-
Die Erfindung betrifft ein Verfahren zur Optimierung einer Gesamtkonstruktion, eine Vorrichtung zur Durchführung des Verfahrens und eine Verwendung des Verfahrens.
-
Das technische Design von Gesamtkonstruktionen kann beispielsweise erfolgen durch
- - einen Ingenieur mit Expertenwissen,
- - computergestützte Konstruktion (engl.: CAD bzw. computer aided design)
- - computergestütztes Engineering (engl.: CAE bzw. computer aided engineering)
- - Methoden des maschinellen Lernens, beispielsweise des verstärkenden Lernens.
-
Bei komplexeren, vielteiligen Gesamtkonstruktionen gibt es sehr viele zu optimierende Parameter und Konstruktionsformeln. Dies kann zu schlechten Lösungen und einer langen Entwicklungsdauer führen.
-
Die
WO 2021 / 104 608 A1 zeigt ein Verfahren zum Erzeugen eines Engineering-Vorschlags für eine Vorrichtung oder Anlage, bei der eine Datenbank als maschinelles Lernverfahren ausgebildet ist.
-
Die
WO 2020 / 208 378 A1 zeigt ein Verfahren und ein System mit einem Framework für rechnergestützte Konstruktion.
-
Die
DE 10 2020 118 805 A1 zeigt ein System und ein Verfahren zum autonomen Konstruieren und/oder Designen von zumindest einer Komponente für ein Bauteil.
-
Die
WO 99 / 27 484 A1 zeigt ein Verfahren für computergestütztes Design eines Produkts oder Verfahrens.
-
Es ist daher eine Aufgabe der Erfindung, ein neues Verfahren zur Optimierung einer Gesamtkonstruktion, eine Vorrichtung zur Durchführung des Verfahrens und eine Verwendung des Verfahrens bereit zu stellen.
-
Diese Aufgaben werden gelöst durch die Gegenstände der unabhängigen Patentansprüche.
-
Ein Verfahren zur Optimierung einer Gesamtkonstruktion mittels eines computerimplementierten Agenten, welche Gesamtkonstruktion eine Mehrzahl von technischen Unterkonstruktionen aufweist, welcher Agent dazu eingerichtet ist, die Gesamtkonstruktion als Gesamtproblem zu behandeln und die Mehrzahl von Unterkonstruktionen als Mehrzahl von Teilproblemen zu behandeln, und welches Verfahren folgende durch den Agenten durchgeführten Schritte umfasst:
- A) Mindestens eine erste Zielgröße für das Gesamtproblem wird empfangen;
- B) Ein erstes Teilproblem wird aus der Mehrzahl von Teilproblemen mit maschinellem Lernen unter Verwendung von verstärkendem Lernen ausgewählt;
- C) Ein erstes Optimierungsverfahren wird für das ausgewählte erste Teilproblem aus einer ersten Mehrzahl von Optimierungsverfahren mit maschinellem Lernen unter Verwendung von verstärkendem Lernen ausgewählt, und das ausgewählte erste Teilproblem wird mit dem ausgewählten ersten Optimierungsverfahren unter Erzeugung eines ersten Zustands des ersten Teilproblems optimiert, welcher erste Zustand optimierte technische Parameter des ersten Teilproblems umfasst;
- D) In Abhängigkeit von den ersten Zuständen der Teilprobleme und der mindestens einen ersten Zielgröße wird entschieden, ob zurück zu Schritt B) gesprungen wird oder zu Schritt E) gesprungen wird;
- E) Die Optimierung wird beendet, und die ersten Zustände der Teilprobleme werden ausgegeben, um bevorzugt eine Herstellung oder Simulierung der optimierten Gesamtkonstruktion unter Verwendung der ersten Zustände zu ermöglichen.
-
Der Agent führt damit bildlich gesprochen eine überblickende Strategie unter Verwendung des maschinellen Lernens mit verstärkendem Lernen durch, die auch eine Optimierung komplexer Gesamtprobleme ermöglicht. Dies kann auch als Meta-Agent bezeichnet werden. Der Lerneffekt ist durch die Betrachtung kleinerer Teilprobleme vorteilhaft und besser zwischen unterschiedlichen Optimierungen von unterschiedlichen Gesamtkonstruktionen übertragbar. Damit funktioniert auch das Training des maschinellen Lernens besser. Der Lernvorgang für ein Teilproblem funktioniert besser als für ein komplexes Gesamtproblem. Die Auswahl des ersten Teilproblems unter Verwendung von verstärkendem Lernen hat sich als sehr vorteilhaft erwiesen gegenüber einer festen Vorgabe der Reihenfolge.
-
Gemäße einer bevorzugten Ausführungsform umfassen die technischen Parameter mindestens einen Parameter aus der Parametergruppe bestehend aus:
- - Geometrischer Parameter, beispielsweise Länge, Dicke, Radius, Längenverhältnis zweier Längen,
- - Materialparameter, beispielsweise Art des Materials, Materialkombination an einer Kontaktstelle, reibwerterniedrigende Beschichtung, und
- - Bauteilparameter, beispielsweise Kugellagertyp, Ventiltyp.
-
Gemäß einer bevorzugten Ausführungsform umfasst die Gesamtkonstruktion mindestens eine Gesamtkonstruktion aus der Konstruktionsgruppe bestehend aus:
- - Antriebsstrang,
- - Antriebsstrangkomponente,
- - Verbrennungsmotor,
- - Verbrennungsmotorkomponente,
- - Elektrische Komponente,
- - Fahrwerk,
- - Unfallsicherheitssystem,
- - Unfallsicherheitssystemgerät,
- - Antriebsstrang in Verbindung mit Wärmemanagement, und
- - Elektronische Steuereinheit für die Steuerung dynamischer Systeme.
-
Gemäß einer bevorzugten Ausführungsform weist die erste Mehrzahl von Optimierungsverfahren mindestens ein Optimierungsverfahren auf aus der Optimierungsverfahrensgruppe bestehend aus:
- - Optimierung mit maschinellem Lernen mittels Regression eines Gaußschen Prozesses,
- - Optimierung mit maschinellem Lernen mittels verstärkendem Lernen, und
- - Optimierung mit maschinellem Lernen mittels überwachtem Lernen.
-
Gemäß einer bevorzugten Ausführungsform umfasst die mindestens eine erste Zielgröße mindestens eine Zielgröße aus einer Zielgrößengruppe bestehend aus:
- - Drehzahl,
- - Drehmoment,
- - Leistung,
- - maximale Drehzahl,
- - maximale Temperatur im Betrieb,
- - maximale Leistung.
-
Gemäß einer bevorzugten Ausführungsform umfasst die mindestens eine erste Zielgröße mindestens eine Zielgrößenkurve.
-
Gemäß einer bevorzugten Ausführungsform wird vom Agenten im Schritt C) mindestens eine erste Konstruktionsbedingung vorgegeben, welche bei der Optimierung erfüllt sein muss.
-
Gemäß einer bevorzugten Ausführungsform ist der Agent dazu ausgebildet, in Abhängigkeit von den ersten Zuständen der Teilprobleme einen zweiten Zustand des Gesamtproblems zu berechnen.
-
Gemäß einer bevorzugten Ausführungsform wird vom Agenten mit einer Belohnungsfunktion in Abhängigkeit
- - vom zweiten Zustand,
- - vom ersten Zustand, oder
- - vom zweiten Zustand und vom ersten Zustand
eine Belohnung für ein maschinelles Lernen unter Verwendung von verstärkendem Lernen berechnet.
-
Gemäß einer bevorzugten Ausführungsform wird im Schritt C) das erste Optimierungsverfahren durchgeführt, bis mindestens eine zweite Zielgröße für das Teilproblem erreicht ist oder bis eine vorgegebene Anzahl von Durchläufen des ersten Optimierungsverfahrens stattgefunden hat.
-
Gemäß einer bevorzugten Ausführungsform interagiert der Agent im Schritt C) mit einer CAE-Umgebung oder mit einer CAD-Umgebung. Diese Umgebung ermöglichen eine vorteilhafte Simulation der Auswirkungen der Konstruktionsänderungen durch die Optimierung.
-
Gemäß einer bevorzugten Ausführungsform wird die zweite Zielgröße durch den Agenten vorgegeben, insbesondere mit maschinellem Lernen unter Verwendung von verstärkendem Lernen.
-
Gemäß einer bevorzugten Ausführungsform ist der Agent dazu eingerichtet, dem ersten Optimierungsverfahren im Schritt C) eine erste Metrik mit der zweiten Zielgröße zu übergeben, um eine Optimierung auf die erste Metrik zu ermöglichen.
-
Gemäß einer bevorzugten Ausführungsform ist der Agent dazu eingerichtet, ausgehend vom Gesamtproblem selbstständig die erste Mehrzahl von Teilproblemen zu definieren, insbesondere mit maschinellem Lernen unter Verwendung von verstärkendem Lernen.
-
Gemäß einer bevorzugten Ausführungsform ist der Agent dazu eingerichtet, im Laufe des Verfahrens die Definition der Teilprobleme zumindest teilweise zu verändern. Die Definition der Teilprobleme hat einen Einfluss auf die Qualität und Geschwindigkeit der Optimierung, und eine Änderung der Definition der Teilprobleme, beispielsweise eine Vergrößerung, eine Verkleinerung oder eine Kombination, kann sich daher beim maschinellen Lernen als vorteilhaft erweisen.
-
Gemäß einer bevorzugten Ausführungsform ist der Agent dazu eingerichtet, bei der Auswahl des Teilproblems im Schritt B) sowohl ein erstes Teilproblem auswählen zu können, das bisher noch nicht ausgewählt wurde, als auch ein Teilproblem auswählen zu können, das bereits mindestens einmal ausgewählt wurde.
-
Ein Computerprogramm-Produkt ist von einem Computer ausführbar und dazu ausgebildet, ein solches Verfahren auszuführen.
-
Das Verfahren ist zur Herstellung oder Simulation einer Gesamtkonstruktion verwendbar.
-
Weitere Einzelheiten und vorteilhafte Weiterbildungen der Erfindung ergeben sich aus den im Folgenden beschriebenen und in den Zeichnungen dargestellten, in keiner Weise als Einschränkung der Erfindung zu verstehenden Ausführungsbeispielen sowie aus den Unteransprüchen. Es versteht sich, dass die voranstehend genannten und die nachstehend noch zu erläuternden Merkmale nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar sind, ohne den Rahmen der vorliegenden Erfindung zu verlassen. Es zeigt:
- 1 in schematischer Darstellung eine Gesamtkonstruktion mit Unterkonstruktionen,
- 2 in schematischer Darstellung einen Agenten zur Durchführung eines Verfahrens mit maschinellem Lernen, und
- 3 ein Flussdiagramm mit Verfahrensschritten.
-
Im Folgenden sind gleiche oder gleich wirkende Teile mit den gleichen Bezugszeichen versehen und werden üblicherweise nur einmal beschrieben. Die Beschreibung ist figurenübergreifend aufeinander aufbauend, um unnötige Wiederholungen zu vermeiden.
-
1 zeigt eine Gesamtkonstruktion 50 mit einer Mehrzahl von Unterkonstruktionen 51, 52, 53, 54. Die Gesamtkonstruktion 50 kann auch als übergeordnete Gesamtkonstruktion 50 bezeichnet werden. Beispiele für eine solche Gesamtkonstruktion sind:
- - Antriebsstrang,
- - Antriebsstrangkomponente,
- - Verbrennungsmotor,
- - Verbrennungsmotorkomponente,
- - Elektrische Komponente,
- - Fahrwerk,
- - Unfallsicherheitssystem,
- - Unfallsicherheitssystemgerät,
- - Antriebsstrang in Verbindung mit Wärmemanagement, und
- - Elektronische Steuereinheit für die Steuerung dynamischer Systeme.
-
Die jeweilige Gesamtkonstruktion kann hierbei bspw. als Unterkonstruktionen 51, 52, 53, 54 Elektromotoren, Verbrennungsmotoren, Aktoren, Kolben, Nockenwellen, Ölpumpen etc. aufweisen. Bei einer Gesamtkonstruktion eines Verbrennungsmotors können beispielsweise folgende Unterkonstruktionen vorhanden sein: Ölpumpe, Kurbelwelle, Nockenwelle, Gleitschienen, Ausgleichswelle, Spannschiene, Kettenspanner. Eine rechnergestützte Optimierung der Gesamtkonstruktion 50 erweist sich in der Praxis als sehr komplex, und daher ist es vorteilhaft, die Unterkonstruktionen 51, 52, 53, 54 in separaten Schritten zu optimieren.
-
2 zeigt einen computerimplementierten Agenten 20, welcher Agent 20 dazu eingerichtet ist, Wissen aus bereits gemachter Erfahrung zu generieren.
-
Der Agent hat bevorzugt die Fähigkeit, maschinelles Lernen mittels verstärkendem Lernen (englisch: reinforcement learning, deutsch alternativ auch bestärkendes Lernen genannt) durchzuführen. Das verstärkende Lernen ist ein Bereich des maschinellen Lernens, der sich mit der Frage beschäftigt, wie Agenten in einer Umgebung agieren sollten, um einen bestimmten Wert der kumulierten Belohnung zu maximieren.
-
Bevorzugt ist ein neuronales Netz 22 vorgesehen, welches auf eine nicht dargestellte Datenbank zugreifen kann.
-
Der Agent 20 behandelt die Gesamtkonstruktion 50 von 1 als Gesamtproblem 60, und die Unterkonstruktionen 51, 52, 53, 54 werden als Teilprobleme 61, 62, 63, 64 behandelt. Der Agent 20 empfängt mindestens eine erste Zielgröße 30 für das Gesamtproblem 60. Bei der mindestens einen ersten Zielgröße 30 handelt es sich bspw. um mindestens eine Zielgröße aus einer Zielgrößengruppe bestehend aus:
- - Drehzahl
- - Drehmoment,
- - Leistung,
- - maximale Drehzahl,
- - maximale Temperatur im Betrieb, und
- - maximale Leistung.
-
Im Ausführungsbeispiel betrifft die Gesamtkonstruktion 50 einen Antriebsstrang, und die mindestens eine erste Zielgröße 30 betrifft einerseits - dargestellt durch eine Zielgrößenkurve 31 - das Drehmoment in Abhängigkeit von der Drehzahl n, und zusätzlich - dargestellt durch eine Zielgrößenkurve 32 - die Leistung in Abhängigkeit von der Drehzahl n.
-
Der Agent 20 ist dazu eingerichtet, das Gesamtproblem 60 durch ein nachfolgend vorgestelltes Verfahren derart zu optimieren, dass die mindestens eine erste Zielgröße 30 erreicht oder übertroffen wird. Hierzu steht dem Agenten 20 eine Mehrzahl von Optimierungsverfahren 24A, 24B, 24C zur Verfügung, die er zur Optimierung der Teilprobleme 61, 62, 63, 64 und damit auch zur Optimierung des Gesamtproblems 60 verwenden kann.
-
Die Optimierungsverfahren 24A, 24B, 24C umfassen im Ausführungsbeispiel
- - Optimierung 24A mit maschinellem Lernen mittels Regression eines Gaußschen Prozesses,
- - Optimierung 24B mit maschinellem Lernen mittels verstärkendem Lernen, und
- - Optimierung 24C mit maschinellem Lernen mittels überwachtem Lernen. Bevorzugt sind weitere Optimierungsverfahren vorgesehen.
-
3 zeigt ein Verfahren zur Optimierung der Gesamtkonstruktion 50 von 1 mittels des computerimplementierten Agenten 20 von 2.
-
Das Verfahren weist die Verfahrensschritte A, B, C, D und E auf.
-
Der Verfahrensschritt B folgt auf den Verfahrensschritt A, der Verfahrensschritt C folgt auf den Verfahrensschritt B, und vom Verfahrensschritt D wird entweder zurück zum Verfahrensschritt B gesprungen oder zum Verfahrensschritt E.
-
Im Verfahrensschritt A wird die erste Zielgröße 30 von 2 für das Gesamtproblem 60 empfangen.
-
Im Verfahrensschritt B wird ein erstes Teilproblem 61, 62, 63, 64 aus der Mehrzahl von Teilproblemen 61, 62, 63, 64 mit maschinellem Lernen unter Verwendung von verstärkendem Lernen ausgewählt. Durch die Verwendung des maschinellen Lernens bei der Auswahl ist es möglich, ein gut geeignetes erstes Teilproblem auszuwählen, welches sich bspw. beim maschinellen Lernen mit Testdaten zuvor als vorteilhaft erwiesen hat. Ebenso kann vermieden werden, dass ein Teilproblem ausgewählt wird, dessen Optimierung zum aktuellen Zeitpunkt nicht vorteilhaft ist, weil die Optimierung bspw. bei zuvor durchgeführten Durchläufen des maschinellen Lernens stark abhängig war von Optimierungen der anderen Teilprobleme.
-
Im Verfahrensschritt C wird ein erstes Optimierungsverfahren 24A, 24B, 24C für das ausgewählte erste Teilproblem 61, 62, 63, 64 aus einer ersten Mehrzahl von Optimierungsverfahren 24A, 24B, 24C mit maschinellem Lernen unter Verwendung von verstärkendem Lernen ausgewählt, und das ausgewählte erste Teilproblem 61, 62, 63, 64 wird mit dem ausgewählten ersten Optimierungsverfahren 24A, 24B, 24C unter Erzeugung eines ersten Zustands des ersten Teilproblems 61, 62, 63, 64 optimiert.
-
Der erste Zustand des ausgewählten ersten Teilproblems 61, 62, 63, 64 kann sich bspw. durch einen technischen Parameter (z. B. geometrischer Parameter wie Dicke, Form oder einem anderen Parameter wie Materialparameter) oder durch eine Mehrzahl von Parametern, bspw. Dicke und Material oder Form und Material, ergeben, und diese Parameter ermöglichen Eigenschaften des ersten Teilproblems, bspw. eine maximale Leistung oder eine Drehzahl. Der Fachmann spricht hier auch von einer Metrik, die bspw. einen Zusammenhang zwischen einem oder mehreren Parametern und einer Eigenschaft ergibt.
-
Die Optimierung kann im Rahmen einer CAE-Umgebung oder CAD-Umgebung erfolgen, die beispielsweise die Beeinflussung einer Zielgröße durch die Optimierung bestimmt. Hierzu werden üblicherweise Entwicklungsformeln verwendet, die einen Zusammenhang zwischen einer Konstruktionsänderung des Teilproblems und einer Zielgröße ergeben. Für die Optimierung sind bevorzugt Metriken vorgegeben, welche optimiert werden. Diese Metriken können beispielsweise bei einem Zylinder eine Kolbenkraft, eine mittlere Kolbengeschwindigkeit und eine Leistung in Abhängigkeit von der Geometrie definieren.
-
Die Parameter des ausgewählten ersten Teilproblems können vor der ersten Optimierung beispielsweise auf den Wert Null oder auf einen nicht optimierten ersten Ursprungswert gesetzt werden.
-
Durch die Verwendung des maschinellen Lernens unter Verwendung von verstärkendem Lernen kann der Agent 20 ein gut geeignetes erstes Optimierungsverfahren 24A, 24B, 24C für das aktuell ausgewählte erste Teilproblem 61, 62, 63, 64 auswählen, und insbesondere bei sehr komplexen Gesamtproblemen 60 führt dies zu einer vergleichsweise schnellen Optimierung und insbesondere auch zu einer guten Optimierung.
-
Während der Optimierung beobachtet der Agent 20 bevorzugt die Komplexität der Teilprobleme, den aktuellen Zustand der Teilprobleme und/oder den Fortschritt der Belohnungsfunktion des Gesamtproblems.
-
Im Verfahrensschritt D wird in Abhängigkeit von den ersten Zuständen der Teilprobleme 61, 62, 63, 64 und der mindestens einen Zielgröße 30 entschieden, ob zurück zu Schritt B gesprungen wird oder zu Schritt E gesprungen wird.
-
Bei einem Sprung zu Schritt B wird ggf. ein neues erstes Teilproblem ausgewählt und anschließend in Schritt C optimiert.
-
Im Verfahrensschritt E wird die Optimierung beendet, und die ersten Zustände der Teilprobleme 61, 62, 63, 64 werden ausgegeben, um bevorzugt eine Herstellung oder Simulierung der optimierten Gesamtkonstruktion 50 unter Verwendung der ersten Zustände zu ermöglichen.
-
Im Folgenden werden vorteilhafte Ausführungsformen des Agenten 20 beschrieben.
-
Bevorzugt wird im Verfahrensschritt C vom Agenten 20 mindestens eine erste Konstruktionsbedingung vorgegeben, welche bei der Optimierung erfüllt sein muss. Eine solche Konstruktionsbedingung kann bspw. ein maximales Gewicht oder eine untere oder obere Grenze für eine Maximaldrehzahl sein.
-
Bevorzugt ist der Agent 20 dazu ausgebildet, in Abhängigkeit von den ersten Zuständen der Teilprobleme einen zweiten Zustand des Gesamtproblems zu berechnen. So kann sich beispielsweise mit einem speziellen Kugellagertyp (Lösung des ersten Teilproblems) und einem optimierten Elektromotor (Lösung des zweiten Teilproblems) als zweiter Zustand eine bestimmte Leistung und ein bestimmtes Drehmoment in Abhängigkeit von der Drehzahl ergeben.
-
Durch den aktuellen ersten Zustand, welcher optimiert ist, ergibt sich damit jeweils auch eine Änderung des zweiten Zustands des Gesamtproblems 60.
-
Bevorzugt wird vom Agenten 20 mit einer vorgegebenen Belohnungsfunktion in Abhängigkeit
- - vom zweiten Zustand,
- - vom ersten Zustand, oder
- - vom zweiten Zustand und vom ersten Zustand
eine Belohnung für ein maschinelles Lernen unter Verwendung von verstärkendem Lernen berechnet. Die Belohnung kann sich bspw. aus einer Funktion ergeben, welche einen Gradienten berechnet, der angibt, inwieweit sich der erste Zustand oder zweite Zustand ausgehend vom vorhergehenden ersten Zustand oder zweiten Zustand in Richtung zu einem Zielzustand durch die Optimierung entwickelt. Es können auch andere Belohnungsfunktionen verwendet werden, die bspw. berücksichtigen, wie viele der Parameter des ersten Zustands oder zweiten Zustands in einem vorgegebenen geeigneten Bereich liegen. Die Belohnungsfunktion kann auch eine negative Belohnung bzw. Bestrafung erzeugen, wenn beispielsweise das ausgewählte Optimierungsverfahren für das Teilproblem kein Ergebnis liefert. Mit dem Ergebnis der Belohnungsfunktion kann der Agent durch verstärkendes Lernen verbessert werden, und dies bringt einen großen Vorteil bei nachfolgenden Optimierungen.
-
Bevorzugt wird im Verfahrensschritt C das erste Optimierungsverfahren 24A, 24B, 24C durchgeführt, bis mindestens eine zweite Zielgröße für das Teilproblem erreicht ist, oder bis eine vorgegebene Anzahl von Durchläufen des ersten Optimierungsverfahrens 24A, 24B, 24C stattgefunden hat. Das ausgewählte erste Optimierungsverfahren 24A, 24B, 24C kann also wiederholt bzw. iterativ angewandt werden, bis eine entsprechende zweite Zielgröße erreicht ist, oder bis die Anzahl der Durchläufe größer oder gleich einer vorgegebenen Anzahl ist. Hierdurch kann vermieden werden, dass das ausgewählte Optimierungsverfahren sehr lange durchgeführt wird, obwohl es zum aktuellen Zeitpunkt nicht für die Erreichung des Ziels geeignet ist.
-
Bevorzugt werden die Anzahl der Durchläufe des Optimierungsverfahrens durch den Agenten 20 und/oder die zweite Zielgröße mit Methoden des maschinellen Lernens mittels verstärkendem Lernen erzeugt und vorgegeben.
-
Bevorzugt wird die zweite Zielgröße durch den Agenten 20 vorgegeben, dieser definiert also für das ausgewählte erste Optimierungsverfahren 24A, 24B, 24C eine geeignete zweite Zielgröße und ermöglich somit dem Optimierungsverfahren 24A, 24B, 24C eine zielgerichtete Optimierung.
-
Bevorzugt wird die zweite Zielgröße durch den Agenten 20 mit maschinellem Lernen unter Verwendung von verstärkendem Lernen vorgegeben. Dies kann bspw. vorteilhaft sein, wenn durch das maschinelle Lernen anfangs eine weniger strikte Zielgröße vorgegeben wird, um hierdurch insgesamt schneller zum Gesamtziel zu gelangen.
-
Bevorzugt ist der Agent 20 dazu eingerichtet, dem ersten Optimierungsverfahren 24A, 24B, 24C in Verfahrensschritt C eine erste Metrik mit einer Zielgröße zu übergeben, um eine Optimierung auf die erste Metrik zu ermöglichen. Der Agent 20 ermöglicht dem ersten Optimierungsverfahren 24A, 24B, 24C hierdurch die Verwendung zusätzlichen Wissens und damit eine bessere Optimierung.
-
Bevorzugt ist der Agent 20 dazu eingerichtet, ausgehend vom Gesamtproblem 60 selbständig die erste Mehrzahl von Teilproblemen 61, 62, 63, 64 zu definieren, insbesondere mit maschinellem Lernen unter Verwendung von verstärkendem Lernen. Die selbstständige Definition der Teilprobleme 61, 62, 63, 64 ermöglicht bspw. eine Variation dahingehend, dass entweder kleinere Teilprobleme mit wenigen Parametern erzeugt werden, sofern sich dies beim maschinellen Lernen bspw. bei komplexen Gesamtproblemen als vorteilhaft erwiesen hat, oder es können unterschiedliche Parameter und Konstruktionsformeln bspw. aus unterschiedlichen Komponenten der Gesamtkonstruktion 50 gemeinsam als Teilproblem definiert werden. Letzteres ermöglicht eine gemeinsame Optimierung unterschiedlicher Bereiche in einem Teilproblem, und dies kann die Energieeffizienz und Leistung erhöhen, beispielsweise in einem Antriebsstrang. Die Definition der Teilprobleme durch den Agenten 20 hat sich bei Versuchen als sehr vorteilhaft erwiesen, und der Agent 20 kann hierdurch schneller zu einer vorteilhaften Lösung des Gesamtproblems 60 gelangen.
-
Bevorzugt ist der Agent 20 dazu eingerichtet, bei der Auswahl des Teilproblems im Verfahrensschritt B sowohl ein erstes Teilproblem 61, 62, 63, 64 auswählen zu können, das bisher noch nicht ausgewählt wurde, als auch ein erstes Teilproblem 61, 62, 63, 64 auswählen zu können, das bereits mindestens einmal ausgewählt wurde. Es muss also im Ergebnis nicht bei einer einmaligen Optimierung des jeweiligen Teilproblems bleiben, sondern Teilprobleme 61, 62, 63, 64 können auch iterativ nach der Optimierung anderer Teilprobleme erneut optimiert werden. Durch die Verwendung des maschinellen Lernens für die Auswahl des Teilproblems kann eine deutliche Verbesserung des Verfahrens erzielt werden.
-
Bevorzugt umfasst der Zustand des Agenten mindestens einen Zustand aus einer Zustandsgruppe bestehend aus:
- - Metrik in Bezug auf den Zustand und Fortschritt des Gesamtproblems,
- - Information bezüglich der Unterkomponenten, die konstruiert werden, insbesondere verwendete Konstruktionsformeln, Parameter, Kurven und/oder Variablen,
- - Metrik der Konstruktionslösungen der Teilprobleme,
- - Ausgewählte Kombinationen von Teilproblem, Optimierungsverfahren, optional ausgewählte Metrik und ausgewählte Daten des Teilproblems im vorhergehenden Schritt, und
- - Arbeitspunkt des Systems, repräsentiert durch Systemzustände, wobei die Teilprobleme bevorzugt kalibriert sind.
-
Das Verfahren kann in einem Computerprogramm implementiert werden, und bevorzugt wird ein Computerprogramm-Produkt bereit gestellt, welches von einem Computer ausführbar ist und dazu ausgebildet ist, das Verfahren auszuführen,
-
Eine Verwendung des Verfahrens zur Herstellung oder Simulation der Gesamtkonstruktion 50 ist besonders vorteilhaft.
-
Naturgemäß sind im Rahmen der vorliegenden Erfindung vielfältige Abwandlungen und Modifikationen möglich.
-
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
-
- WO 2021/104608 A1 [0004]
- WO 2020/208378 A1 [0005]
- DE 102020118805 A1 [0006]
- WO 99/27484 A1 [0007]