DE102020202092A1 - Computer-implemented method for identifying defects and / or defect patterns in objects to be tested - Google Patents
Computer-implemented method for identifying defects and / or defect patterns in objects to be tested Download PDFInfo
- Publication number
- DE102020202092A1 DE102020202092A1 DE102020202092.2A DE102020202092A DE102020202092A1 DE 102020202092 A1 DE102020202092 A1 DE 102020202092A1 DE 102020202092 A DE102020202092 A DE 102020202092A DE 102020202092 A1 DE102020202092 A1 DE 102020202092A1
- Authority
- DE
- Germany
- Prior art keywords
- objects
- rules
- knowledge graph
- test data
- checked
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Debugging And Monitoring (AREA)
Abstract
Computerimplementiertes Verfahren (100) zum Identifizieren von Fehlern und/oder Fehlermustern in zu prüfenden Objekten, wobei die zu prüfenden Objekte insbesondere Steuergeräte und/oder Bauteile davon umfassen, das Verfahren (100) umfassend die Schritte:Erstellen (110) eines Knowledge Graphs (KG) basierend auf Testdaten (D) der zu prüfenden Objekte;Ableiten (120) von Regeln (R) aus dem Knowledge Graph (KG).Computer-implemented method (100) for identifying errors and / or error patterns in objects to be checked, the objects to be checked in particular comprising control devices and / or components thereof, the method (100) comprising the steps of: creating (110) a knowledge graph (KG ) based on test data (D) of the objects to be checked; deriving (120) rules (R) from the knowledge graph (KG).
Description
Stand der TechnikState of the art
Die Offenbarung betrifft ein computerimplementiertes Verfahren zum Identifizieren von Fehlern und/oder Fehlermustern in zu prüfenden Objekten.The disclosure relates to a computer-implemented method for identifying defects and / or defect patterns in objects to be tested.
In der Produktentwicklung werden die entwickelnden Objekte während der Entwicklung und/oder am Ende der Entwicklung verschiedenen Tests und Prüfungen unterzogen. Das zu prüfende Objekt, engl. Device under Test (DUT), ist beispielsweise ein elektromechanisches Objekt, insbesondere ein Steuergerät und/oder Bauteile hiervon. Beispielsweise kann es sich bei einem solchen Test um einen Test zur Prüfung der elektromagnetischen Verträglichkeit (EMV) handeln.In product development, the objects to be developed are subjected to various tests and inspections during development and / or at the end of development. The object to be tested, engl. Device under test (DUT) is, for example, an electromechanical object, in particular a control device and / or components thereof. For example, such a test can be a test for checking electromagnetic compatibility (EMC).
Das Auswerten der Testdaten, insbesondere das Identifizieren von Fehlern und/oder Fehlermustern in den Testdaten, ist aufgrund der unter anderem sehr umfangreichen Datenmenge an Testdaten sehr zeitaufwändig und manuell kaum durchführbar.The evaluation of the test data, in particular the identification of errors and / or error patterns in the test data, is very time-consuming and can hardly be carried out manually due to the large amount of test data, among other things.
Offenbarung der ErfindungDisclosure of the invention
Die Offenbarung betrifft ein computerimplementiertes Verfahren zum Identifizieren von Fehlern und/oder Fehlermustern in zu prüfenden Objekten, wobei die zu prüfenden Objekte insbesondere Steuergeräte und/oder Bauteile davon umfassen, das Verfahren umfassend die Schritte:
- Erstellen eines Knowledge Graphs basierend auf Testdaten der zu prüfenden Objekte; Ableiten von Regeln aus dem Knowledge Graph.
- Creation of a knowledge graph based on test data of the objects to be tested; Deriving rules from the knowledge graph.
Es wird also vorgeschlagen, die Testdaten in einem Knowledge Graph strukturiert zu speichern und ausgehend von dem Knowledge Graph Regeln abzuleiten. Anhand dieser Regeln können dann Fehler bzw. Fehlermuster identifiziert werden.It is therefore proposed to store the test data in a structured manner in a knowledge graph and to derive rules based on the knowledge graph. Using these rules, errors or error patterns can then be identified.
Unter einem Knowledge Graph wird in wissensbasierten Systemen eine strukturierte Speicherung von Wissen in Form eines Knowledge Graphs verstanden. Knowledge Graphen umfassen Entitäten und geben Beziehungen zwischen Entitäten wieder.In knowledge-based systems, a knowledge graph is understood to be a structured storage of knowledge in the form of a knowledge graph. Knowledge graphs encompass entities and show relationships between entities.
Das Ableiten von Regeln aus einem Knowledge Graph ist beispielsweise beschrieben inThe derivation of rules from a knowledge graph is described, for example, in
Gemäß einer bevorzugten Ausführungsform umfassen die Testdaten Testergebnisse und/oder Eigenschaften der zu prüfenden Objekte. Die Testergebnisse umfassen beispielsweise zusätzlich Spezifikationen der durchgeführten Prüfungen. Die Eigenschaften der zu prüfenden Objekte umfassen beispielsweise Informationen über Art und Eigenschaft der zu prüfenden Objekte. Die Testdaten können beispielsweise in Textform vorliegen. Die Testdaten können vorteilhafterweise mit Fachkenntnissen und/oder Expertenwissen aus spezifischen Bereichen ergänzt werden.According to a preferred embodiment, the test data include test results and / or properties of the objects to be tested. The test results also include, for example, specifications of the tests carried out. The properties of the objects to be checked include, for example, information about the type and properties of the objects to be checked. The test data can be in text form, for example. The test data can advantageously be supplemented with specialist knowledge and / or expert knowledge from specific areas.
Das Erstellen des Knowledge Graphs kann beispielsweise manuell erfolgen. Insbesondere bei umfangreichen Testdaten kann es sich als vorteilhaft erweisen, wenn das Erstellen des Knowledge Graphs semi-automatisch oder automatisch erfolgt.The creation of the knowledge graph can be done manually, for example. In the case of extensive test data in particular, it can prove to be advantageous if the creation of the knowledge graph takes place semi-automatically or automatically.
Gemäß einer bevorzugten Ausführungsform ist vorgesehen, dass das Verfahren weiter umfasst: Erstellen eines Embedding Modells des Knowledge Graphs. Dies erweist sich als vorteilhaft, da der auf den Testdaten basierend erstellte Knowledge Graph zunächst unvollständig sein kann, und durch das Embedding Modell vervollständigt werden kann.
Gemäß einer bevorzugten Ausführungsform ist vorgesehen, dass das Verfahren weiter umfasst: Evaluieren von Regeln basierend auf dem Embedding Modell. Anhand des Embedding Modells können die aus dem Knowledge Graph abgeleiteten Regeln, insbesondere eine Qualität der Regeln, bewertet werden.According to a preferred embodiment it is provided that the method further comprises: evaluating rules based on the embedding model. Using the embedding model, the rules derived from the knowledge graph, in particular a quality of the rules, can be evaluated.
Gemäß einer bevorzugten Ausführungsform ist vorgesehen, dass das Verfahren weiter umfasst: Ausgeben von finalen Regeln.According to a preferred embodiment it is provided that the method further comprises: outputting final rules.
Gemäß einer bevorzugten Ausführungsform ist vorgesehen, dass finale Regeln Fehler und/oder Fehlermuster in zu prüfenden Objekten umfassen. Anhand dieser Fehler bzw. Fehlermuster kann dann vorteilhaft erklärt werden, warum bestimmte Tests bzw. Prüfungen bei bestimmten Objekten zu einem bestimmten Ergebnis geführt haben. Vorteilhafterweise können so durch das Ausgeben von finalen Regeln Gründe für das Scheitern bestimmter Tests bzw. Prüfungen an den betreffenden Objekten erkannt werden. Vorteilhafterweise kann in den finalen Regeln auch eine oder mehrere Ursache-Wirkungs-Beziehungen erkannt werden.According to a preferred embodiment, it is provided that final rules include errors and / or error patterns in objects to be checked. On the basis of these errors or error patterns, it can then be advantageously explained why certain tests or checks have led to a certain result for certain objects. Advantageously, by outputting final rules, reasons for the failure of certain tests or checks on the relevant objects can be recognized. Advantageously, one or more cause-effect relationships can also be recognized in the final rules.
Weitere bevorzugte Ausführungsformen beziehen sich auf eine Vorrichtung umfassend wenigstens einen Prozessor, wobei der Prozessor ausgebildet ist, das Verfahren gemäß den Ausführungsformen auszuführen.Further preferred embodiments relate to a device comprising at least one processor, the processor being designed to carry out the method according to the embodiments.
Weitere bevorzugte Ausführungsformen beziehen sich auf eine Verwendung eines Verfahrens gemäß den Ausführungsform und/oder einer Vorrichtung gemäß den Ausführungsformen zum Auswerten von Testdaten um Fehler und/oder Fehlermuster in den zu testenden Produkten zu identifizieren.Further preferred embodiments relate to a use of a method according to the embodiment and / or a device according to the embodiments for evaluating test data in order to identify errors and / or error patterns in the products to be tested.
Eine solche Verwendung bietet sich beispielsweise im Bereich der Produktentwicklung und/oder im Bereich der Materialwissenschaften an. Die Testdaten umfassen beispielsweise vorhandene Testdaten aus Prüfungen, die während der Produktentwicklung und/oder Endprüfung eines, insbesondere elektromechanischen Objektes, insbesondere während einer EMV-Prüfung, gewonnen wurden.Such a use is suitable, for example, in the area of product development and / or in the area of materials science. The test data include, for example, existing test data from tests that were obtained during product development and / or final testing of an object, in particular an electromechanical object, in particular during an EMC test.
Vorteilhafterweise können Fehler und/oder Fehlermuster in den zu testenden Objekten, und/oder um gemeinsame Fehler und/oder Fehlermuster in Produkten und/oder in Produktfamilien identifiziert werden.Advantageously, errors and / or error patterns in the objects to be tested and / or around common errors and / or error patterns in products and / or in product families can be identified.
Weitere Merkmale, Anwendungsmöglichkeiten und Vorteile der Erfindung ergeben sich aus der nachfolgenden Beschreibung von Ausführungsbeispielen der Erfindung, die in den Figuren der Zeichnung dargestellt sind. Dabei bilden alle beschriebenen oder dargestellten Merkmale für sich oder in beliebiger Kombination den Gegenstand der Erfindung, unabhängig von ihrer Zusammenfassung in den Patentansprüchen oder deren Rückbeziehung sowie unabhängig von ihrer Formulierung bzw. Darstellung in der Beschreibung bzw. in der Zeichnung.
-
1 eine schematische Übersicht eines Verfahrens gemäß einer Ausführungsform in einem Blockdiagramm; -
2 eine schematische Darstellung von Schritten eines Verfahrens gemäß einer Ausführungsform in einem Flussdiagramm, und -
3 eine schematische Darstellung von Schritten eines Verfahrens gemäß einer weiteren Ausführungsform in einem Flussdiagramm, und -
4 eine beispielhafte Darstellung eines Knowledge Graphs.
-
1 a schematic overview of a method according to an embodiment in a block diagram; -
2 a schematic representation of steps of a method according to an embodiment in a flowchart, and -
3 a schematic representation of steps of a method according to a further embodiment in a flowchart, and -
4th an exemplary representation of a knowledge graph.
Das Verfahren
- einen
Schritt 110 zum Erstellen eines Knowledge GraphsKG basierend auf TestdatenD der zu prüfenden Objekte, - und einen
Schritt 120 zum Ableiten von RegelnR aus dem Knowledge GraphKG .
- one
step 110 to create a knowledge graphKG based on test dataD. the objects to be checked, - and one
step 120 for deriving rulesR. from the Knowledge GraphKG .
Gemäß dem Verfahren
Der Knowledge Graph
Gemäß einer bevorzugten Ausführungsform umfassen die Testdaten
Das Erstellen
Gemäß einer bevorzugten Ausführungsform ist vorgesehen, dass das Verfahren weiter einen Schritt
Gemäß einer Ausführungsform umfasst das Verfahren weiter einen Schritt
Gemäß einer bevorzugten Ausführungsform ist vorgesehen, dass das Verfahren
Gemäß einer bevorzugten Ausführungsform ist vorgesehen, dass finale Regeln Rf Fehler und/oder Fehlermuster in zu prüfenden Objekten umfassen. Anhand dieser Fehler bzw. Fehlermuster kann dann vorteilhaft erklärt werden, warum bestimmte Tests bzw. Prüfungen bei bestimmten Objekten zu einem bestimmten Ergebnis geführt haben. Vorteilhafterweise können so durch das Ausgeben
Weitere bevorzugte Ausführungsformen beziehen sich auf eine Verwendung eines Verfahrens
Eine solche Verwendung bietet sich beispielsweise im Bereich der Produktentwicklung und/oder im Bereich der Materialwissenschaften an. Die Testdaten
Vorteilhafterweise können Fehler und/oder Fehlermuster in den zu testenden Objekten, und/oder um gemeinsame Fehler und/oder Fehlermuster in Produkten und/oder in Produktfamilien identifiziert werden.Advantageously, errors and / or error patterns in the objects to be tested and / or around common errors and / or error patterns in products and / or in product families can be identified.
Der Knowledge Graph
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION
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.This list of the documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte Nicht-PatentliteraturNon-patent literature cited
- Mohamed H. Gad-Elrab, Daria Stepanova, Jacopo Urbani, Gerhard Weikum. 2016 Exception-Enriched Rule Learning from Knowledge Graphs. International Semantic Web Conference (1) 2016: 234-251 [0008]Mohamed H. Gad-Elrab, Daria Stepanova, Jacopo Urbani, Gerhard Weikum. 2016 Exception-Enriched Rule Learning from Knowledge Graphs. International Semantic Web Conference (1) 2016: 234-251 [0008]
- Hai Dang Tran, Daria Stepanova, Mohamed H. Gad-Elrab, Francesca A. Lisi, Gerhard Weikum. 2019 [0009]Hai Dang Tran, Daria Stepanova, Mohamed H. Gad-Elrab, Francesca A. Lisi, Gerhard Weikum. 2019 [0009]
- Ein aus dem Stand der Technik bekanntes Embedding Modell ist beispielsweise TransE offenbart in Antoine Bordes, Nicolas Usunier, Alberto Garcia-Durän. 2013 [0012]An embedding model known from the prior art is, for example, TransE disclosed in Antoine Bordes, Nicolas Usunier, Alberto Garcia-Durän. 2013 [0012]
- Translating Embeddings for Modeling Multi-relational Data. In proceedings of NIPS, pages 2787-2795, 2013 [0012]Translating Embeddings for Modeling Multi-relational Data. In proceedings of NIPS, pages 2787-2795, 2013 [0012]
- Weitere Modelle sind beschrieben in Vinh Thinh Ho, Daria Stepanova, Mohamed Gad-Elrab, Evgeny Kharlamov, Gerhard Weikum. 2018 [0012, 0029]Further models are described in Vinh Thinh Ho, Daria Stepanova, Mohamed Gad-Elrab, Evgeny Kharlamov, Gerhard Weikum. 2018 [0012, 0029]
- Rule Learning from Knowledge Graphs guided by Embedding Models. International Semantic Web Conference (1), 2018: 72-90 [0012, 0014, 0029, 0031]Rule learning from knowledge graphs guided by embedding models. International Semantic Web Conference (1), 2018: 72-90 [0012, 0014, 0029, 0031]
- Gemäß einer bevorzugten Ausführungsform ist vorgesehen, dass der Schritt des Ableitens von Regeln einen iterativen Prozess zum Konstruieren von Regeln umfasst. Der iterative Prozess ist beispielsweise beschrieben in Vinh Thinh Ho, Daria Stepanova, Mohamed Gad-Elrab, Evgeny Kharlamov, Gerhard Weikum. 2018 [0014]According to a preferred embodiment it is provided that the step of deriving rules comprises an iterative process for constructing rules. The iterative process is described, for example, in Vinh Thinh Ho, Daria Stepanova, Mohamed Gad-Elrab, Evgeny Kharlamov, Gerhard Weikum. 2018 [0014]
-
Das Ableiten 120 von Regeln aus einem Knowledge Graph ist beispielsweise beschrieben in Mohamed H. Gad-Elrab, Daria Stepanova, Jacopo Urbani, Gerhard Weikum. 2016 Exception-Enriched Rule Learning from Knowledge Graphs. International Semantic Web Conference (1) 2016: 234-251 [0026]The
derivation 120 of rules from a knowledge graph is described, for example, in Mohamed H. Gad-Elrab, Daria Stepanova, Jacopo Urbani, and Gerhard Weikum. 2016 Exception-Enriched Rule Learning from Knowledge Graphs. International Semantic Web Conference (1) 2016: 234-251 [0026] - Ein aus dem Stand der Technik bekanntes Embedding Modell M ist beispielsweise TransE offenbart in Antoine Bordes, Nicolas Usunier, Alberto Garcia-Durän. 2013. Translating Embeddings for Modeling Multi-relational Data. In proceedings of NIPS, pages 2787-2795, 2013 [0029]An embedding model M known from the prior art is, for example, TransE disclosed in Antoine Bordes, Nicolas Usunier, Alberto Garcia-Durän. 2013. Translating Embeddings for Modeling Multi-relational Data. In proceedings of NIPS, pages 2787-2795, 2013 [0029]
- Gemäß einer bevorzugten Ausführungsform ist vorgesehen, dass der Schritt des Ableitens 120 von Regeln R einen iterativen Prozess zum Konstruieren von Regeln R umfasst. Solch ein iterativer Prozess ist beispielsweise beschrieben in Vinh Thinh Ho, Daria Stepanova, Mohamed Gad-Elrab, Evgeny Kharlamov, Gerhard Weikum. 2018 [0031]According to a preferred embodiment it is provided that the step of deriving 120 rules R comprises an iterative process for constructing rules R. Such an iterative process is described, for example, in Vinh Thinh Ho, Daria Stepanova, Mohamed Gad-Elrab, Evgeny Kharlamov, Gerhard Weikum. 2018 [0031]
Claims (10)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020202092.2A DE102020202092A1 (en) | 2020-02-19 | 2020-02-19 | Computer-implemented method for identifying defects and / or defect patterns in objects to be tested |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020202092.2A DE102020202092A1 (en) | 2020-02-19 | 2020-02-19 | Computer-implemented method for identifying defects and / or defect patterns in objects to be tested |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102020202092A1 true DE102020202092A1 (en) | 2021-08-19 |
Family
ID=77060710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020202092.2A Pending DE102020202092A1 (en) | 2020-02-19 | 2020-02-19 | Computer-implemented method for identifying defects and / or defect patterns in objects to be tested |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102020202092A1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4141595A1 (en) * | 2021-08-26 | 2023-03-01 | Siemens Aktiengesellschaft | Method for detecting the causes of anomalies affecting a physical product |
-
2020
- 2020-02-19 DE DE102020202092.2A patent/DE102020202092A1/en active Pending
Non-Patent Citations (12)
Title |
---|
Das Ableiten 120 von Regeln aus einem Knowledge Graph ist beispielsweise beschrieben in Mohamed H. Gad-Elrab, Daria Stepanova, Jacopo Urbani, Gerhard Weikum. 2016 Exception-Enriched Rule Learning from Knowledge Graphs. International Semantic Web Conference (1) 2016: 234-251 |
Ein aus dem Stand der Technik bekanntes Embedding Modell ist beispielsweise TransE offenbart in Antoine Bordes, Nicolas Usunier, Alberto Garcia-Durän. 2013 |
Ein aus dem Stand der Technik bekanntes Embedding Modell M ist beispielsweise TransE offenbart in Antoine Bordes, Nicolas Usunier, Alberto Garcia-Durän. 2013. Translating Embeddings for Modeling Multi-relational Data. In proceedings of NIPS, pages 2787-2795, 2013 |
Gemäß einer bevorzugten Ausführungsform ist vorgesehen, dass der Schritt des Ableitens 120 von Regeln R einen iterativen Prozess zum Konstruieren von Regeln R umfasst. Solch ein iterativer Prozess ist beispielsweise beschrieben in Vinh Thinh Ho, Daria Stepanova, Mohamed Gad-Elrab, Evgeny Kharlamov, Gerhard Weikum. 2018 |
Gemäß einer bevorzugten Ausführungsform ist vorgesehen, dass der Schritt des Ableitens von Regeln einen iterativen Prozess zum Konstruieren von Regeln umfasst. Der iterative Prozess ist beispielsweise beschrieben in Vinh Thinh Ho, Daria Stepanova, Mohamed Gad-Elrab, Evgeny Kharlamov, Gerhard Weikum. 2018 |
Hai Dang Tran, Daria Stepanova, Mohamed H. Gad-Elrab, Francesca A. Lisi, Gerhard Weikum. 2019 |
HO, Vinh Thinh, [et al.]: Rule learning from knowledge graphs guided by embedding models. In: International Semantic Web Conference. Springer, Cham, 2018. S. 72-90. (In der Beschreibung zitiert.) |
Mohamed H. Gad-Elrab, Daria Stepanova, Jacopo Urbani, Gerhard Weikum. 2016 Exception-Enriched Rule Learning from Knowledge Graphs. International Semantic Web Conference (1) 2016: 234-251 |
Rule Learning from Knowledge Graphs guided by Embedding Models. International Semantic Web Conference (1), 2018: 72-90 |
SHI, Dan [et al.]: Intelligent Electromagnetic Compatibility Management of Cell Phones by Using Knowledge Graphs. IEEE Transactions on Industrial Electronics, 2019, 66. Jg., Nr. 12, S. 9808-9816. |
Translating Embeddings for Modeling Multi-relational Data. In proceedings of NIPS, pages 2787-2795, 2013 |
Weitere Modelle sind beschrieben in Vinh Thinh Ho, Daria Stepanova, Mohamed Gad-Elrab, Evgeny Kharlamov, Gerhard Weikum. 2018 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4141595A1 (en) * | 2021-08-26 | 2023-03-01 | Siemens Aktiengesellschaft | Method for detecting the causes of anomalies affecting a physical product |
WO2023025431A1 (en) * | 2021-08-26 | 2023-03-02 | Siemens Aktiengesellschaft | Method for recognizing causes of anomalies in a physical product |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102013110786B4 (en) | Method for diagnosing an exhaust gas recirculation system | |
DE102014102551A1 (en) | Machine and method for evaluating failed software programs | |
DE102019133491A1 (en) | Device and method for leak detection in a hydraulic cylinder | |
DE102020115571A1 (en) | Digital double eco-system coupled with additive manufacturing as designed, as manufactured, as tested, as operated, as checked and as maintained | |
DE102020202092A1 (en) | Computer-implemented method for identifying defects and / or defect patterns in objects to be tested | |
DE102011086352A1 (en) | Method and diagnostic system to support guided troubleshooting in technical systems | |
DE102020208474A1 (en) | Measuring the sensitivity of classifiers based on interacting disturbances | |
DE102013206291A1 (en) | Method and apparatus for creating a non-parametric, data-based function model | |
DE102021200789A1 (en) | Computer-implemented method and device for manipulation detection for exhaust aftertreatment systems using artificial intelligence methods | |
DE102010044039A1 (en) | Method and device for quality analysis of system models | |
DE102020206327A1 (en) | Method and device for testing a technical system | |
DE102019219730A1 (en) | Method and device for model-based analysis | |
DE102020205394A1 (en) | Computer-implemented method and apparatus for creating a knowledge graph | |
DE102022101290B4 (en) | Fuel determination procedure | |
DE10137364A1 (en) | Method for sorting mass-produced components by evaluation of acoustic response shift in which an additional evaluation step is incorporated that improves sorting yield as certain deviations from standard are permitted | |
DE102021130149A1 (en) | Process for measuring photomasks for semiconductor lithography | |
DE102021207139A1 (en) | Computer-implemented method for simulating a technical system | |
DE102018201710A1 (en) | Method and device for checking a function of a neural network | |
DE102020214952A1 (en) | Method and device for determining a closing time of an injector of an internal combustion engine using a machine learning system | |
DE102022212019A1 (en) | Tank system and method for testing an isolating valve in a tank system | |
DE102022210131A1 (en) | Method and controller for generating additional data for training and/or validating an anomaly detector | |
DE102021212727A1 (en) | Method for generating training data for training a machine learning algorithm | |
DE102021201505A1 (en) | Method and device for testing a technical system | |
DE102022205715A1 (en) | Method for providing training data and test data for training a machine learning algorithm | |
DE102020215814A1 (en) | Determination of the image parts that are relevant for an image classifier using binary masks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified |