messdaten der multivariaten Messdatenreihe erfasst werden. In einem Ausführungsbeispiel kann eine multivariate Messdatenreihe durch eine Sensorvorrichtung an einem Motor, insbesondere durch einen Motorprüfstand, bereitgestellt werden. Alternativ oder zusätzlich kann eine multivariate Messdatenreihe durch einen Rollenprüfstand und/oder durch eine mobile Abgasmesstechnik (Portable Emission Measurement System) bereitgestellt werden.
-
Der Motorprüfstand, der Rollenprüfstand und die mobile Abgasmesstechnik umfassen dabei jeweils eine Sensorvorrichtung mit unterschiedlichen Sensoren, die jeweils eine Messgröße betreffen können. Die Sensoren können beispielsweise eingerichtet sein, eine Motordrehzahl, eine Geschwindigkeit, eine CO2-Konzentration, eine CO-Konzentration, eine PN-Konzentration, eine NOx-Konzentration oder beliebige andere Steuergerätegrößen, die in einem Versuchsfahrzeug und/oder an einem Prüfstand gemessen werden, zu erfassen. Die Sensorvorrichtung kann somit eine Messdatenreihe während eines Betriebs eines, insbesondere durch eine Motorsteuervorrichtung gesteuerten, Motors aus Messdaten betreffend den Motor bereitstellen.
-
Der Vorteil dieses Verfahrens zur Klassifizierung einer bereitgestellten multivariaten Messdatenreihe ist, dass automatisiert und objektiv große Mengen an Messdatenreihen, wie sie beispielsweise bei Testfahrten erfasst werden, zügig klassifiziert werden können.
-
In einer Ausführungsform des Verfahrens wird eine multivariate Messdatenreihe durch Segmentierung einer kontinuierlich erfassten multivariaten Messdatenzeitreihe unter Verwendung eines Zeitfensters erzeugt („Fensterung“). Die „Messdatenzeitreihe“ bezeichnet dabei insbesondere Signalverläufe einer Mehrzahl von kontinuierlich erfassten Messdaten, die beispielsweise mittels einer Mehrzahl an Sensoren fortlaufend erfasst werden. Vorteilhaft kann durch Einstellung der Länge des Zeitfensters eine Art Vorabfilterung der Messdatenreihe, insbesondere hinsichtlich einer zeitlichen Länge von Ereignissen, erfolgen. In einem Ausführungsbeispiel kann durch Segmentierung der Messdatenzeitreihe mittels eines fixen Zeitfensters einer Länge von 1 Sekunde oder 10 Sekunden eine entsprechend lange Messdatenreihe erzeugt werden. Alternativ kann ein verwendetes Zeitfenster auch eine variable Länge aufweisen. In einer Ausführungsform wird die Länge des Zeitfensters derart gewählt, dass eine Anzahl an Messpunkten innerhalb des Zeitfensters mit einer Anzahl an Eingängen des maschinellen Lernsystems, insbesondere mit einer Anzahl an Neuronen einer Eingangsschicht eines neuronalen Netzes, übereinstimmt. Ferner ist denkbar, die Segmentierung in benachbarte Zeitfenster mit oder ohne Überlappung benachbarter Zeitfenster zu realisieren, wobei jedoch bei Berücksichtigung von Überlappungen (beispielsweise im Rahmen „gleitender Fensterung“) dafür gesorgt werden muss, dass sich die resultierenden segmentierten Messdatenreihen („Einzelfenster“) nicht zu ähnlich sind, um sogenannte „trivial matches“ auszuschließen.
-
„Klassifizieren“ bezeichnet die Einteilung oder Klassierung in vorbestimmte Klassen und/oder das Zuordnen von „Labeln“, die einer Klasse entsprechen. In diesem Sinne kann das Klassifizieren auch als Diskriminieren (Unterscheiden), Bezeichnen oder Ermitteln und Zuordnen eines Labels verstanden werden. Im erfindungsgemäßen Verfahren betrifft die Klassifizierung die Einteilung oder Zuordnung der multivariaten Messdatenreihe in zumindest eine von zumindest zwei Klassen, wobei zumindest eine der Klassen eine eintretende Abweichung der Messdaten von einem erwarteten Verlauf charakterisiert. Eine „eintretende Abweichung der Messdaten von einem erwarteten Verlauf“ stellt ein sogenanntes Ereignis dar. Dabei weisen Messdaten zumindest einer Messgröße, insbesondere Messdaten mehrerer Messgrößen, einen unerwarteten Verlauf auf, der - basierend auf den Messdaten der übrigen Messgrößen - nicht auf einen erwarteten (und somit korrelierten) Effekt zurückgeführt werden kann. Eine Messdatenreihe, die zu einer prototypischen Messdatenreihe hinreichend ähnlich ist, stellt dabei eine eintretende Abweichung der Messdaten von einem erwarteten Verlauf (Ereignis) dar. Die prototypische Messdatenreihe kann in einer Ausführungsform von einem Nutzer, insbesondere einem Applikationsingenieur, vorgegeben werden, beispielsweise als ein starker Anstieg einer NOx-Emission bei gleichzeitig konstanter Motordrehzahl. In einem Ausführungsbeispiel charakterisiert zumindest eine Klasse das Vorhandensein einer hinreichenden Ähnlichkeit zu einer prototypischen Messdatenreihe, während eine weitere Klasse die Abwesenheit einer hinreichenden Ähnlichkeit charakterisiert. Alternativ oder zusätzlich charakterisiert zumindest eine Klasse eine (charakteristische) Art, bevorzugt eine Mehrzahl von Klassen je eine (charakteristische) Art, einer eintretenden Abweichung der Messdaten von einem erwarteten Verlauf. Insbesondere können mehrere Klassen eine hinreichende Ähnlichkeit zu mehreren prototypischen Messdatenreihen charakterisieren. Derart können unterschiedliche charakteristische, eintretenden Abweichung der Messdaten von einem erwarteten Verlauf unterschiedlichen Klassen zugeordnet werden. Beispielhaft kann eine Klasse A eine hinreichende Ähnlichkeit zu einer Messdatenreihe A charakterisieren, die einen hoher NOx-Anstieg bei gleichzeitig geringem CO-Anstieg charakterisiert, während eine Klasse B eine hinreichende Ähnlichkeit zu einer Messdatenreihe B charakterisiert, die einen hohen CO-Anstieg bei gleichzeitig geringem NOx-Anstieg charakterisiert und eine Klasse C das Ausbleiben / Nichtvorhandensein einer hinreichenden Ähnlichkeit zu beiden Messdatenreihen A bzw. B charakterisiert.
-
Es wird vorgeschlagen, dass in einer Ausführungsform des Verfahrens ein Ergebnis der Klassifizierung mittels einer Ausgabevorrichtung, insbesondere einer Ausgabevorrichtung einer das Verfahren durchführenden Computervorrichtung, ausgegeben wird. Unter einem „Ergebnis“ ist insbesondere die Klassifizierung an sich zu verstehen, d.h. eine Information, welche die zugeordnete Klasse(n) beschreibt. Beispielsweise ist denkbar, die Klassifizierung unter Verwendung einer taktilen, akustischen oder visuellen Ausgabevorrichtung, insbesondere der Computervorrichtung zugehörig, auszugeben. Insbesondere kann eine Ausgabe in grafischer Form unter Verwendung eines Bildschirms, insbesondere eines Bildschirms der Computervorrichtung, erfolgen. Alternativ oder zusätzlich kann eine Ausgabe der Klassifizierung unter Verwendung einer Datenkommunikationsvorrichtung an ein externes Gerät erfolgen. Es sei darauf hingewiesen, dass unter Anwendung des erfindungsgemäßen Verfahrens zur Klassifizierung, insbesondere in Kombination mit der Ausgabe der Klassifizierung, eintretende Abweichungen der Messdaten von einem erwarteten Verlauf, insbesondere bei sehr komplexen und nichtlinearen Effekte, die dem Zusammenspiel zahlreicher Messdaten der multivariaten Messdatenreihen zu Grunde liegen, der menschlichen Wahrnehmung des Bedieners vorteilhaft zugänglich werden. Vorteilhaft kann auf diese Weise schnell herausgefunden werden, ob der Motor vorgegebenen Kriterien, beispielsweise Abgasrichtwerten, entspricht oder Abweichungen von diesen aufzeigt. Fernern kann eine Art der Abweichung zügig erkannt werden.
-
Ferner wird vorgeschlagen, dass in einer Ausführungsform des Verfahrens die Klassifizierung der multivariaten Messdatenreihe an eine Steuervorrichtung ausgegeben wird, wobei mittels der Steuervorrichtung unter Verwendung des Ergebnisses der Klassifizierung eine Steuergröße zum Ansteuern eines physikalischen Aktors ermittelt wird. Eine Steuervorrichtung dient dabei der Steuerung, insbesondere dem Betrieb, eines physikalischen Aktors, beispielsweise durch Anwendung von Regelroutinen und/oder Steuerroutinen. Die Steuervorrichtung ist zumindest dazu vorgesehen, anhand der Klassifizierung eine weitere Verarbeitung der Information durchzuführen und derart die Klassifizierung in eine Steuergröße zum Ansteuern des Aktors zu übersetzen. Insbesondere kann die Steuervorrichtung auch eine Steuervorrichtung der das Verfahren zur Klassifizierung durchführenden Computervorrichtung darstellen. Dabei ist denkbar, dass der physikalische Aktor ebenfalls zur Computervorrichtung zugeordnet realisiert ist. Unter einem „Ergebnis“ ist insbesondere die Klassifizierung an sich zu verstehen, d.h. eine Information, welche die zugeordnete Klasse(n) beschreibt. Ein Aktor könnte beispielsweise durch eine Einspritzdüse, eine Drosselklappe, eine Pumpe oder dergleichen realisiert sein, die basierend auf der Klassifizierung von Ereignissen angesteuert wird.
-
In einer Ausführungsform des Verfahren ist die Steuervorrichtung durch eine Motorsteuervorrichtung realisiert und die multivariate Messdatenreihe wird während eines Betriebs eines durch die Motorsteuervorrichtung gesteuerten Motors aus Messdaten betreffend den Motor bereitgestellt. Messdaten betreffend den Motor können beispielsweise aus einer Liste gewählt sein, die zumindest umfasst: Messdaten eines Drehzahlmessers, Messdaten einer Lambdasonde, Messdaten eines Massenstromsensors, Messdaten eines Luftstromsensors, Messdaten eines CO-Sensors, Messdaten eines CO2-Sensors, Messdaten eines NOx-Sensors, oder dergleichen. Das somit angegebene Verfahren kann speziell auf Motorprüfstandsmessungen und/oder Rollenprüfstandsmessungen ausgerichtet sein.
-
Insbesondere im Zusammenhang mit einer Klassifizierung von multivariaten Messdatenreihen, bei denen die multivariaten Messdatenreihen während eines Betriebs eines, insbesondere durch eine Motorsteuervorrichtung gesteuerten, Motors aus Messdaten betreffend den Motor bereitgestellt werden, ergeben sich deutliche Vorteile gegenüber aus dem Stand der Technik bekannten Verfahren. In der Vergangenheit wurden die Messdaten als Grundlage der multivariaten Messdatenreihen im Rahmen von definierten Fahrzyklen auf einem Rollenprüfstand im Applikationsprozess erfasst. Auf Grund von sich ändernder Gesetzgebung, insbesondere betreffend einer Ermittlung von Realfahrtemissionen („Real Driving Emissions“), wird künftig jedoch eine Robustheit einer Motorapplikation anhand von Messfahrten unter realen Fahrbedingungen nachzuweisen sein. Dabei entstehen im Rahmen von Messfahrten unter realen Fahrbedingungen jedoch erheblich größere Mengen an Messdaten, die nicht mehr manuell analysiert und bewertet werden können. Ferner liegen bei Messfahrten im Straßenverkehr keine konstanten Umgebungsbedingungen wie auf einem Rollenprüfstand vor, sodass Messfahrten nicht reproduzierbar und auch nicht vergleichbar sind. Ein Vergleichsmaßstab zur Beurteilung der Güte einer Parametereinstellung der Motorsteuerung ist kaum gegeben. Derzeitige Ansätze aus dem Stand der Technik beruhen im Wesentlichen auf der Erfahrung der ausführenden Applikationsingenieure, wobei versucht wird, (möglichst) definierte Fahrmanöver auszuführen und anschließend in den multivariaten Messdatenreihen zumindest teilweise automatisiert nach Abweichung der Messdaten von einem erwarteten Verlauf zu suchen, d.h. insbesondere nach Ähnlichkeiten der Messdaten zu einer prototypischen Messdatenreihe. Sowohl die Fahrmanöver als auch mögliche Abweichung der Messdaten von einem erwarteten Verlauf (d.h. insbesondere Ähnlichkeiten zu prototypischen Messdatenreihen) werden derzeit in der Motorsteuerung jedoch entweder gar nicht oder lediglich in Form von einfachen physikalischen Modellen oder anhand einfacher Kennfeldstrukturen abgebildet. Diese Abbildungen basieren auf der Expertise der Applikationsingenieure und werden aufwändig - typischerweise regelbasiert unter Verwendung eines hochverzweigten Regelbaums - in der Motorsteuerung definiert. Ausgehend von diesem Stand der Technik sind Verfahren zur Klassifizierung sehr subjektiv (d.h. abhängig vom jeweils implementierenden Applikationsingenieurs). Ferner ist es nahezu unmöglich, die inzwischen sehr komplexen und nichtlinearen Effekte, die dem Zusammenspiel zahlreicher Messdaten der multivariaten Messdatenreihen zu Grunde liegen, mittels statischer Regeln zu definieren.
-
Das erfindungsgemäße Verfahren zur Klassifizierung einer bereitgestellten multivariaten Messdatenreihe mittels eines maschinellen Lernsystems ermöglicht es nunmehr, diese Nachteile des Standes der Technik zu beheben. Der Vorteil dieses Verfahrens ist, dass automatisiert und objektiv große Mengen an Messdatenreihen, wie sie beispielsweise bei Testfahrten erfasst werden, zügig klassifiziert und somit analysiert werden können. Insbesondere unter Ausgabe der Klassifizierung an eine Motorsteuerung und/oder unter Ausführung des Verfahrens durch eine Motorsteuerung kann ferner das Verfahren zur Klassifizierung zur automatischen Erkennung von komplexen Ereignissen - d.h. von Abweichungen der Messdaten von einem erwarteten Verlauf - verwendet werden. Insbesondere kann das Verfahren auch während des laufenden Betriebs eines Motors unter Erzeugung von den Motor beeinflussenden Motorsteuerbefehlen verwendet werden.
-
In einer Ausführungsform des Verfahrens zum Klassifizieren wird mittels des maschinellen Lernsystems eine Anzahl des Auftretens zumindest einer Klasse und/oder eine zeitliche Frequenz des Auftretens zumindest einer Klasse und/oder eine Verteilung des Auftretens der Klassen ermittelt. Auf diese Weise lässt sich beispielsweise visualisieren, wie oft Abweichungen (Ereignisse) und in welcher Form Abweichungen, insbesondere in einem bestimmten Zeitintervall, aufgetreten sind. Im Ausführungsbeispiel, in dem eine multivariate Messdatenreihe während eines Betriebs eines Motors aus Messdaten betreffend den Motor bereitgestellt wird, können ferner parallel durchgeführte Abgasmessungen Aufschluss darüber geben, wie sich die Abweichungen der Messdaten von einem erwarteten Verlauf ursächlich auf Emissionen des Motors auswirken. Basierend auf diesem Wissen kann im Applikationsprozess die Steuerung des Motors durch Veränderung von Parametern in der Motorsteuerung angepasst und/oder optimiert werden. Ferner lässt sich die Klassifizierung für die Steuerung des Motors im Rahmen der Motorsteuerung bei einem Fahrbetrieb nutzen. Beispielsweise kann in Abhängigkeit einer klassifizierten Abweichung der Messdaten von einem erwarteten Verlauf während eines Fahrtbetriebs durch entsprechende Anpassung der Applikationsparameter die Steuerung des Motors angepasst und/oder optimiert werden.
-
In einer Ausführungsform des Verfahrens umfasst das maschinelle Lernsystem zumindest einen Teil eines Enkodierers eines erzeugenden gegnerischen Netzwerks' (sogenannter „GAN“), wobei das erzeugende gegnerische Netzwerk' / der GAN den Enkodierer und einen Dekodierer umfasst und dazu angelernt wurde, eine multivariate Messdatenreihe mittels des Enkodierers auf ein Element eines Ergebnisraums abzubilden und mittels des Dekodierers abhängig von dem Element des Ergebnisraums zumindest eine künstliche multivariate Messdatenreihe zu erzeugen. Unter „zumindest einem Teil eines Enkodierers“ ist insbesondere zu verstehen, dass gegebenenfalls eine Architektur bzw. eine Struktur des Enkodierers zur Verwendung in dem maschinellen Lernsystem, insbesondere geringfügig, angepasst wird (beispielsweise ist denkbar, einige Neuronen oder Ausgänge anzupassen oder zu entfernen), wobei jedoch Gewichte bzw. eine Parametrisierung des Enkodierers (d.h. beispielsweise des zu Grunde liegenden neuronalen Netzes) größtenteils unverändert übernommen wird. Der „Ergebnisraum“ stellt ferner einen mathematischen Raum dar, der eine niedrigere Dimension aufweist als die Eingangsgröße des Enkodierers, d.h. als die multivariate Messdatenreihe. Der Ergebnisraum enthält Elemente aus dem Raum mit dieser niedrigeren Dimension, die die multivariate Messdatenreihe charakterisieren. Entsprechend kodiert der Enkodierer die Eingangsgröße der multivariaten Messdatenreihe unter Erzeugung eines niederdimensionaleren Elements des Ergebnisraumes, wobei der Dekodierer abhängig von der kodierten Eingangsgröße - d.h. abhängig vom niederdimensionaleren Element des Ergebnisraumes - die Ausgangsgröße des GAN ermittelt. Die Ausgangsgröße ist dabei eine künstlich erzeugte, insbesondere simulierte oder berechnete, multivariate Messdatenreihe. Die künstlich erzeugte multivariate Messdatenreihe sowie die Eingangsgröße der multivariaten Messdatenreihe sind sich dabei im Wesentlichen ähnlich. Mit anderen Worten erscheint die künstlich erzeugte multivariate Messdatenreihe ebenfalls so, als umfasste sie eine Mehrzahl von Messdaten, die jeweils mit unterschiedlichen Sensoren hätten bereitgestellt werden können. Insbesondere ist ebenfalls denkbar, ein die Ähnlichkeit charakterisierendes mathematisches Abstandsmaß zwischen der künstlich erzeugten multivariaten Messdatenreihe und der Eingangsgröße der multivariaten Messdatenreihe zu definieren, wobei das Abstandsmaß einen vorgebbaren Wert unterschreitet. Dieses Abstandsmaß kann beim Anlernen verwendet werden. Ferner kann der GAN eingerichtet sein, abhängig von einer Eingangsgröße eine Mehrzahl von künstlichen Messdatenreihen zu erzeugen. Der Vorteil ist, dass auf diese Weise eine prinzipiell beliebig große Menge von unterschiedlichen Messdatenreihen künstlich erstellt werden kann für dieselbe Klasse, aus der die Eingangsgröße stammt. Dies erlaubt, eine Variation der Trainingsdaten vorteilhaft zu erhöhen und das maschinelle Lernsystem derart besonders robust zu trainieren.
-
Alternativ sind auch andere Implementierungen denkbar, beispielsweise unter Verwendung eines „dilated convolution neural network“ (dilated CNN), eines Autoencoders, eines „recurrent neural network“ (RNN), eines „long short-term memory“ (LSTM) oder einer „Gated recurrent units“ (GRU).
-
Gemäß einem weiteren Aspekt der Erfindung wird ein Verfahren zum Anlernen des maschinellen Lernsystems vorgeschlagen, sodass das maschinelle Lernsystem zur Durchführung des vorgeschlagenen Verfahrens zur Klassifizierung einer bereitgestellten multivariaten Messdatenreihe eingerichtet und vorgesehen ist. Das Verfahren zum Anlernen weist zumindest folgende Verfahrensschritte auf:
- • Bereitstellen von Trainingsdaten umfassend Trainingseingangsdaten und zugeordneten Trainingsausgangsdaten, wobei die Trainingseingangsdaten, insbesondere reale, multivariate Messdatenreihen umfassen und wobei die Trainingsausgangsdaten jeweils den zugeordneten Trainingseingangsdaten eine von zumindest zwei Klassen zuordnen, wobei zumindest eine der Klassen eine eintretende Abweichung der Messdaten von einem erwarteten Verlauf charakterisiert (insbesondere eine hinreichende Ähnlichkeit zu einer prototypischen Messdatenreihe, siehe oben), insbesondere das Vorhandensein einer eintretenden Abweichung der Messdaten von dem erwarteten Verlauf und/oder eine Art einer, insbesondere charakteristischen, eintretenden Abweichung der Messdaten von einem erwarteten Verlauf charakterisiert,
- • Anlernen des maschinellen Lernsystems, wobei Parameter des maschinellen Lernsystems derart angepasst werden, dass das maschinelle Lernsystem abhängig von den angepassten Parametern und abhängig von den bereitgestellten Trainingseingangsdaten die jeweils zugeordneten Trainingsausgangsdaten ermittelt.
-
Das Verfahren zur Klassifizierung einer bereitgestellten multivariaten Messdatenreihe mittels eines maschinellen Lernsystems geht aus von einem maschinellen Lernsystem, das gemäß erfindungsgemäßem Verfahren zum Anlernen eines maschinellen Lernsystems angelernt wurde. Folglich kennzeichnen die folgenden, das Verfahren zum Anlernen beschreibende Merkmale ebenfalls das Verfahren zur Klassifizierung und können somit analog auf das Verfahren zur Klassifizierung bezogen werden. Beispielsweise bewirkt das Merkmal, dass das maschinelle Lernsystem zumindest einen Teil eines Enkodierers eines erzeugenden gegnerischen Netzwerks' (sogenannter „GAN“) umfasst, bezogen auf das Verfahren zum Anlernen den vorteilhaften Effekt, dass auf Grund des vorab erfolgten Anlernens für die Zwecke des GAN nun ein weiteres Anlernen für die Zwecke des maschinellen Lernsystems besonders effizient, aufwandsarm und somit besonders wirtschaftlich erfolgen kann. Insbesondere werden auf diese Weise deutlich weniger kostenintensive Anlernschritte benötigt.
-
In Folge der Bereitstellung von Trainingseingangsdaten ermittelt das maschinelle Lernsystem, insbesondere das neuronale Netz, aus diesen Daten einen ersten Ausgabewert. Dieser Ausgabewert wird im Anlernprozess einem Trainingssystem (beispielsweise einer Computervorrichtung) zugeführt, wobei das Trainingssystem hieraus eine Vorschrift zur Anpassung der Parameter ermittelt, welche vorgibt, welcher oder welche Parameter des maschinellen Lernsystems auf welche Weise einer Anpassung unterzogen werden soll(en), um eine präzisere Ermittlung der vorgegebenen Trainingsausgangsdaten zu ermöglichen. Im Falle eines neuronalen Netzes kann diese Anpassung durch Vorgabe erwarteter bzw. gewünschter Werte für den Ausgabewert und anschließende Rückwärts-Propagation erfolgen. Dabei kann das Anlernen des maschinellen Lernsystems unter Verwendung einer Differenzfunktion (Kostenfunktion, englisch „loss function“) durchgeführt werden, die insbesondere eine mathematische Differenz zwischen der berechneten Ausgabewerte und der Trainingsausgangsdaten charakterisiert, wobei die Differenzfunktion mittels eines Gradiententabstiegsverfahrens hinsichtlich der Parameter optimiert, insbesondere maximiert oder minimiert, wird. Die Parameter stellen, je nach Ausführung des neuronalen Netzes, beispielsweise Gewichte eines rekurrenten neuronalen Netzes oder Filter eines faltenden neuronalen Netzes dar. Ein Gradiententabstiegsverfahren ist dem Fachmann aus dem Stand der Technik bekannt.
-
In einer Ausführungsform des Verfahrens werden die Trainingseingangsdaten durch einen Nutzer bzw. Analysten bereitgestellt, insbesondere zusätzlich auch die zugehörigen Trainingsausgangsdaten zugeordnet. So ist in einem Ausführungsbeispiel denkbar, dass ein Nutzer oder ein Diskriminator abhängig von den Trainingseingangsdaten die Trainingseingangsdaten einer Klasse zuordnet, wobei das maschinelle Lernsystem abhängig von den Trainingsdaten angelernt wird. Beispielsweise kann ein Applikationsingenieur eine für ihn auffällige Abweichung der Messdaten von einem erwarteten Verlauf (Trainingseingangsdaten) erkennen und einer Klasse „Abweichung vorhanden“ und/oder einer Klasse „Abweichung Art D“ zuordnen. Ferner ist denkbar, dass im Rahmen des Verfahrens zum Anlernen dem Nutzer - hier dem Applikationsingenieur - aus den vorhandenen Trainingseingangsdaten, d.h. aus den bereitgestellten (realen) multivariaten Messdatenreihen Vorschläge für vergleichbare Abweichungen und/oder für Abweichungen vergleichbarer Art gemacht werden, die der Nutzer anschließend ebenfalls durch Zuordnen zu einer Klasse - beispielsweise ebenfalls zur Klasse „Abweichung vorhanden“ und/oder Klasse „Abweichung Art D“ oder allerdings zur Klasse „keine Abweichung“ - verifiziert bzw. falsifiziert und/oder „labelt“. Vorteilhaft ist, dass der Nutzer weniger häufig die Messdatenreihen bewerten muss, da das maschinelle Lernsystem basierend auf dem Nutzerverhalten die Messdatenreihen zuverlässig klassifizieren kann.
-
In einem Ausführungsbeispiel des Verfahrens kann das Vorgehen des Lernens wie folgt gestaltet sein. Zunächst gibt ein Nutzer, beispielsweise durch Markieren oder Auswählen, ein Ereignis vor (beispielsweise durch Auswählen eines Zeitfensters, in dem das Ereignis bereits in einer Messdatenreihe auftritt). Basierend auf dieser Auswahl soll das maschinelle Lernsystem ähnliche Ereignisse finden. Daraufhin werden mittels des Enkodierers Elemente im Ergebnisraum niedrigerer Dimension berechnet, wobei die Elemente die ausgewählten oder vorgegebenen Messdatenreihen und/oder weiteren Messdatenreihen, die mittels des Zeitfensters erzeugt werden (beispielsweise kann die gesamte Messdatenzeitreihe „gefenstert“ werden und somit zu jedem Zeitfenster ein Element im Ergebnisraum berechnet werden), charakterisieren. Die berechneten Elemente werden anschließend mittels eines mathematischen Abstandsmaßes hinsichtlich eines Abstandes zum vorgegebenen Ereignis sortiert und/oder gefiltert, sodass anschließend dem Nutzer Vorschläge für ähnliche Ereignisse (beispielsweise durch Anzeige entsprechender Fenster umfassend Messdatenreihen in Reihenfolge ihrer Ähnlichkeit zum vorgegebenen Ereignis) ausgegeben werden. Der Nutzer kann dann basierend auf den ausgegebenen Vorschlägen diejenigen Vorschläge markieren oder „labeln“, die tatsächlich eine gesuchte Ähnlichkeit zum vorgegebenen Ereignis, d.h. zur vorgegebenen Messdatenreihe, aufweisen. Basierend auf diesen nun markierten (selektierten) Vorschlägen kann anschließend das maschinelle Lernsystem weiter trainiert werden. In diesem Ausführungsbeispiel ist die konkrete Definition eines gesuchten Ereignisses durch den Nutzer, hier den Applikationsingenieur, möglich und somit prinzipiell abhängig vom Anwendungsfall vorgebbar und anpassbar.
-
Es sei angemerkt, dass zwischen „realen“ Trainingseingangsdaten - d.h. Trainingseingangsdaten umfassend „reale“ multivariate Messdatenreihen - und künstlichen Trainingseingangsdaten unterschieden werden kann. Trainingseingangsdaten umfassend „reale multivariate Messdatenreihen“ basieren dabei auf tatsächlich erfassten (d.h. gemessenen) Messdatenreihen, die eine Mehrzahl von Messdaten umfassen, die jeweils mit unterschiedlichen Sensoren bereitgestellt wurden. Entsprechende Sensoren wurden bereits beim Verfahren zur Klassifizierung vorgeschlagen. In einem Ausführungsbeispiel stellen die Trainingseingangsdaten reale multivariate Messdatenreihen aus Messdaten dar, die während eines Betriebs eines Motors aus Messdaten betreffend den Motor erfasst wurden oder erfasst werden.
-
Künstliche Trainingseingangsdaten bilden gemeinsam mit ggf. zugeordneten Trainingsausgangsdaten künstliche Trainingsdaten. In einer Ausführungsform des Verfahrens zum Anlernen werden - insbesondere zusätzlich zu oder anstelle von Trainingseingangsdaten, die insbesondere reale, multivariate Messdatenreihen umfassen, weitere, künstliche Trainingsdaten umfassend künstliche Trainingseingangsdaten erzeugt und zu den bereitgestellten Trainingsdaten hinzugefügt. Folglich wird dann das Verfahren zum Anlernen (insbesondere auch) mit diesen künstlichen Trainingsdaten durchgeführt. Auf diese Weise kann vorteilhaft ein Anlernen besonders effizient, aufwandsarm und somit besonders wirtschaftlich erfolgen. „Künstlich“ bedeutet dabei, dass die Trainingsdaten Messdatenreihen umfassen, die so auch von einem Messgerät, insbesondere einem Sensor, hätten erfasst worden sein können - jedoch kein Sensor zur Erfassung verwendet wurde.
-
In einer Ausführungsform des Verfahren zum Anlernen umfassen die künstlichen Trainingsdaten eine Mehrzahl von künstlichen Trainingseingangsdaten, wobei ein Nutzer oder Diskriminator, abhängig von den künstlichen Trainingseingangsdaten, die künstlichen Trainingseingangsdaten einer Klasse zuordnet, wobei das maschinelle Lernsystem zusätzlich abhängig von den künstlichen Trainingsdaten (umfassend die künstlichen Trainingseingangsdaten) angelernt wird, insbesondere vor- und/oder nachtraininert wird. Alternativ können die künstlichen Trainingsdaten auch zu den Trainingsdaten hinzugefügt werden und das maschinelle Lernsystem abhängig von diesen „erweiterten“ Trainingsdaten angelernt werden. Wie oben bereits beschrieben, ist denkbar, dass ein Nutzer, beispielsweise ein Applikationsingenieur, eine für ihn auffällige Abweichung der Messdaten einer künstlich erzeugten Messdatenreihe von einem erwarteten Verlauf (künstliche Trainingseingangsdaten) erkennt und einer Klasse „Abweichung vorhanden“ und/oder einer Klasse „Abweichung Art D“ zuordnet. Derart kann der Nutzer durch Zuordnen der künstlichen Trainingseingangsdaten zu einer Klasse - beispielsweise zur Klasse „Abweichung vorhanden“ und/oder Klasse „Abweichung Art C“ oder zur Klasse „keine Abweichung“ - eine vorgeschlagene Klassifizierung verifizieren bzw. falsifizieren und/oder „labeln“.
-
In einer Ausführungsform des Verfahrens zum Anlernen werden die künstlichen Trainingsdaten unter Verwendung eines Dekodierers aus einem erzeugenden gegnerischen Netzwerks' (GAN) erzeugt, wobei das erzeugende gegnerische Netzwerk' dazu angelernt wurde, eine multivariate Messdatenreihe mittels des Enkodierers auf ein Element eines Ergebnisraums abzubilden und mittels des Dekodierers aus dem Element des Ergebnisraums zumindest eine künstliche multivariate Messdatenreihe zu erzeugen. Bevorzugt wird der Dekodierer des bereits eingeführten erzeugenden gegnerischen Netzwerks' verwendet, aus dem bereits zumindest ein Teil des Enkodierers zur Realisierung des maschinellen Lernsystems verwendet wurde/wird. Insbesondere ist der Dekodierer dazu eingerichtet, mehr als 10 künstliche multivariate Messdatenreihen zu erzeugen, insbesondere mehr als 100 künstliche multivariate Messdatenreihen zu erzeugen, ganz insbesondere mehr als 1000 künstliche multivariate Messdatenreihen zu erzeugen. Die künstliche Erzeugung der Messdatenreihen kann durch Vorgeben von Elementen, insbesondere durch zufälliges Vorgeben von (statistisch ausgewählten) Elementen, erfolgen. Ferner ist denkbar, dass mittels eine weitern maschinellen Lernsystems durch Vorgabe einer Klasse die Elemente vorgeschlagen werden. Dabei ist vorteilhaft, dass neben den künstlich erzeugten Messdatenreihen dann auch gleich zugeordnete „Label“ der künstlichen Trainingsdaten vorliegen. Auf diese Weise können somit gezielt weitere Trainingsdaten erzeugt werden, mittels der die Trainingsdaten repräsentativ unter Abbildung realen Bedingungen erweitert werden können.
-
In einem Ausführungsbeispiel wird oder wurde die multivariate Messdatenreihe während eines Betriebs eines Motors aus Messdaten betreffend den Motor bereitgestellt oder aus, den Motor betreffenden, erzeugten Messdaten bereitgestellt wird.
-
Das Verfahren zum Anlernen kann in einer Ausführungsform des Verfahrens ausschließlich in Hardware implementiert sein. In einer alternativen Ausführungsform kann das Verfahren auch in Form von Software oder in einer Mischung aus Software und Hardware realisiert sein. Insbesondere kann das Verfahren ein computerimplementiertes Verfahren darstellen, das mittels einer Prozessorvorrichtung einer Computervorrichtung durchgeführt wird. Zur Durchführung des Verfahrens kann die Computervorrichtung ferner zumindest eine Speichervorrichtung aufweisen, in der das Verfahren als maschinenlesbares Computerprogramm hinterlegt ist.
-
In einem weiteren Aspekt der Erfindung wird das maschinelle Lernsystem, insbesondere das neuronale Netz, zur Durchführung des erfindungsgemäßen Verfahrens zur Klassifizierung einer bereitgestellten multivariaten Messdatenreihe vorgeschlagen. Das maschinelle Lernsystem wird insbesondere durch Ausführen des erfindungsgemäßen Verfahrens zum Anlernen des maschinellen Lernsystems erhalten.
-
In einem weiteren Aspekt wird ein Computerprogramm vorgeschlagen. Das Computerprogramm ist eingerichtet, eines der vorherigen genannten Verfahren auszuführen. Das Computerprogramm umfasst Anweisungen bzw. Befehle, die eine Computervorrichtung veranlassen, eines der genannten Verfahren mit all seinen Verfahrensschritten auszuführen, wenn das Computerprogramm auf der Computervorrichtung abläuft.
-
Ferner wird ein computerlesbares Speichermedium vorgeschlagen, auf welchem das Computerprogramm hinterlegt, insbesondere gespeichert, ist. Speichermedien an sich sind einem Fachmann dabei bekannt.
-
Des Weiteren wird eine Vorrichtung vorgeschlagen, die eingerichtet ist eines der beschriebenen Verfahren auszuführen. Insbesondere wird eine Computervorrichtung mit zumindest einer Prozessorvorrichtung und einer Speichervorrichtung vorgeschlagen, wobei auf der Speichervorrichtung Befehle hinterlegt sind, die beim Ausführen dieser durch die Prozessorvorrichtung bewirken, dass die Computervorrichtung eines der erfindungsgemäßen Verfahren ausführt. Insbesondere wird eine Computervorrichtung zum Klassifizieren einer bereitgestellten multivariaten Messdatenreihe vorgeschlagen. Unter einer „Prozessorvorrichtung“ soll insbesondere eine Vorrichtung verstanden werden, die zumindest einen Informationseingang, eine Informationsverarbeitungseinheit zur Bearbeitung sowie eine Informationsausgabe zur Weitergabe der bearbeiteten und/oder ausgewerteten Informationen aufweist. In einem Ausführungsbeispiel umfasst die Prozessorvorrichtung zumindest einen Prozessor. Eine „Speichervorrichtung“ dient dabei dazu, ein zur Durchführung eines der beschriebenen Verfahren notwendiges Computerprogramm für die Prozessorvorrichtung bereitzuhalten.
-
In einer Ausführungsform ist die Computervorrichtung als eine Steuervorrichtung, insbesondere als eine Steuervorrichtung eines Fahrzeugs und/oder eines Schiffs, ausgeführt. Alternativ oder zusätzlich ist die Computervorrichtung als Steuervorrichtung eines Motorprüfstands, eines Rollenprüfstands und/oder als eine Motorsteuerung ausgeführt.
-
Ferner wird vorgeschlagen, dass die Computervorrichtung zumindest eine Sensorvorrichtung aufweist, die dazu vorgesehen ist, der Prozessorvorrichtung zumindest eine multivariate Messdatenreihe bereitzustellen. Unter der Sensorvorrichtung ist dabei eine zuvor beschriebene Vorrichtung zum Messen und/oder Ermitteln von Messdaten für eine multivariate Messdatenreihe zu verstehen.
-
In einer Ausführungsform kann die Computervorrichtung zumindest eine Ausgabevorrichtung zur Ausgabe der Klassifizierung aufweisen. Eine entsprechende Ausgabevorrichtung wurde bereits beschrieben und kann in einem Ausführungsbeispiel als Bildschirm realisiert sein.
-
In einer Ausführungsform der Computervorrichtung, insbesondere der Steuervorrichtung, ist unter Verwendung der Klassifizierung eine Steuergröße zum Ansteuern eines physikalischen Aktors ermittelbar. Der physikalische Aktor kann dabei der Computervorrichtung zugehörig realisiert sein, beispielsweise intern oder extern zur Computervorrichtung, oder als eine weiteres, von der Computervorrichtung unabhängige Vorrichtung.
-
Abschließend wird ein Fahrzeug und/oder ein Schiff umfassend eine erfindungsgemäße Computervorrichtung vorgeschlagen.
-
Unter „vorgesehen“ und „eingerichtet“ soll im Folgenden speziell „programmiert“, „ausgelegt“, „konzipiert“ und/oder „ausgestattet“ verstanden werden. Darunter, dass ein Objekt zu einer bestimmten Funktion „vorgesehen“ ist, soll insbesondere verstanden werden, dass das Objekt diese bestimmte Funktion in zumindest einem Anwendungs- und/oder Betriebszustand erfüllt und/oder ausführt oder dazu ausgelegt ist, die Funktion zu erfüllen.
-
Zeichnungen
-
Die Erfindung ist anhand von in den Zeichnungen dargestellten Ausführungsbeispielen in der nachfolgenden Beschreibung näher erläutert. Die Zeichnung, die Beschreibung und die Ansprüche enthalten zahlreicher Merkmale in Kombination. Der Fachmann wird die Merkmale zweckmäßigerweise auch einzeln betrachten und zu sinnvollen weiteren Kombinationen zusammenfassen. Gleiche Bezugszeichen in den Figuren bezeichnen gleiche Elemente.
-
Es zeigen:
- 1 eine schematische Darstellung einer Ausführungsform eines Verfahrens zur Klassifizierung,
- 2 eine schematische Darstellung einer beispielhaften multivariaten Messdatenreihe,
- 3 eine schematische Darstellung einer Ausführungsform eines Verfahrens zum Anlernen,
- 4 eine schematische Darstellung einer Ausführungsform eines maschinellen Lernsystems in Form eines neuronalen Netzes,
- 5 eine schematische Darstellung einer Ausführungsform eines Systems zur Durchführung des Verfahrens zum Anlernen.
-
Beschreibung der Ausführungsbeispiele
-
In 1 ist ein Verfahren 100 zur Klassifizierung einer bereitgestellten multivariaten Messdatenreihe 50 mittels eines maschinellen Lernsystems 10 dargestellt. Das maschinelle Lernsystem 10 wurde angelernt, die Klassifizierung basierend auf der multivariaten Messdatenreihe 50 zu ermitteln. Eine multivariate Messdatenreihen 50 in diesem Ausführungsbeispiel umfasst Messdaten 52, die den Betrieb eines Aktors 20, hier eines Motors 20a, betreffend und beispielsweise während eines Betriebs des Motor 20a erfasst und bereitgestellt werden können. Zur Durchführung der Klassifizierung wird in einem ersten Verfahrensschritt 102 eine derartige multivariate Messdatenreihe 50 einer das Verfahren 100 ausführenden Computervorrichtung 12 bereitgestellt. Der Verfahrensschritt 102 des Bereitstellens umfasst in Unterverfahrensschritt 102a die Erzeugung einer multivariaten Messdatenreihe 50 durch Segmentierung einer multivariaten Messdatenzeitreihe 54 unter Verwendung eines Zeitfensters 56. Die Segmentierung wird dabei in diesem Ausführungsbeispiel durch die das Verfahren 100 ausführende Computervorrichtung 12 ausgeführt. Alternativ ist auch denkbar, die Segmentierung durch eine externe Computervorrichtung (hier nicht näher dargestellt) oder bereits durch eine die Messdatenzeitreihe 52 erzeugende Sensorvorrichtung 26 (vgl. 5) auszuführen. Abhängig von der bereitgestellten multivariaten Messdatenreihe 50 klassifiziert das maschinelle Lernsystem 10 die multivariate Messdatenreihe 50 in Verfahrensschritt 104. Dazu ordnet es die multivariate Messdatenreihe 50 zumindest einer von vier Klassen zu. Die Klassen sind dabei gegeben durch:
- - Klasse 1: Abweichung der multivariaten Messdatenreihe 50 von einem erwarteten Verlauf vorhanden
- - Klasse 2: Abweichung der multivariaten Messdatenreihe 50 von einem erwarteten Verlauf nicht vorhanden
- - Klasse 3: hoher NOx-Anstieg bei gleichzeitig geringem CO-Anstieg
- - Klasse 4: hoher CO-Anstieg bei gleichzeitig geringem NOx-Anstieg.
-
Anschließend wird in Verfahrensschritt 106 ein Ergebnis der Klassifizierung mittels einer Ausgabevorrichtung 14 (vgl. 4) an einen Nutzer sowie an eine Steuervorrichtung 16, hier insbesondere an eine Motorsteuervorrichtung 16a, ausgegeben. Eine Ausgabe kann dabei insbesondere unter Verwendung einer Datenkommunikationsvorrichtung 18 (vgl. 4) erfolgen. In Verfahrensschritt 108 wird mittels der Steuervorrichtung 16, insbesondere mittels der Motorsteuervorrichtung 16a, unter Verwendung des Ergebnisses der Klassifizierung eine Steuergröße zum Ansteuern eines physikalischen Aktors 20 ermittelt. In diesem Ausführungsbeispiel ist der physikalische Aktor der Motor 20a, der mittels der Motorsteuervorrichtung 16a gesteuert wird.
-
Das maschinelle Lernsystem 10 umfasst in diesem Ausführungsbeispiel ein faltendes neuronales Netz 30. Das neuronales Netz 30 und somit das maschinelle Lernsystem 10 umfasst zumindest einen Teil eines Enkodierers eines erzeugenden gegnerischen Netzwerks' (GAN), wobei das erzeugende gegnerische Netzwerk' den Enkodierer und einen Dekodierer umfasst und dazu angelernt wurde, eine multivariate Messdatenreihe 50 mittels des Enkodierers auf ein Element eines Ergebnisraums abzubilden und mittels des Dekodierers abhängig von dem Element des Ergebnisraums zumindest eine künstliche multivariate Messdatenreihe 50 zu erzeugen.
-
2 zeigt eine beispielhafte multivariate Messdatenreihe 50, die eine Mehrzahl von Messdaten 52, die jeweils mit unterschiedlichen Sensoren bereitgestellt wurden, umfasst. Die multivariate Messdatenreihe 50 wird während eines Betriebs des durch die Motorsteuervorrichtung 16a gesteuerten Motors 20a aus Messdaten 52 betreffend den Motor 20a bereitgestellt. Hier sind beispielhaft die Messdaten 52 mit der Bezeichnung „s1“ bis „sn“ dargestellt. Die Messdaten 52 könnten beispielsweise einen CO-Wert (s1), einen CO2-Wert (s2), einen NOx-Wert (s3), eine Motordrehzahl (s4) und dergleichen wiedergeben. Das Bereitstellen umfasst die Erzeugung der multivariaten Messdatenreihe 50 durch Segmentierung einer multivariaten Messdatenzeitreihe 54 unter Verwendung des Zeitfensters 56. Die Messdatenzeitreihe 54 bezeichnet dabei den aus einer kontinuierlichen oder zumindest fortlaufenden Erfassung von Messgrößen der Sensoren erzeugten Datenstrom.
-
3 zeigt ein Verfahrensdiagramm eines Verfahrens 200 zum computerimplementierten Anlernen des maschinellen Lernsystems 10, insbesondere des neuronalen Netzes 30. Das Verfahren 200 wird ausgeführt von einer Vorrichtung 70, insbesondere einer Computervorrichtung oder einem Trainingssystem 70a, wie sie in 4 dargestellt ist. Das Trainingssystem 70a lernt das maschinelle Lernsystem 10 an. Dabei werden in Verfahrensschritt 202 dem maschinellen Lernsystem 10, insbesondere dem neuronalen Netz 30, Trainingsdaten bereitgestellt (Eingangspfeil zum maschinellen Lernsystem 10 in 5). Die Trainingsdaten umfassen Trainingseingangsdaten und zugeordnete Trainingsausgangsdaten, wobei die Trainingseingangsdaten zunächst reale multivariate Messdatenreihen 50 umfassen und wobei die Trainingsausgangsdaten jeweils den zugeordneten Trainingseingangsdaten eine der zumindest vier vorgenannten Klassen zuordnen. In Verfahrensschritt 204 wird das maschinelle Lernsystem 10, insbesondere das neuronale Netz 30, angelernt. Beim Anlernen des maschinellen Lernsystems 10 werden die Parameter der jeweiligen Schichten 32 des neuronalen Netzes 30 derart angepasst, dass das maschinelle Lernsystem 10 abhängig von den angepassten Parametern und abhängig von den bereitgestellten Trainingseingangsdaten die jeweils zugeordneten Trainingsausgangsdaten ermittelt. Das maschinelle Lernsystem gibt dabei eine Ausgangsgröße an ein Trainierungsmodul 76 der Vorrichtung 70 aus (Ausgangspfeil vom maschinellen Lernsystem 10 in 5). Dabei kann das Anlernen des maschinellen Lernsystems 10 unter Verwendung einer Differenzfunktion (Kostenfunktion) durchgeführt werden, die insbesondere eine Differenz zwischen der berechneten Ausgangsgröße und der Trainingsausgangsdaten charakterisiert, wobei die Differenzfunktion mittels eines Gradiententabstiegsverfahrens hinsichtlich der Parameter durch das Trainierungsmodul 76 optimiert wird. In Verfahrensschritt 206 werden weitere, künstliche Trainingsdaten erzeugt und in Verfahrensschritt 208 zum weiteren Anlernen des maschinellen Lernsystems 10 bereitgestellt. Die künstlichen Trainingsdaten umfassen dabei eine Mehrzahl von künstlichen Trainingseingangsdaten, die künstlich erzeugte multivariate Messdatenreihen 50 umfassend, wobei die künstlich erzeugten multivariaten Messdatenreihen 50 ebenfalls den Aktor 20, insbesondere den Motor 20a, betreffende Messdaten 52 beinhalten. Die künstlichen Trainingsdaten werden in Verfahrensschritt 206 durch das Trainierungsmodul 76 unter Verwendung des Dekodierers aus dem oben eingeführten erzeugenden gegnerischen Netzwerks' (GAN) erzeugt. Ein Nutzer oder Diskriminator ordnet anschließend in Verfahrensschritt 210 abhängig von den künstlichen Trainingseingangsdaten diese jeweils zumindest einer der oben eingeführten vier Klassen zu. Abhängig von dieser Zuordnung wird dann das maschinelle Lernsystem 10, insbesondere das neuronale Netz 30, zusätzlich abhängig von den künstlichen Trainingsdaten umfassend die künstlichen Trainingseingangsdaten in Verfahrensschritt 212 angelernt (hier nachtraininert). Während des Anlernens werden Parameter des maschinellen Lernsystems 10, die in dem Speicher 74 hinterlegt sind, angepasst. Nachdem die Parameter derart optimiert wurden, werden diese in Verfahrensschritt 214 in dem computerlesbaren Speichermedium 74 hinterlegt. Abschließend wird das fertig angelernte maschinelle Lernsystem 10 umfassend die in dem computerlesbaren Speichermedium 74 hinterlegten Parameter in einem hier nicht näher dargestellten Verfahrensschritt einer Computervorrichtung 12 zugeordnet. Die Vorrichtung 70, insbesondere das Trainingssystem 70a, umfasst ferner eine Speichervorrichtung 22, auf der das Verfahren 200 zum Anlernen als Computerprogramm in Form von Befehlen hinterlegt ist, wobei die Befehle bei ihrer Ausführung durch die Vorrichtung 70 die Vorrichtung 70 veranlassen, das Verfahren 200 auszuführen. Ferner umfasst die Vorrichtung 70 eine Prozessorvorrichtung 24 zur Ausführung des Computerprogramms und somit des Verfahrens 200.
-
Die Computervorrichtung 12 umfasst ebenfalls zumindest eine Speichervorrichtung 22, auf der das maschinelle Lernsystem als Computerprogramm umfassend Befehle, welche bei ihrer Ausführung auf der Computervorrichtung 12 die Computervorrichtung 12 veranlassen, das Verfahren 100 auszuführen, hinterlegt ist. Ferner umfasst die Computervorrichtung 12 eine Prozessorvorrichtung 24 zur Ausführung des Computerprogramms und somit des Verfahrens 100. In dem dargestellten Ausführungsbeispiel der 4 ist die Computervorrichtung 12 als eine Steuervorrichtung 16, insbesondere als eine Motorsteuervorrichtung 16a, realisiert, die direkt mit einer Sensorvorrichtung 26 zur Erfassung und Bereitstellung von multivariaten Messdatenreihen 50 verbunden ist. Die Sensorvorrichtung 26 erfasst die multivariate Messdatenreihe 50 während eines Betriebs des durch die Motorsteuervorrichtung 16a gesteuerten Motors 20a aus Messdaten betreffend den Motor 20a.
-
5 zeigt eine schematische Darstellung des maschinellen Lernsystems 10, welches in diesem Ausführungsbeispiel durch ein neuronales Netz 30 gegeben ist. Das neuronale Netz 30 umfasst mehrere Schichten 32, die jeweils mittels Verbindungen 34 miteinander verkettet sind und die jeweils mehrere Neuronen 36 umfassen. Dem neuronalen Netz 30 wird dabei zumindest eine multivariate Messdatenreihe 50 als Eingangsgröße 38 bereitgestellt, wobei die multivariate Messdatenreihe 50 anschließend durch das neuronale Netz 30 propagiert wird. Das neuronale Netz 30 ermittelt dabei schichtweise abhängig von der Eingangsgröße 38 eine Ausgangsgröße 40. Hierfür ermittelt jede Schicht 32 abhängig von der ihr bereitgestellten Eingangsgröße 38 und abhängig von den Parametern dieser Schicht eine Ausgangsgröße 40. Die Ausgangsgröße 40 wird daraufhin durch die Verbindungen 34 an die weiteren Schichten 32 weitergeleitet. Die letzte Schicht 32a des Netzes 30 erlaubt das Ablesen der Klassifizierung, die basierend auf der eingegebenen multivariaten Messdatenreihe 50 berechnet wurde.
-
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 102005050577 A1 [0002]
