DE102021130947A1 - Method and device for calibrating a machine - Google Patents
Method and device for calibrating a machine Download PDFInfo
- Publication number
- DE102021130947A1 DE102021130947A1 DE102021130947.6A DE102021130947A DE102021130947A1 DE 102021130947 A1 DE102021130947 A1 DE 102021130947A1 DE 102021130947 A DE102021130947 A DE 102021130947A DE 102021130947 A1 DE102021130947 A1 DE 102021130947A1
- Authority
- DE
- Germany
- Prior art keywords
- digital image
- machine
- state
- calibration
- depending
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
Verfahren und Vorrichtung (100) zur Kalibrierung einer insbesondere elektrischen Maschine (102), dadurch gekennzeichnet, dass die Vorrichtung eine Steuereinrichtung (104) zum Ansteuern der Maschine (102) gemäß Parametern einer Kalibrierung, eine Erfassungseinrichtung (106) zum Erfassen eines Ist-Zustandes der Maschine (102) und eine Berechnungseinrichtung (108) zum Berechnen von Parametern zur Kalibrierung der Maschine (102) umfasst, die ausgebildet sind zusammenzuwirken, um das Verfahren auszuführen.Method and device (100) for calibrating an electric machine (102), in particular, characterized in that the device has a control device (104) for controlling the machine (102) according to parameters of a calibration, a detection device (106) for detecting an actual state of the machine (102) and a calculation device (108) for calculating parameters for calibrating the machine (102), which are designed to cooperate in order to carry out the method.
Description
Die Erfindung geht von einem Verfahren und einer Vorrichtung zur Kalibrierung einer Maschine aus.The invention is based on a method and a device for calibrating a machine.
Das Erlernen einer Kalibrierung aus Pixeln von Bildern ist sehr zeitaufwändig und ineffizient.Learning a calibration from pixels of images is very time consuming and inefficient.
Ein Verfahren zur Kalibrierung einer insbesondere elektrischen Maschine sieht vor, dass die Maschine abhängig von Parametern einer ersten Kalibrierung angesteuert wird, wobei ein erstes digitales Bild bestimmt wird, dessen Pixel eine Abweichung eines Ist-Zustandes der Maschine, der sich einstellt, wenn die Maschine abhängig von den Parametern der ersten Kalibrierung angesteuert wird, von einem Soll-Zustand der Maschine repräsentieren, wobei der Ist-Zustand mit einer mathematischen Operation auf einen ersten augmentierten Zustand der Maschine abgebildet wird, wobei ein zweites digitales Bild bestimmt wird, dessen Pixel eine Abweichung des ersten augmentierten Zustands vom Soll-Zustand repräsentieren, wobei eine Repräsentation des ersten digitalen Bildes in einem Vektorraum bestimmt wird, wobei eine Repräsentation des zweiten digitalen Bildes im Vektorraum bestimmt wird, wobei abhängig von einem Abstand der Repräsentationen im Vektorraum und abhängig von einem Unterschied zwischen wenigstens einem Pixel des ersten digitalen Bildes und einer Soll-Größe dafür, eine Belohnung bestimmt wird, die einen ersten Anteil umfasst, der für einen ersten Abstand größer ist als für einen demgegenüber größeren zweiten Abstand, und die einen zweiten Anteil umfasst, der für einen ersten Unterschied größer ist als für einen demgegenüber größeren zweiten Unterschied, wobei abhängig von der Belohnung und von wenigstens einem Pixel des digitalen Bildes eine Aktion, insbesondere eine mathematische Operation, bestimmt wird, wobei abhängig von der Aktion eine zweite Kalibrierung bestimmt wird, die gegenüber der ersten Kalibrierung wenigstens einen durch die Aktion veränderten Parameter umfasst. Dadurch wird die Kalibrierung ausgehend von Pixeln sehr zeiteffizient erlernt. Zudem ermöglicht dieses Verfahren die simultane Anwendung von selbstüberwachtem Lernen und bestärkendem Lernen.A method for calibrating a particular electrical machine provides that the machine is controlled depending on parameters of a first calibration, with a first digital image being determined whose pixels are a deviation from an actual state of the machine that occurs when the machine is dependent controlled by the parameters of the first calibration, represent a target state of the machine, with the actual state being mapped onto a first augmented state of the machine using a mathematical operation, with a second digital image being determined, the pixels of which represent a deviation of the represent the first augmented state from the target state, a representation of the first digital image being determined in a vector space, a representation of the second digital image being determined in vector space, being dependent on a distance between the representations in vector space and dependent on a difference between at least a pixel of the first digital image and a target size for it, a reward is determined, which includes a first portion that is greater for a first distance than for a second distance that is greater than that, and which includes a second portion that is greater for a first Difference is greater than for a second difference that is larger in comparison, an action, in particular a mathematical operation, being determined depending on the reward and at least one pixel of the digital image, a second calibration being determined depending on the action, which is compared to the first Calibration comprises at least one parameter changed by the action. As a result, the calibration based on pixels is learned in a very time-efficient manner. In addition, this method enables the simultaneous use of self-supervised learning and reinforcement learning.
Vorzugsweise wird ein drittes digitales Bild bestimmt, dessen Pixel eine Abweichung eines Ist-Zustand der Maschine, der sich einstellt, wenn die Maschine abhängig von Parametern einer zweiten Kalibrierung angesteuert wird, vom Soll-Zustand repräsentieren, oder wobei ein Ist-Zustand der Maschine, der sich einstellt, wenn die Maschine abhängig von Parametern einer zweiten Kalibrierung angesteuert wird, mit einer mathematischen Operation auf einen zweiten augmentierten Zustand abgebildet wird, und wobei ein drittes digitales Bild bestimmt wird, dessen Pixel eine Abweichung des zweiten augmentierten Zustands vom Soll-Zustand repräsentieren, wobei ein künstliches neuronales Netzwerk abhängig von einem Label für das erste digitale Bild, vom ersten digitalen Bild, vom zweiten digitalen Bild und vom dritten digitalen Bild trainiert wird, wobei ein Optimierungsproblem gelöst wird, das abhängig von einer Gütefunktion definiert ist, die eine Summe eines mit dem Label gewichteten Abstandes zwischen dem ersten digitalen Bild und dem zweiten digitalen Bild und eines mit dem Label gewichteten Abstandes zwischen dem ersten digitalen Bild und dem dritten digitalen Bild umfasst. Das Label kennzeichnet, das erste digitale Bild als originales Bild. Das zweite digitale Bild ist ein positives Beispiel, das dritte digitale Bild ist ein negatives Beispiel. Das bedeutet, das künstliche neuronale Netzwerk wird selbstüberwacht dazu trainiert, das zweite digitale Bild als positives Beispiel zu erkennen.A third digital image is preferably determined, the pixels of which represent a deviation of an actual state of the machine, which occurs when the machine is controlled depending on parameters of a second calibration, from the desired state, or where an actual state of the machine which occurs when the machine is controlled depending on parameters of a second calibration, is mapped to a second augmented state using a mathematical operation, and a third digital image is determined, the pixels of which represent a deviation of the second augmented state from the target state , wherein an artificial neural network is trained depending on a label for the first digital image, the first digital image, the second digital image and the third digital image, solving an optimization problem defined depending on a merit function that is a sum a label-weighted distance between the first digital image and the second digital image; and a label-weighted distance between the first digital image and the third digital image. The label identifies the first digital image as an original image. The second digital image is a positive example, the third digital image is a negative example. This means that the artificial neural network is trained in a self-monitoring manner to recognize the second digital image as a positive example.
Es kann vorgesehen sein, dass die Soll-Größe eine Farbe eines Pixels nummerisch repräsentiert, wobei der Unterschied zwischen einer nummerischen Repräsentation der Farbe des wenigstens einen Pixels des ersten digitalen Bildes und der Soll-Größe dafür bestimmt wird. Dadurch sind Methoden des contrastive learning, insbesondere der SimCLR oder MoCo Algorithmus, besonders gut einsetzbar.Provision can be made for the target size to numerically represent a color of a pixel, with the difference being determined between a numerical representation of the color of the at least one pixel of the first digital image and the target size for it. As a result, methods of contrastive learning, in particular the SimCLR or MoCo algorithm, can be used particularly well.
Vorzugsweise wird abhängig von der Belohnung und von wenigstens einem Pixel des ersten digitalen Bildes und dem Wert der Gütefunktion eine Strategie zur Bestimmung der Aktion gelernt. Die Strategie wird beispielsweise von einem Agenten des bestärkenden Lernens eingesetzt, um basierend auf einem Ist-Zustand die von der Strategie vorgegebene Aktion auszulösen.A strategy for determining the action is preferably learned depending on the reward and at least one pixel of the first digital image and the value of the merit function. The strategy is used, for example, by an agent of reinforcement learning in order to trigger the action specified by the strategy based on an actual state.
Vorzugsweise werden in Iterationen für unterschiedliche Kalibrierungen verschiedene erste digitale Bilder bestimmt, wobei in einer Iteration ein positiver Anteil der Belohnung bestimmt wird, wenn der Unterschied zwischen dem wenigstens einen Pixel des ersten digitalen Bildes aus dieser Iteration und der Soll-Größe dafür kleiner ist, als der zwischen dem wenigstens einen Pixel des ersten digitalen Bildes aus einer dieser Iteration vorangehenden Iteration und der Soll-Größe dafür, und wobei anderenfalls ein negativer Anteil der Belohnung bestimmt wird. Diese Iterationen stellen Schleifen einer Optimierung dar. Der Agent ändert die Parameter zur Kalibrierung der Regellogik für die Maschine beispielsweise bis ein optimales Ergebnis der Optimierung erreicht wird.Different first digital images are preferably determined in iterations for different calibrations, with a positive portion of the reward being determined in one iteration if the difference between the at least one pixel of the first digital image from this iteration and the target size for it is less than that between the at least one pixel of the first digital image from an iteration preceding that iteration and the target size therefor, and otherwise determining a negative portion of the reward. These iterations represent loops of an optimization. The agent changes the parameters for calibrating the control logic for the machine, for example, until an optimal result of the optimization is achieved.
Es kann vorgesehen sein, dass die Iterationen wiederholt werden, bis der Unterschied zwischen den Pixeln des ersten digitalen Bildes und den Soll-Größen dafür kleiner als ein Schwellwert ist. Dadurch wird die Kalibrierung gestoppt, weil das Kalibrierungsziel erreicht ist.Provision can be made for the iterations to be repeated until the difference between the pixels of the first digital image and the target sizes for them is less than a threshold value is. This will stop the calibration because the calibration target has been reached.
Die Bilder, deren Pixel die Abweichung des Ist-Zustand der Maschine, der sich einstellt, wenn die Maschine abhängig von Parametern der jeweiligen Kalibrierungen angesteuert wird, und/oder die jeweilige Kalibrierung werden vorzugsweise in einem Speicher gespeichert. Der Speicher stellt einen replay buffer dar, in dem die Ergebnisse der Kalibrierungen gesammelt werden.The images, the pixels of which reflect the deviation from the actual state of the machine, which occurs when the machine is controlled depending on parameters of the respective calibration, and/or the respective calibration are preferably stored in a memory. The memory represents a replay buffer in which the results of the calibrations are collected.
Die Vorrichtung zur Kalibrierung der insbesondere elektrischen Maschine umfasst eine Steuereinrichtung zum Ansteuern der Maschine gemäß Parametern einer Kalibrierung, eine Erfassungseinrichtung zum Erfassen eines Ist-Zustandes der Maschine und eine Berechnungseinrichtung zum Berechnen von Parametern zur Kalibrierung der Maschine, die ausgebildet sind zusammenzuwirken, um das Verfahren auszuführen.The device for calibrating the electric machine in particular comprises a control device for controlling the machine according to parameters of a calibration, a detection device for detecting an actual state of the machine and a calculation device for calculating parameters for calibrating the machine, which are designed to interact in order to implement the method to execute.
Es kann vorgesehen sein, dass die Steuereinrichtung ausgebildet ist, die Maschine abhängig von Parametern der ersten Kalibrierung anzusteuern, wobei die Erfassungseinrichtung ausgebildet ist, den Ist-Zustandes der Maschine zu erfassen, der sich einstellt, wenn die Maschine abhängig von den Parametern der ersten Kalibrierung angesteuert wird, wobei die Berechnungseinrichtung ausgebildet ist, das erste digitale Bild zu bestimmen, dessen Pixel die Abweichung des Ist-Zustandes der Maschine vom Soll-Zustand der Maschine repräsentieren, den Ist-Zustand mit der mathematischen Operation auf den ersten augmentierten Zustand der Maschine abzubilden, ein zweites digitales Bild zu bestimmen, dessen Pixel die Abweichung des ersten augmentierten Zustands vom Soll-Zustand repräsentieren, die Repräsentation des ersten digitalen Bildes in einem Vektorraum zu bestimmen, die Repräsentation des zweiten digitalen Bildes im Vektorraum zu bestimmen, und abhängig vom Abstand der Repräsentationen im Vektorraum und abhängig vom Unterschied zwischen dem wenigstens einen Pixel des ersten digitalen Bildes und der Soll-Größe dafür, die Belohnung zu bestimmen, die den ersten Anteil umfasst, der für den ersten Abstand größer ist als für den demgegenüber größeren zweiten Abstand, und die den zweiten Anteil umfasst, der für den ersten Unterschied größer ist als für den demgegenüber größeren zweiten Unterschied, abhängig von der Belohnung und vom wenigstens einen Pixel des ersten digitalen Bildes die Aktion, insbesondere die mathematische Operation, zu bestimmen, abhängig von der Aktion die zweite Kalibrierung zu bestimmen, die gegenüber der ersten Kalibrierung den wenigstens einen durch die Aktion veränderten Parameter umfasst.It can be provided that the control device is designed to control the machine depending on parameters of the first calibration, the detection device being designed to detect the actual state of the machine that occurs when the machine depends on the parameters of the first calibration is controlled, the calculation device being designed to determine the first digital image, the pixels of which represent the deviation of the actual state of the machine from the target state of the machine, to map the actual state to the first augmented state of the machine using the mathematical operation , to determine a second digital image, the pixels of which represent the deviation of the first augmented state from the target state, to determine the representation of the first digital image in a vector space, to determine the representation of the second digital image in vector space, and depending on the distance of the Representations in vector space and dependent on the difference between the at least one pixel of the first digital image and the target size for determining the reward, which includes the first proportion that is greater for the first distance than for the second distance, which is greater in comparison, and which includes the second portion, which is greater for the first difference than for the second difference, which is greater in comparison, to determine the action, in particular the mathematical operation, depending on the reward and the at least one pixel of the first digital image, depending on the action the to determine a second calibration, which comprises the at least one parameter changed by the action compared to the first calibration.
Weitere vorteilhafte Ausführungsformen sind der folgenden Beschreibung und der Zeichnung entnehmbar. In der Zeichnung zeigt:
-
1 eine Vorrichtung zur Kalibrierung einer Maschine, -
2 Schritte in einem Verfahren zur Kalibrierung der Maschine.
-
1 a device for calibrating a machine, -
2 Steps in a machine calibration procedure.
In
Die Vorrichtung 100 umfasst eine Steuereinrichtung 104 zum Ansteuern der Maschine 102, eine Erfassungseinrichtung 106 zum Erfassen eines Ist-Zustandes der Maschine 102 und eine Berechnungseinrichtung 108 und einen Speicher 110.The
Die Berechnungseinrichtung 108 ist zum Berechnen von Parametern 112 zur Kalibrierung der Maschine 102 ausgebildet.The
Die Steuereinrichtung 104 ist zum Ansteuern der Maschine 102 gemäß den Parametern 112 der Kalibrierung ausgebildet.The
Im Beispiel ist die Maschine 102 eine elektrische Maschine. Es kann sich auch um eine Verbrennungsmaschine handeln.In the example, the
Die Steuereinrichtung 104, die Erfassungseinrichtung 106 und die Berechnungseinrichtung 108 sind ausgebildet zusammenzuwirken, um das im Folgenden beschriebene Verfahren auszuführen.The
Die Erfassungseinrichtung 106 ist ausgebildet, den Ist-Zustandes der Maschine 102 zu erfassen, der sich einstellt, wenn die Maschine 102 abhängig von den Parametern 112 der Kalibrierung angesteuert wird. Die Ist- und Soll-Zustände sind beispielsweise durch an der Maschine 102 mit Sensoren erfassbare physikalische Größen definiert, insbesondere durch eine elektrische Last, eine Drehzahl, ein Drehmoment, eine Leistungsaufnahme oder -abgabe, einen Strom. Die Erfassungseinrichtung 106 ist z.B. ausgebildet, diese zu messen oder aus an der Maschine 102 gemessenen Größen zu bestimmen.The
Die Berechnungseinrichtung 108 ist ausgebildet, einen Soll-Zustand der Maschine 102 vorzugeben.
Die Berechnungseinrichtung 108 ist ausgebildet, ein erstes digitales Bild 114 zu bestimmen. Die Berechnungseinrichtung 108 ist im Beispiel ausgebildet das erstes digitales Bild 114 abhängig vom Ist-Zustand zu bestimmen. Im ersten Bild 114 repräsentieren Pixel eine jeweilige Abweichung des Ist-Zustandes der Maschine 102 vom Soll-Zustand der Maschine 102.The
Die Berechnungseinrichtung 108 ist ausgebildet den Ist-Zustand mit einer mathematischen Operation auf einen ersten augmentierten Zustand 116 der Maschine 102 abzubilden. Die Berechnungseinrichtung 108 ist ausgebildet, ein zweites digitales Bild 118 zu bestimmen, dessen Pixel die Abweichung des ersten augmentierten Zustands vom Soll-Zustand repräsentieren.The
Die Berechnungseinrichtung 108 ist ausgebildet, eine Repräsentation des ersten digitalen Bildes 114 in einem Vektorraum zu bestimmen. Die Berechnungseinrichtung 108 ist ausgebildet, eine Repräsentation des zweiten digitalen Bildes 118 im Vektorraum zu bestimmen. Die Berechnungseinrichtung 108 umfasst beispielsweise ein künstliches neuronales Netzwerk, das einen ersten Teil umfasst, der dazu ausgebildet ist, die Repräsentation des ersten digitalen Bildes 114 im Vektorraum zu bestimmen und einen zweiten Teil umfasst, der dazu ausgebildet ist, die Repräsentation des zweiten digitalen Bildes 118 im Vektorraum zu bestimmen. Die Berechnungseinrichtung 108 ist ausgebildet, einen Abstand der Repräsentationen im Vektorraum zu bestimmen. Im Beispiel ist das künstliche neuronale Netzwerk dazu ausgebildet, den Abstand der Repräsentationen im Vektorraum zu bestimmen.The
Die Berechnungseinrichtung 108 ist ausgebildet, eine Soll-Größe für wenigstens ein Pixel des ersten digitalen Bildes 114 vorzugeben. Im Beispiel wird je Pixel des ersten digitalen Bildes 114 eine Soll-Größe vorgegeben. Die Soll-Größe gibt im Beispiel eine Farbe des Pixels an. Die Berechnungseinrichtung 108 ist beispielsweise ausgebildet, einen Soll-Zustand der Maschine 102 auf die Soll-Größen für die Pixel abzubilden.The
Die Berechnungseinrichtung 108 ist ausgebildet, einen Unterschied zwischen wenigstens einem Pixel des ersten digitalen Bildes 114 und seiner Soll-Größe zu bestimmen. Im Beispiel wird der Unterschied für die Pixel des ersten digitalen Bildes 114 und ihren Soll-Größen bestimmt.The
Die Berechnungseinrichtung 108 ist ausgebildet, abhängig vom Abstand der Repräsentationen im Vektorraum und abhängig vom Unterschied für wenigstens eines der Pixel des ersten digitalen Bildes 114, eine Belohnung zu bestimmen. Im Beispiel wird die Belohnung abhängig von den Unterschieden zwischen den Pixeln des ersten digitalen Bildes 114 und ihren Soll-Größen bestimmt.The
Die Belohnung umfasst einen ersten Anteil und einen zweiten Anteil. Der erste Anteil ist für einen ersten Abstand größer als für einen demgegenüber größeren zweiten Abstand. Dadurch wird die Belohnung größer, wenn der Abstand zwischen dem ersten digitalen Bild und dem zweiten digitalen Bild kleiner wird. Der zweite Anteil ist für einen ersten Unterschied größer ist als für einen demgegenüber größeren zweiten Unterschied. Dadurch wird die Belohnung größer, wenn die Pixel sich weniger von ihren Soll-Größen unterscheiden.The reward includes a first portion and a second portion. The first component is greater for a first distance than for a second distance that is greater in comparison. As a result, the reward increases as the distance between the first digital image and the second digital image decreases. The second component is greater for a first difference than for a second difference that is larger in comparison. This increases the reward when the pixels differ less from their target sizes.
Die Berechnungseinrichtung 108 ist ausgebildet eine Aktion zu bestimmen, mit der wenigstens einer der Parameter 112 der Kalibrierung verändert wird. Die Aktion wird abhängig von der Belohnung und abhängig von wenigstens einem Pixel des ersten digitalen Bildes 114 bestimmt. Die Aktion ist im Beispiel eine mathematische Operation, mit der der wenigstens eine der Parameter 112 verändert wird. Diese mathematische Operation ist beispielsweise eine Multiplikation, eine Division, eine Addition oder eine Subtraktion mit einem Wert. Andere Operationen, z.B. eine Funktion sind ebenfalls möglich.The
Die Berechnungseinrichtung 108 ist ausgebildet, abhängig von der Aktion eine neue Kalibrierung zu bestimmen, die gegenüber der vorherigen Kalibrierung den wenigstens einen durch die Aktion veränderten Parameter umfasst.The
Die Berechnungseinrichtung 104 ist im Beispiel für ein Training des künstlichen neuronalen Netzwerks ausgebildet.In the example, the
Die Berechnungseinrichtung 104 ist in einem Beispiel ausgebildet, ein Ist-Zustand der Maschine 102 zu erfassen, der sich einstellt, wenn die Maschine 102 abhängig von Parametern 112 einer dritten Kalibrierung angesteuert wird. Die Berechnungseinrichtung 104 ist ausgebildet, ein drittes digitales Bild 122 zu bestimmen, dessen Pixel eine Abweichung, vom Soll-Zustand repräsentieren.In one example, the
Die Berechnungseinrichtung 104 ist in einem anderen Beispiel ausgebildet, ein Ist-Zustand der Maschine 102, der sich einstellt, wenn die Maschine 102 abhängig von Parametern 112 einer dritten Kalibrierung angesteuert wird, mit einer mathematischen Operation auf einen zweiten augmentierten Zustand 124 abzubilden. Die Berechnungseinrichtung 104 ist in diesem Fall ausgebildet, ein drittes digitales Bild 122 zu bestimmen, dessen Pixel eine Abweichung des zweiten augmentierten Zustands 124 vom Soll-Zustand repräsentieren.In another example, the
Die Berechnungseinrichtung 104 ist ausgebildet, das künstliche neuronale Netzwerk abhängig von einem Label für das erste digitale Bild, vom ersten digitalen Bild, vom zweiten digitalen Bild und vom dritten digitalen Bild zu trainieren.The
Im Training wird insbesondere mit einem Gradientenabstiegsverfahren, in welchem Gewichte des künstlichen neuronalen Netzwerks bestimmt werden, ein Optimierungsproblem gelöst, das abhängig von einer Gütefunktion definiert ist. Die Gütefunktion umfasst eine Summe eines mit dem Label gewichteten Abstandes zwischen dem ersten digitalen Bild und dem zweiten digitalen Bild und eines mit dem Label gewichteten Abstandes zwischen dem ersten digitalen Bild und dem dritten digitalen Bild.In the training, an optimization problem that is defined as a function of a quality function is solved in particular with a gradient descent method in which weights of the artificial neural network are determined. The merit function includes a sum of a label-weighted distance between the first digital image and the second digital image and a label-weighted distance between the first digital image and the third digital image.
Das erste digitale Bild 114 stellt beispielweise ein originales Bild dar. Das zweite digitale Bild stellt ein positives Beispiel, das dritte digitale Bild stellt ein negatives Beispiel. Das künstliche neuronale Netzwerk wird im Beispiel selbstüberwacht dazu trainiert, das zweite digitale Bild als positives Beispiel und das dritte digitale Bild als negatives Beispiel zu erkennen.For example, the first
Beispielsweise wird mit einer kontrastiven Gütefunktion insbesondere mit dem MuCO oder SimCLR Algorithmus trainiert. Das Label kennzeichnet, das erste digitale Bild als originales Bild.For example, training is carried out with a contrastive quality function, in particular with the MuCO or SimCLR algorithm. The label identifies the first digital image as an original image.
Das Verfahren wird mit Bezug auf
Das Verfahren zur Kalibrierung wird in Iterationen ausgeführt. Anfangs wird eine Soll-Zustand z.B. von einem Experten vorgegeben. Eine Iteration umfasst einen Schritt 202.The calibration procedure is performed in iterations. Initially, a target state is specified, e.g. by an expert. An iteration includes a
Der Soll-Zustand definiert beispielsweise die Soll-Größe je Pixel für digitale Bilder, die einen Ist-Zustand oder einen augmentierten Zustand repräsentieren.The target state defines, for example, the target size per pixel for digital images that represent an actual state or an augmented state.
Im Beispiel werden verschieden große Unterschiede zwischen Soll- und Ist-Zustand verschiedenen Farben zugeordnet. In
Ein Unterschied eines Ist-Zustandes der Maschine 102 vom Soll-Zustand der Maschine 102 wird beispielsweise durch eine Differenz der gemessenen physikalischen Größe und der Sollgröße dafür bestimmt. Die Differenz wird beispielsweise auf die der Farben abgebildet, in deren Unterschiedsbereich der Unterschied liegt.A difference between an actual state of
Im Schritt 202 wird die Maschine 102 abhängig von Parametern 112 einer ersten Kalibrierung angesteuert. In einer ersten Iteration sind die Parameter 112 z.B. von einem Experten vorgegeben.In
Beim Ansteuern der Maschine 102 abhängig von den Parametern 112 der ersten Kalibrierung stellt sich der Ist-Zustandes der Maschine 102 ein.When the
Im Beispiel wird die jeweilige Kalibrierung im Speicher 110 gespeichert.In the example, the respective calibration is stored in
Anschließend wird ein Schritt 204 ausgeführt. Im Schritt 204 wird das erste digitales Bild 114 bestimmt.A
Die Pixel des ersten digitalen Bildes 114 repräsentieren die Abweichung des Ist-Zustandes der Maschine 102 vom Soll-Zustand der Maschine 102.The pixels of the first
Im Beispiel werden die Bilder, deren Pixel die Abweichung des Ist-Zustand der Maschine 102, der sich einstellt, wenn die Maschine 102 abhängig von Parametern der jeweiligen Kalibrierungen angesteuert wird im Speicher 110 gespeichert.In the example, the images whose pixels represent the deviation from the actual state of the
Anschließend wird ein Schritt 206 ausgeführt.A
Im Schritt 206 wird der Ist-Zustand mit der mathematischen Operation auf den ersten augmentierten Zustand 116 der Maschine 102 abgebildet. Beispielsweise wird eine physikalische Größe des Ist-Zustands mit einem Faktor multipliziert oder dividiert um einen Wert dieser Größe im augmentierten Zustand zu bestimmen. Beispielsweise wird zu der physikalischen Größe des Ist-Zustands ein Wert addiert oder von dieser subtrahiert, um einen Wert dieser Größe im augmentierten Zustand zu bestimmen.In
Anschließend wird ein Schritt 208 ausgeführt.A
Im Schritt 208 wird das zweite digitale Bild 118 bestimmt.In
In einem Beispiel wird das zweite digitale Bild 118 bestimmt dessen Pixel die Abweichung des ersten augmentierten Zustands 116 vom Soll-Zustand repräsentieren.In one example, the second
Anschließend wird ein Schritt 210 ausgeführt.A
Im Schritt 210 wird die Repräsentation des ersten digitalen Bildes 114 im Vektorraum bestimmt. Beispielsweise wird das erste digitale Bild 114 mit dem dafür vorgesehenen Teil des künstlichen neuronalen Netzwerks abgebildet.In
Anschließend wird ein Schritt 212 ausgeführt.A
Im Schritt 212 wird die Repräsentation des zweiten digitalen Bildes 118 im Vektorraum bestimmt.In
Beispielsweise wird das zweite digitale Bild 118 mit dem dafür vorgesehenen Teil des künstlichen neuronalen Netzwerks abgebildet.For example, the second
Für das Training wird in einem Beispiel ein im Schritt 208 einer vorangegangenen Iteration bestimmte dritte digitale Bild 122 verwendet. Die Pixel des dritten digitalen Bildes 122 repräsentieren die Abweichung des Ist-Zustand der Maschine 102, der sich einstellt, wenn die Maschine 102 abhängig von den Parametern 112 der dritten Kalibrierung angesteuert wird, vom Soll-Zustand.In one example, a third
Für das Training wird in einem anderen Beispiel der Ist-Zustand der Maschine 102 bestimmt, der sich einstellt, wenn die Maschine 102 abhängig von den Parametern der dritten Kalibrierung angesteuert wird. Dieser Ist-Zustand wird mit der mathematischen Operation auf den zweiten augmentierten Zustand 124 abgebildet. Die Pixel des dritten digitalen Bildes 122 repräsentieren die Abweichung des zweiten augmentierten Zustands vom Soll-Zustand.In another example, the actual state of the
Im Schritt 212 wird das künstliche neuronale Netzwerk abhängig von einer Vielzahl von originalen Bildern und diesen Bildern jeweils zugeordneten positiven Beispielen oder negativen Beispielen insbesondere durch contrastive learning trainiert. Das bedeutet, das künstliche neuronale Netzwerk wird unter anderem abhängig vom Label für das erste digitale Bild, vom ersten digitalen Bild 114, vom zweiten digitalen Bild 118 und vom dritten digitalen Bild 122 trainiert. Dabei wird das Optimierungsproblem gelöst, das abhängig von der Gütefunktion definiert ist. Es kann vorgesehen sein, das künstliche neuronale Netzwerk in jeder oder nur in manchen der Iterationen zu trainieren. Durch die Kombination von Training, insbesondere contrastive learning, und bestärkendem Lernen wird die Strategie viel schneller erlernt. Statt contrastive learning kann auch eine andere Methode, insbesondere selbstüberwachten Lernen eingesetzt werden.In
Anschließend wird ein Schritt 214 ausgeführt.A step 214 is then executed.
Im Schritt 214 wird abhängig vom Abstand der Repräsentationen im Vektorraum und abhängig vom Unterschied zwischen wenigstens einem Pixel des ersten digitalen Bildes 114 und seiner Soll-Größe, die Belohnung bestimmt.In step 214, the reward is determined depending on the distance between the representations in vector space and depending on the difference between at least one pixel of the first
Die Belohnung umfasst den ersten Anteil und den zweiten Anteil.The reward includes the first portion and the second portion.
Abhängig von der Belohnung und von wenigstens einem Pixel des ersten digitalen Bildes 114 und dem Wert der Gütefunktion wird im Beispiel eine Strategie zur Bestimmung der Aktion im Verfahren für bestärkendes Lernen gelernt.Depending on the reward and at least one pixel of the first
In den verschiedenen Iterationen werden für unterschiedliche Kalibrierungen verschiedene erste digitale Bilder 114 bestimmt. Je Iteration wird beispielsweise ein positiver Anteil der Belohnung bestimmt, wenn der Unterschied zwischen dem wenigstens einen Pixel des ersten digitalen Bildes 114 aus dieser Iteration und der Soll-Größe dafür kleiner ist, als der Unterschied zwischen dem wenigstens einen Pixel des ersten digitalen Bildes 114 aus einer dieser Iteration vorangehenden Iteration und der Soll-Größe. Anderenfalls wird zum Beispiel ein negativer Anteil der Belohnung bestimmt. Dadurch wird zeiteffektiv eine Strategie erlernt, mit der die Parameter 112 rasch zu einer geeigneten Kalibrierung konvergieren.Different first
Die Soll-Größe repräsentiert zum Beispiel die Farbe eines Pixels nummerisch. Der Unterschied ist zum Beispiel der Unterschied, insbesondere die Differenz zwischen einer nummerischen Repräsentation der Farbe des wenigstens einen Pixels des ersten digitalen Bildes 114 und der Soll-Größe dafür.For example, the target size represents the color of a pixel numerically. The difference is, for example, the difference, in particular the difference between a numerical representation of the color of the at least one pixel of the first
Beispielsweise ist je Bereich für den Unterschied eine vorgegebene Teilbelohnung je Pixel vorgesehen. Beispielsweise werden die Teilbelohnungen für die Pixel des ersten digitalen Bildes zur Belohnung addiert.For example, a predetermined partial reward per pixel is provided for each area for the difference. For example, the partial rewards for the pixels of the first digital image are added to the reward.
Anschließend wird ein Schritt 216 ausgeführt.A
Im Schritt 216 wird wobei abhängig von der Belohnung und von wenigstens einem Pixel des ersten digitalen Bildes 114 die Aktion bestimmt. Die Aktion ist im Beispiel die mathematische Operation, die wenigstens einen der Parameter 112 der Kalibrierung verändert, insbesondere eine Multiplikation des wenigstens einen Parameters 112 mit einem Faktor, eine Division des wenigstens einen Parameters 112 durch einen Wert, eine Addition des wenigstens einen Parameters 112 oder eine Subtraktion des wenigstens einen Parameters 112 mit einem Wert. Andere Operationen, z.B. eine Funktion zur Abbildung des wenigstens einen Parameters 112 sind ebenfalls möglich.In
Anschließend wird ein Schritt 218 ausgeführt.A
Im Schritt 218 abhängig von der Aktion eine zweite Kalibrierung bestimmt, die gegenüber der ersten Kalibrierung wenigstens einen durch die Aktion veränderten Parameter 112 umfasst.In
Die Schritt 202 bis 218 stellen ein Verfahren für bestärkendes Lernen dar, in dem diese Schritte iterativ wiederholt werden.
Die Iterationen werden beispielsweise wiederholt, bis der Unterschied zwischen den Pixeln des ersten digitalen Bildes 114 und den Soll-Größen dafür kleiner als ein Schwellwert ist. Im Beispiel wird dies in einem Schritt 220 überprüft und das Verfahren beendet, wenn der Unterschied kleiner als der Schwellwert ist, oder anderenfalls beim Schritt 202 fortgesetzt.For example, the iterations are repeated until the difference between the pixels of the first
Claims (10)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021130947.6A DE102021130947A1 (en) | 2021-11-25 | 2021-11-25 | Method and device for calibrating a machine |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021130947.6A DE102021130947A1 (en) | 2021-11-25 | 2021-11-25 | Method and device for calibrating a machine |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102021130947A1 true DE102021130947A1 (en) | 2023-05-25 |
Family
ID=86227675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102021130947.6A Pending DE102021130947A1 (en) | 2021-11-25 | 2021-11-25 | Method and device for calibrating a machine |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102021130947A1 (en) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019126244A1 (en) | 2019-09-30 | 2021-04-01 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | System and method for calibrating a control unit of an electric motor for determining parameters of the electric motor |
-
2021
- 2021-11-25 DE DE102021130947.6A patent/DE102021130947A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019126244A1 (en) | 2019-09-30 | 2021-04-01 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | System and method for calibrating a control unit of an electric motor for determining parameters of the electric motor |
Non-Patent Citations (1)
Title |
---|
Siemens uses Bonsai AI to automate machine tool calibration, 2018, Bonsai AI Inc. |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018216413A1 (en) | Device and method for automatic image enhancement in vehicles | |
EP2999998B1 (en) | Methods for ascertaining a model of an output variable of a technical system | |
CN113298837B (en) | Image edge extraction method and device, storage medium and equipment | |
DE102010037746B4 (en) | Method for optically sensing an edge in or on a surface area | |
DE102019106234B3 (en) | Automated calibration of an ECU function | |
EP3830660B1 (en) | Method and assistance system for parameterization of an anomaly detection method | |
DE102021130947A1 (en) | Method and device for calibrating a machine | |
DE102018119467A1 (en) | AUTONOMIC OPERATION THROUGH LOW SPATIAL-TIME LEARNING | |
DE102016208178A1 (en) | Software segmentation method, software segmentation device, and on-vehicle device | |
DE102019207575A1 (en) | Method for assessing a function-specific robustness of a neural network | |
DE202021103700U1 (en) | Device for generating an artificial neural network | |
DE102018203137A1 (en) | Method, device and computer program for operating an at least partially autonomous vehicle | |
WO2022078781A1 (en) | Computer-implemented method and device for determining a confidence level of a modelled physical variable of a virtual sensor | |
DE102019202450A1 (en) | Quantized training of trainable modules | |
DE202022103792U1 (en) | Device for determining an optimal architecture of an artificial neural network | |
EP2113120B1 (en) | Device and method for adapting a mask image | |
DE102021207275A1 (en) | Method for creating an artificial neural network | |
DE102022206629A1 (en) | Method for estimating model uncertainties using a neural network and an architecture of the neural network | |
DE102021204343A1 (en) | Controller for generating training data for training a machine learning algorithm | |
DE202021102338U1 (en) | Control unit for generating training data for training a machine learning algorithm | |
DE102022206892A1 (en) | Method for determining an optimal architecture of an artificial neural network | |
DE102022204803A1 (en) | Device and computer-implemented machine learning method for macroscopic simulation of multiphase solids | |
CN117788434A (en) | High-density target counting network modeling method driven by dim light enhancement | |
DE102019120938A1 (en) | Print inspection device and method for the optical inspection of a print image of a print object | |
DE102022200506A1 (en) | Method and device for processing data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication |