-
Die vorliegende Erfindung betrifft ein computerimplementiertes Verfahren zur Konstruktion eines technischen Bauteils.
-
Technische Bauteile werden in der Praxis unter Berücksichtigung unterschiedlicher, bauteilindividueller Randbedingungen und Einschränkungen konstruiert. Nicht als abschließend zu verstehende Beispiele für diese bauteilindividuellen Randbedingungen und Einschränkungen sind eine relative Geschwindigkeit von zueinander bewegbaren Komponenten des Bauteils, mechanische Belastungen und Beanspruchungen einzelner Komponenten und des gesamten Bauteils, die Betriebstemperatur oder die zu erreichende Lebensdauer des Bauteils.
-
Die Komponenten eines technischen Bauteils können bei der Konstruktion so ausgestaltet werden, dass sie diese bauteilindividuellen Randbedingungen und Einschränkungen erfüllen, indem ihre Konstruktionsparameter entsprechend angepasst werden. Mögliche Konstruktionsparameter sind insbesondere die geometrischen Abmessungen und die Form der Komponenten des technischen Bauteils sowie Materialien, aus denen die Komponenten hergestellt sind. Diese Aufzählung möglicher Konstruktionsparameter ist wiederum nicht als abschließend zu verstehen.
-
Computerimplementierte Verfahren zur Konstruktion eines technischen Bauteils, welche die Entwickler bei der Konstruktion unterstützen, sind aus dem Stand der Technik bekannt. Diese werden häufig auch als CAD-Verfahren (englisch: „Computer Aided Design“, computerunterstütztes Design) bezeichnet.
-
Unter einem computerimplementierten Verfahren wird dabei im Rahmen der vorliegenden Erfindung insbesondere verstanden, dass das Verfahren durch einen Computer ausgeführt wird. Der Computer kann beispielsweise einen digitalen Datenspeicher und einen Prozessor umfassen. Im digitalen Datenspeicher können Instruktionen gespeichert sein, die bei ihrer Ausführung durch den Prozessor den Prozessor dazu veranlassen, das computerimplementierte Verfahren auszuführen. Computerimplementierte Verfahren zur Konstruktion technischer Bauteile, die bereits Methoden des maschinellen Lernens nutzen, sind aus dem Stand der Technik ebenfalls bekannt.
-
Die
US 2022/0035966 A1 offenbart eine Erweiterung für ein CAD-System, um mithilfe maschinellen Lernens Bauteile für eine zu entwerfende Baugruppe vorzuschlagen, welche unter physikalischen und Kostengesichtspunkten geeignet scheinen.
-
Die Aufgabe der vorliegenden Erfindung besteht darin, ein weiter verbessertes computerimplementiertes Verfahren zur Konstruktion eines technischen Bauteils zur Verfügung zu stellen.
-
Die Lösung dieser Aufgabe liefert ein Verfahren zur Konstruktion eines technischen Bauteils mit den Merkmalen des Anspruchs 1. Die Unteransprüche betreffen vorteilhafte Weiterbildungen der Erfindung.
-
Ein computerimplementiertes Verfahren zur Konstruktion eines technischen Bauteils erfolgt erfindungsgemäß mittels eines maschinellen Lernagenten, der dazu ausgebildet ist, eine Lernverstärkungsfunktion auszuführen, und mittels eines Lernalgorithmus, der dazu ausgebildet ist, ein kontrastives Lernen auszuführen, und umfasst die Schritte
- - Ausführen einer Aktion des maschinellen Lernagenten, durch die zumindest einer der Konstruktionsparameter zumindest einer Komponente des technischen Bauteils verändert wird,
- - Verarbeiten der zumindest einen Aktion des maschinellen Lernagenten mittels eines Bauteilkonstruktionssimulators, wobei ein erstes digitales Bild des technischen Bauteils mit einer Vielzahl von Pixeln erzeugt wird, wobei die Pixel des ersten digitalen Bilds die Abweichungen zwischen dem Ist-Zustand und einem vorgegebenen Soll-Zustand des technischen Bauteils repräsentieren und wobei Pixeländerungen die aus den Aktionen des maschinellen Lernagenten resultierenden Modifikationen des technischen Bauteils repräsentieren,
- - Speichern des ersten digitalen Bilds in einem Speichermittel,
- - Augmentieren des ersten digitalen Bilds mittels eines Augmentierungsalgorithmus, wobei aus dem ersten digitalen Bild zumindest ein zweites digitales Bild, das Eigenschaften des technischen Bauteils in einem ersten augmentierten Zustand repräsentiert, und zumindest ein drittes digitales Bild, das Eigenschaften des technischen Bauteils in einem zweiten augmentierten Zustand des technischen Bauteils repräsentiert, erzeugt werden,
- - Durchführen eines kontrastiven Lernens mithilfe des Lernalgorithmus zumindest mittels des ersten Bilds und der im vorhergehenden Schritt erzeugten Bilder,
- - Bestimmen von Kontrastverlusten zwischen dem ersten digitalen Bild und dem augmentierten zweiten digitalen Bild sowie zwischen dem ersten digitalen Bild und dem augmentierten dritten digitalen Bild,
- - Übertragen der Kontrastverluste und der Pixeländerungen des ersten digitalen Bilds zu einem Belohnungsalgorithmus, der eine Belohnung für den maschinellen Lernagenten berechnet,
- - Übertragen der Kontrastverluste, der Pixeländerungen und der Belohnung zum maschinellen Lernagenten und
- - Wiederholen der vorhergehenden Schritte, bis die Konstruktionsaufgabe gelöst ist.
-
Die Erfindung geht von der Erkenntnis aus, dass das Erlernen einer Konstruktion eines technischen Bauteils allein aus Pixeln von Bildern sehr zeitaufwändig und ineffizient ist. Das erfindungsgemäße Verfahren zur Konstruktion eines technischen Bauteils sieht nun vor, ein kontrastives Lernverfahren (engl.: „Contrastive Learning“), bei dem es sich um ein selbstüberwachtes maschinelles Lernverfahren handelt, und einen maschinellen Lernagenten, der nach dem Prinzip des bestärkenden Lernens (engl.: „Reinforcement Learning“) arbeitet, simultan zu verwenden. Dadurch wird die Konstruktion eines technischen Bauteils ausgehend von Pixeln sehr zeiteffizient erlernt. Die kontrastive Lernaufgabe, die eine selbstüberwachte Aufgabe ist, ermöglicht eine Steigerung der Lerneffizienz, da der maschinelle Lernagent die Ähnlichkeiten zwischen den Bildern/Designs lernt.
-
Beispiele für mögliche Aktionen, die von dem Lernagenten im ersten Verfahrensschritt ausgeführt werden können, sind die Modifizierung der geometrischen Abmessungen sowie der Form zumindest einer der Komponenten des technischen Bauteils sowie die Änderung des Materials, aus der die zumindest eine Komponente des technischen Bauteils hergestellt ist. Allgemein kann der maschinelle Lernagent die Parameterwerte der veränderbaren Konstruktionsparameter erhöhen, verringern oder auch unverändert lassen. Wenn der Konstruktionsparameter das zur Herstellung der zumindest einen Komponente verwendete Material ist, ist die Aktion des maschinellen Lernagenten die Änderung des Materials. Bei der ersten Ausführung der Iterationsschleife kann die Aktion des Lernagenten eine vorgegebene Initialisierungsaktion oder eine von einem Experten vorgegebene Aktion sein.
-
In einer Ausführungsform wird vorgeschlagen, dass die Abweichungen zwischen einem Ist-Zustand des technischen Bauteils und dem Soll-Zustand, welche durch die Pixel des ersten digitalen Bilds repräsentiert werden, durch eine Differenzbildung einer mittels des Bauteilkonstruktionssimulators berechneten physikalischen Größe und einer Sollgröße dafür bestimmt werden.
-
In einer Ausführungsform kann vorgesehen sein, dass allen Bereichen des ersten digitalen Bilds des Bauteils unterschiedliche Pixel-Farben zugeordnet werden, die unterschiedlich großen Differenzen zwischen der berechneten physikalischen Größe und der Sollgröße in diesen Bereichen entsprechen, wobei eine der Farben als Zielfarbe festgelegt wird.
-
In einer Ausführungsform besteht die Möglichkeit, dass als physikalische Größe eine Van-Mises-Spannung verwendet wird. Bei der Van-Mieses-Spannung handelt es sich um eine aus der Festigkeitslehre bekannte mechanische Spannung eines Bauteils. Die Van-Mieses-Spannung wird häufig auch als Vergleichsspannung bezeichnet.
-
In einer Ausführungsform wird vorgeschlagen, dass das erste Bild derart augmentiert wird, dass das zweite digitale Bild ein positives Bildbeispiel bildet und das dritte digitale Bild ein negatives Bildbeispiel bildet. Das bedeutet, dass die Abweichungen des ersten augmentierten Zustands vom Soll-Zustand des technischen Bauteils, die durch das zweite digitale Bild repräsentiert werden, kleiner (und damit aus konstruktiver Sicht positiv) sind und dass die Abweichungen des zweiten augmentierten Zustands vom Soll-Zustand des technischen Bauteils, die durch das dritte digitale Bild repräsentiert werden, größer (und damit aus konstruktiver Sicht negativ) sind.
-
Vorzugsweise kann der Lernalgorithmus durch kontrastives Lernen selbstüberwacht darauf trainiert werden, das zweite digitale Bild als positives Bildbeispiel und das dritte digitale Bild als negatives Bildbeispiel zu erkennen.
-
In einer vorteilhaften Ausführungsform kann vorgesehen sein, dass der Lernalgorithmus mittels einer Vielzahl erster Bilder und diesen ersten Bildern jeweils zugeordneten zweiten Bildern und dritten Bildern, die bei Iterationsschleifen des Verfahrens erhalten werden, trainiert wird.
-
In einer Ausführungsform kann als Lernalgorithmus ein künstliches neuronales Netzwerk verwendet werden, dessen Training mittels eines Gradientenabstiegsverfahrens erfolgt, bei dem Gewichtungen des künstlichen neuronalen Netzwerks bestimmt werden und ein Optimierungsproblem gelöst wird, das abhängig von einer Gütefunktion definiert ist.
-
Vorzugsweise kann das künstliche neuronale Netzwerk mit einer kontrastiven Gütefunktion, insbesondere mit einem MuCO-Algorithmus oder SimCLR-Algorithmus, trainiert werden.
-
Weitere Merkmale und Vorteile der vorliegenden Erfindung werden deutlich anhand der nachfolgenden Beschreibung eines bevorzugten Ausführungsbeispiels unter Bezugnahme auf die beiliegenden Abbildungen. Dabei zeigen:
- 1 eine schematisch stark vereinfachte Darstellung, die Einzelheiten eines computerimplementierten Verfahrens zur Konstruktion eines technischen Bauteils veranschaulicht,
- 2 eine schaubildliche Darstellung des Ablaufs des computerimplementierten Verfahrens zur Konstruktion des technischen Bauteils.
-
Unter Bezugnahme auf 1 sind zur Durchführung eines computerimplementierten Verfahrens zur Konstruktion eines technischen Bauteils unter anderem ein maschineller Lernagent 1, ein Bauteilkonstruktionssimulator 2 des zu konstruierenden technischen Bauteils sowie ein Lernalgorithmus 3, der dazu ausgebildet ist, ein kontrastives Lernmodell auszuführen, vorgesehen. Das hier vorgestellte Verfahren wird mittels eines Computers ausgeführt, der beispielsweise einen digitalen Datenspeicher und einen Prozessor umfasst. Im digitalen Datenspeicher sind entsprechende Instruktionen gespeichert, die bei ihrer Ausführung durch den Prozessor den Prozessor dazu veranlassen, das nachfolgend beschriebene computerimplementierte Verfahren auszuführen.
-
Der maschinelle Lernagent 1 ist dazu ausgebildet, eine Lernfunktion des bestärkenden Lernens auszuführen (so genanntes „Reinforcement Learning“). Bestärkendes Lernen basiert auf dem Grundprinzip, dass der Lernagent 1 mit seiner Umwelt interagiert, indem er Aktionen ausführt, die den Zustand der Umwelt beeinflussen. Der Lernagent 1 beobachtet seine Umwelt und erhält Belohnungen in Abhängigkeit davon, wie sich seine Aktionen auf den Zustand der Umwelt auswirken. Wenn sich Aktionen des Lernagenten 1 positiv auf den Zustand seiner Umwelt auswirken, erhält der Lernagent 1 eine positive Belohnung. Wenn sich Aktionen des Lernagenten 1 negativ auf den Zustand seiner Umwelt auswirken, erhält der Lernagent 1 eine negative Belohnung. In Abhängigkeit von den erhaltenen Belohnungen richtet der Lernagent 1 seine Entscheidungsstrategie - die so genannte „Policy“ - neu aus, um seine Belohnungen möglichst zu maximieren. Bei dem hier vorgestellten Verfahren bildet der Bauteilkonstruktionssimulator 2 aus funktionaler Sicht die Umwelt des maschinellen Lernagenten 1, mit der er bei der Durchführung des Verfahrens interagiert.
-
Das mittels des hier vorgestellten Verfahrens zu konstruierende technische Bauteil muss in der Praxis unter Berücksichtigung unterschiedlicher, bauteilindividueller Randbedingungen und Einschränkungen konstruiert werden. Nicht als abschließend zu verstehende Beispiele für diese bauteilindividuellen Randbedingungen und Einschränkungen sind eine relative Geschwindigkeit von zueinander bewegbaren Komponenten des Bauteils, mechanische Belastungen und Beanspruchungen, die Betriebstemperatur oder die zu erreichende Lebensdauer des Bauteils. Bei dem technischen Bauteil, das mittels des hier vorgestellten Verfahrens konstruiert werden kann, kann es sich zum Beispiel um ein Kugellager handeln.
-
Die Komponenten des technischen Bauteils können so gestaltet werden, dass sie diese bauteilindividuellen Randbedingungen und Einschränkungen erfüllen, indem ihre Konstruktionsparameter entsprechend angepasst werden und überprüft wird, inwieweit sich diese Änderungen auf bestimmte Eigenschaften des Bauteils auswirken. Mögliche Konstruktionsparameter sind insbesondere die geometrischen Abmessungen und die Form der Komponenten des technischen Bauteils sowie Materialien, aus denen die Komponenten hergestellt sind. Diese Aufzählung möglicher Konstruktionsparameter ist wiederum nicht als abschließend zu verstehen.
-
Das Verfahren zur Konstruktion eines technischen Bauteils wird iterativ in einer Mehrzahl von Iterationsschleifen durchgeführt, bis die Konstruktionsaufgabe gelöst ist.
-
Unter weiterer Bezugnahme auf 2 führt der maschinelle Lernagent 1 in einem ersten Schritt 100 zumindest eine Aktion aus. Bei der ersten Ausführung der Iterationsschleife kann diese Aktion eine vorgegebene Initialisierungsaktion oder eine von einem Experten vorgegebene Aktion sein. Der maschinelle Lernagent 1 ändert durch seine Aktion zumindest einen der Konstruktionsparameter zumindest einer der Komponenten des technischen Bauteils. Beispiele für mögliche Aktionen, die von dem Lernagenten 1 ausgeführt werden können, sind die Modifizierung der geometrischen Abmessungen sowie der Form zumindest einer der Komponenten des technischen Bauteils sowie die Änderung des Materials, aus der die zumindest eine Komponente des technischen Bauteils hergestellt ist.
-
Allgemein kann der maschinelle Lernagent 1 die Parameterwerte der veränderbaren Konstruktionsparameter erhöhen, verringern oder auch unverändert lassen. Wenn der Konstruktionsparameter das zur Herstellung der zumindest einen Komponente verwendete Material ist, ist die Aktion des maschinellen Lernagenten 1 die Änderung des Materials.
-
Die Aktionen des maschinellen Lernagenten 1 werden dem Bauteilkonstruktionssimulator 2 als Eingangsparameter zugeführt und können von diesem in einem zweiten Schritt 101 entsprechend verarbeitet werden. Die konstruktiven Eigenschaften des technischen Bauteils ändern sich durch die Aktionen, die von dem maschinellen Lernagenten 1 ausgeführt werden, und werden mittels des Bauteilkonstruktionssimulators 2 simuliert.
-
Der Bauteilkonstruktionssimulator 2 ist so ausgebildet, dass er die aus den Aktionen des maschinellen Lernagenten 1 resultierenden Modifikationen in Form eines ersten digitalen Bilds 4a des technischen Bauteils 1 mit einer Vielzahl von Pixeln erzeugen kann. Die Pixel des ersten digitalen Bilds 4a repräsentieren die Abweichungen zwischen dem Ist-Zustand und einem initial, insbesondere von einem Experten, vorgegebenen Soll-Zustand des technischen Bauteils.
-
Die Konstruktionsänderungen des technischen Bauteils, die durch die Aktionen des maschinellen Lernagenten 1 hervorgerufen werden, führen zu mechanischen Veränderungen des technischen Bauteils und können insbesondere dessen rheologische Eigenschaften beeinflussen. Die Abweichungen zwischen dem Ist-Zustand des technischen Bauteils und dem Soll-Zustand, welche durch die Pixel des ersten digitalen Bilds 4a repräsentiert werden, können beispielsweise durch eine Differenzbildung einer mittels des Bauteilkonstruktionssimulators 2 im Verfahrensschritt 101 berechneten physikalischen Größe und einer Sollgröße dafür bestimmt werden.
-
Die mechanischen Veränderungen des technischen Bauteils, die durch die Aktionen des maschinellen Lernagenten 1 hervorgerufen werden, lassen sich zum Beispiel durch die Berechnung der aus der Festigkeitslehre bekannten Vergleichsspannung, die häufig auch als Von-Mises-Spannung bezeichnet wird, bestimmen. Die Berechnung der Vergleichsspannung, die aus den Konstruktionsänderungen des technischen Bauteils resultiert, erfolgt vorliegend mittels des Bauteilkonstruktionssimulators 2. Die Pixel des ersten digitalen Bilds 4a repräsentieren somit Abweichungen zwischen der Ist-Vergleichsspannung und der Soll-Vergleichsspannung des technischen Bauteils. Dabei werden allen Bereichen des ersten digitalen Bilds 4a des Bauteils 1 vorzugsweise unterschiedliche Pixel-Farben zugeordnet. Diese unterschiedlichen Pixel-Farben entsprechen insbesondere unterschiedlich großen Abweichungen zwischen der Ist-Vergleichsspannung und der Soll-Vergleichsspannung des technischen Bauteils in diesen Bereichen. Beispielsweise können drei unterschiedliche Pixel-Farben verwendet werden, wobei eine der Pixel-Farben die Zielfarbe bildet. Beispielsweise kann der zu erreichende Soll-Zustand durch die Farbe Hellgrün als Zielfarbe repräsentiert werden. Alternativ können zum Beispiel auch unterschiedliche Graustufen verwendet werden.
-
Das auf diese Weise erhaltene erste digitale Bild 4a wird in einem dritten Schritt 102 in einem Speichermittel 5 abrufbar gespeichert. Dieses Speichermittel 5 bildet einen Wiedergabepuffer für alle bei der Durchführung des Verfahrens generierten digitalen Bilder. Vorzugsweise werden zusammen mit dem ersten digitalen Bild 4a auch die zugehörigen Konstruktionsparameter in dem Speichermittel 5 abrufbar gespeichert.
-
In einem nächsten Schritt 103 wird das erste digitale Bild 4a mittels eines Augmentierungsalgorithmus 6 durch Anwendung entsprechender mathematischer Operationen augmentiert, so dass aus dem ersten digitalen Bild 4a zumindest ein zweites digitales Bild 4b, das Eigenschaften des technischen Bauteils in einem ersten augmentierten Zustand repräsentiert, und zumindest ein drittes digitales Bild 4c, das Eigenschaften des technischen Bauteils in einem zweiten augmentierten Zustand des technischen Bauteils repräsentiert, erzeugt werden. Das zweite digitale Bild 4b und das dritte digitale Bild 4c werden ebenfalls in dem Speichermittel 5 abrufbar gespeichert.
-
Die Pixel des zweiten Bildes 4b repräsentieren die Abweichungen des ersten augmentierten Zustands vom Soll-Zustand des technischen Bauteils und die Pixel des dritten Bildes 4c repräsentieren die Abweichungen des zweiten augmentierten Zustands vom Soll-Zustand des technischen Bauteils. Dabei werden - analog zum ersten digitalen Bild 4a - allen Bereichen des zweiten digitalen Bilds 4b und des dritten digitalen Bilds 4c des Bauteils 1 unterschiedliche Pixel-Farben zugeordnet und in das zweite digitale Bild 4b und in das dritte digitale Bild 4c eingefügt. Diese unterschiedlichen Pixel-Farben entsprechen wiederum unterschiedlich großen Abweichungen zwischen der Ist-Vergleichsspannung und der Soll-Vergleichsspannung des technischen Bauteils in diesen Bereichen.
-
Das erste Bild 4a wird in diesem Verfahrensschritt 103 derart augmentiert, dass das zweite digitale Bild 4b ein positives Bildbeispiel bildet und das dritte digitale Bild 4c ein negatives Bildbeispiel bildet. Das bedeutet, dass die Abweichungen des ersten augmentierten Zustands vom Soll-Zustand des technischen Bauteils, die durch das zweite digitale Bild 4b repräsentiert werden, kleiner (und damit aus konstruktiver Sicht positiv) sind und dass die Abweichungen des zweiten augmentierten Zustands vom Soll-Zustand des technischen Bauteils, die durch das dritte digitale Bild 4c repräsentiert werden, größer (und damit aus konstruktiver Sicht negativ) sind.
-
Bei jeder Iterationsschleife des Verfahrens werden dem Lernalgorithmus 3, der zur Durchführung des kontrastiven Lernverfahrens ausgebildet ist, in einem Verfahrensschritt 104 das erste Bild 4a sowie die beiden im vorhergehenden Schritt erzeugten Bilder 4b, 4c zugeführt. Mittels der Bilder 4a, 4b, 4c der aktuellen Iterationsschleife wird der Lernalgorithmus 3 trainiert. Vorzugsweise werden zusätzlich auch die bei vorhergehenden Iterationsschleifen des Verfahrens bereits erhaltenen Bilder 4a, 4b, 4c für das Training des kontrastiven Lernalgorithmus 3 verwendet.
-
Vorzugsweise ist der Lernalgorithmus 3, der zur Durchführung des kontrastiven Lernverfahrens ausgebildet ist, als künstliches neuronales Netzwerk ausgebildet. Das Training des künstlichen neuronalen Netzwerks kann vorzugsweise mittels eines Gradientenabstiegsverfahrens erfolgen, bei dem Gewichtungen des künstlichen neuronalen Netzwerks bestimmt werden und ein Optimierungsproblem gelöst wird, das abhängig von einer Gütefunktion definiert ist. Die Gütefunktion umfasst zum Beispiel eine Summe eines gewichteten Abstands zwischen dem ersten digitalen Bild 4a und dem zweiten digitalen Bild 4b und eines gewichteten Abstands zwischen dem ersten digitalen Bild 4a und dem dritten digitalen Bild 4c. Die Abstände zwischen den digitalen Bildern 4a, 4b, 4c können anhand von Repräsentationen dieser digitalen Bilder 4a, 4b, 4c in einem Vektorraum bestimmt werden.
-
Wie oben erläutert, stellt das erste digitale Bild 4a, welches in jeder der Iterationsschleifen des Verfahrens erhalten wird, das Originalbild dar. Das zweite digitale Bild 4b stellt ein positives Bildbeispiel dar und das dritte digitale Bild 4c stellt ein negatives Beispiel dar. Das künstliche neuronale Netzwerk wird durch kontrastives Lernen selbstüberwacht darauf trainiert, das zweite digitale Bild 4b als positives Beispiel und das dritte digitale Bild 4c als negatives Beispiel zu erkennen. Dabei wird das künstliche neuronale Netzwerk mit einer kontrastiven Gütefunktion, insbesondere mit dem MuCO-Algorithmus oder mit dem SimCLR-Algorithmus, trainiert. Beim kontrastiven Lernen handelt es sich somit um ein selbstüberwachtes Lernen mit der zu lösenden Lernaufgabe, wie ähnlich und wie verschieden das zweite digitale Bild 4b und das dritte digitale Bild 4c vom ersten digitalen Bild 4a, welches das Originalbild repräsentiert, sind.
-
Somit wird das künstliche neuronale Netzwerk mit einer Vielzahl erster Bilder 4a (Originalbilder) und diesen ersten Bildern 4a jeweils zugeordneten zweiten Bildern 4b (positiven Beispielen) und dritten Bildern 4c (negativen Beispielen), die bei den Iterationsschleifen erhalten werden, durch kontrastives Lernen trainiert. Es kann vorgesehen sein, das künstliche neuronale Netzwerk in jeder oder nur in manchen der Iterationsschleifen des Verfahrens zu trainieren.
-
In einem nächsten Schritt 105 werden Kontrastverluste zwischen dem ersten digitalen Bild 4a (Originalbild) und dem augmentierten zweiten digitalen Bild 4b sowie dem augmentierten dritten digitalen Bild 4c bestimmt und in einem Schritt 106 zusammen mit Pixeländerungen des ersten digitalen Bilds 4a, welche die Modifikationen des technischen Bauteils durch die im Verfahrensschritt 100 vom maschinellen Lernagenten 3 vorgenommenen Aktionen repräsentieren, einem Belohnungsalgorithmus 7 zugeführt.
-
Bei der ersten Iterationsschleife des Verfahrens können die Pixeländerungen alle Pixel des ersten digitalen Bilds 4a betreffen, da alle Pixel durch die Aktion des maschinellen Lernagenten 1 verändert werden. Alternativ ist es auch möglich, mit einem vorgegebenen Initialisierungsbild des technischen Bauteils zu arbeiten, so dass nur einige der Pixel des ersten digitalen Bilds 4a aufgrund der Aktion des Lernagenten 1 eine Änderung erfahren.
-
Der Belohnungsalgorithmus 7 ist dazu ausgebildet, eine Belohnungsfunktion auszuführen und Belohnungen für den maschinellen Lernagenten 1 zu berechnen. Wenn sich die Aktionen des Lernagenten 1 im Verfahrensschritt 100 positiv auf den Zustand des zu konstruierenden technischen Bauteils auswirken, erhält der Lernagent 1 eine positive Belohnung. Wenn sich Aktionen des Lernagenten 1 negativ auf den Zustand des zu konstruierenden technischen Bauteils auswirken, erhält der Lernagent 1 dementsprechend eine negative Belohnung. In Abhängigkeit von den erhaltenen Belohnungen richtet der Lernagent 1 seine Entscheidungsstrategie neu aus, um seine Belohnungen möglichst zu maximieren. Wenn sich also vorliegend die Farbe des ersten digitalen Bilds 4a, welches das Originalbild repräsentiert, nach den Aktionen des Lernagenten 1 dem Zielfarbton annähert, der das vom Experten vorgegebene Ziel repräsentiert, erhält der maschinelle Lernagent 1 positive Belohnungen. Ändert sich zum Beispiel die Farbe in eine der anderen Farben, die nicht der Zielfarbe entsprechen, erhält der maschinelle Lernagent 1 negative Belohnungen.
-
In einem Schritt 107 erhält der maschinelle Lernagent 1 die Kontrastverluste, die Pixeländerungen des ersten digitalen Bilds 4a sowie die im Verfahrensschritt 105 berechnete Belohnung.
-
Die vorstehend erläuterten Verfahrensschritte 100 bis 107 werden bei der Durchführung des Verfahrens iterativ wiederholt. Der Lernagent 2 führt also erneut den Verfahrensschritt 100 aus, indem er zumindest eine Aktion ausführt und den Wert zumindest eines der Konstruktionsparameter des Bauteils 1 verändert. Nachfolgend werden die oben beschriebenen Verfahrensschritte 101 bis 107 ausgeführt.
-
Das Verfahren wird so lange durchgeführt, bis das erste Bild 4a vorzugsweise in allen Bereichen die gewünschte Zielfarbe erreicht. Dann wird die iterative Entwurfsschleife gestoppt, da das Entwurfsziel erreicht wurde und somit die Konstruktionsaufgabe gelöst wurde.
-
Mittels des hier vorgestellten Verfahrens lernt der maschinelle Lernagent 1 viel effizienter die Zusammenhänge zwischen den Bildern 4a, 4b, 4c und dem Design des technischen Bauteils. Die Konstruktion eines technischen Bauteils nur anhand von Pixeln ist dadurch sehr bequem, weil der Ingenieur die Zustände des maschinellen Lernagenten 1 nicht spezifizieren muss. Aufgrund des zusätzlichen Kontrastverlustes lernt der maschinelle Lernagent 1 auf sehr effiziente Weise aus den Pixeln der Bilder 4a, 4b, 4c.
-
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
-
