DE102022121132A1 - Method for developing a technical component - Google Patents
Method for developing a technical component Download PDFInfo
- Publication number
- DE102022121132A1 DE102022121132A1 DE102022121132.0A DE102022121132A DE102022121132A1 DE 102022121132 A1 DE102022121132 A1 DE 102022121132A1 DE 102022121132 A DE102022121132 A DE 102022121132A DE 102022121132 A1 DE102022121132 A1 DE 102022121132A1
- Authority
- DE
- Germany
- Prior art keywords
- model
- technical component
- current
- argumentation
- parameter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 230000002787 reinforcement Effects 0.000 claims abstract description 8
- 239000003795 chemical substances by application Substances 0.000 claims description 53
- 230000009471 action Effects 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 17
- 238000011161 development Methods 0.000 claims description 12
- 238000011109 contamination Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 6
- 239000000314 lubricant Substances 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000005461 lubrication Methods 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 235000015095 lager Nutrition 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 239000002655 kraft paper Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
Bei einem Verfahren zur Unterstützung einer Person bei der Entwicklung eines durch einen Parametersatz definierten technischen Bauteils werden ein computerimplementierter Agent (23) zum maschinellen Lernen durch modellbasiertes bestärkendes Lernen unter Verwendung einer Belohnung und ein Argumentationsmodell (32) verwendet, und das Argumentationsmodell (32) erzeugt eine linguistische Beschreibung von vorgeschlagenen Änderungen der Parameter, um die Nachvollziehbarkeit für eine Person (11) zu erhöhen.In a method for supporting a person in developing a technical component defined by a set of parameters, a computer-implemented agent (23) for machine learning through model-based reinforcement learning using a reward and an argumentation model (32) are used, and the argumentation model (32) is generated a linguistic description of proposed changes to the parameters to increase comprehensibility for a person (11).
Description
Die Erfindung betrifft ein Verfahren zur Unterstützung einer Person bei der Entwicklung eines durch einen Parametersatz definierten technischen Bauteils und eine Vorrichtung zur Durchführung eines solchen Verfahrens.The invention relates to a method for supporting a person in the development of a technical component defined by a set of parameters and a device for carrying out such a method.
Die
Die
Die
Die
Die
Die
Diese Aufgabe wird gelöst durch die Gegenstände der unabhängigen Patentansprüche.This task is solved by the subject matter of the independent patent claims.
Ein Verfahren zur Unterstützung einer Person bei der Entwicklung eines durch einen Parametersatz definierten technischen Bauteils, welcher Parametersatz eine Mehrzahl von Parametern aufweist, weist die folgenden Schritte auf:
- A) Einem computerimplementierten Agenten wird mindestens ein Zielwert einer ersten Eigenschaft eines technischen Bauteils vorgegeben, welcher computerimplementierte Agent zum maschinellen Lernen durch modellbasiertes bestärkendes Lernen unter Verwendung einer Belohnung eingerichtet ist;
- B) ein computerimplementiertes Argumentationsmodell wird initialisiert;
- C) der computerimplementierte Agent beobachtet seinen aktuellen Zustand, welcher aktuelle Zustand zumindest den aktuellen Parametersatz und einen aktuellen ersten Wert der ersten Eigenschaft für den aktuellen Parametersatz umfasst;
- D) der computerimplementierte Agent führt eine Aktion am aktuellen Parametersatz aus, wobei er eine Modellvorhersage mit vorgeschlagenen Änderungen der Parameter berücksichtigt, falls diese vorhanden ist, ein sich durch die Aktion ergebender geänderter Zustand des computerimplementierten Agenten wird berechnet, und eine sich durch die Veränderung des aktuellen Zustands zum geänderten Zustand ergebende Belohnung wird berechnet;
- E) dem Argumentationsmodell wird der geänderte Zustand des computerimplementierten Agenten zugeführt, und das Argumentationsmodell wird aktualisiert;
- F) durch das Argumentationsmodell wird eine Modellvorhersage mit vorgeschlagenen Änderungen der Parameter für eine nachfolgende Aktion erzeugt, es wird eine linguistische Beschreibung der vorgeschlagenen Änderungen der Parameter und der hierdurch beeinflussten Zielgrößen erzeugt, und die linguistische Beschreibung wird durch eine Anzeigeeinheit oder akustisch ausgegeben, um einer Person ein Feedback über die geplante nachfolgende Aktion des computerimplementierten Agenten zu geben;
- G) der geänderte Zustand wird zum aktuellen Zustand, und es erfolgt ein Sprung zum Schritt D).
- A) A computer-implemented agent is given at least one target value of a first property of a technical component, which computer-implemented agent is set up for machine learning through model-based reinforcement learning using a reward;
- B) a computer-implemented reasoning model is initialized;
- C) the computer-implemented agent observes its current state, which current state includes at least the current parameter set and a current first value of the first property for the current parameter set;
- D) the computer-implemented agent performs an action on the current set of parameters, taking into account a model prediction with proposed changes to the parameters if one exists, a changed state of the computer-implemented agent resulting from the action is calculated, and a resulting from the change in the The reward resulting from the current state to the changed state is calculated;
- E) the reasoning model is fed the changed state of the computer-implemented agent and the reasoning model is updated;
- F) the argumentation model generates a model prediction with proposed changes to the parameters for a subsequent action, a linguistic description of the proposed changes to the parameters and the target variables influenced thereby is generated, and the linguistic description is output by a display unit or acoustically to one to provide feedback to the person about the planned subsequent action of the computer-implemented agent;
- G) the changed state becomes the current state and a jump to step D) occurs.
Das maschinelle Lernen durch modellbasiertes bestärkendes Lernen unter Verwendung einer Belohnung hat sich als sehr vorteilhaft für die Konstruktion technischer Bauteile erwiesen. Für den Nutzer ist der Vorgang eine Art Black Box, er kann also schlecht nachvollziehen, ob sich das Verfahren in die richtige Richtung bewegt und ob er eventuell eingreifen soll. Durch die Verwendung des Argumentationsmodells und der Erzeugung einer linguistischen Beschreibung wird das maschinelle Lernen für den Benutzer viel transparenter und nachvollziehbarer, und der Benutzer kann ggf. eingreifen. Dies führt zu einer schnelleren Entwicklung und zu einem besseren Ergebnis.Machine learning through model-based reinforcement learning using a reward has proven to be very beneficial for the design of technical components. For the user, the process is a kind of black box, meaning it is difficult for them to understand whether the process is moving in the right direction and whether they should possibly intervene. By using the reasoning model and generating a linguistic description, the machine learning becomes much more transparent and comprehensible to the user, and the user can intervene if necessary. This leads to faster development and a better result.
Gemäß einer bevorzugten Ausführungsform wird das Verfahren für ein technisches Bauteil durchgeführt, welches
- - ein mechanisches Bauteil,
- - ein elektrisches Bauteil, oder
- - ein elektrisches und mechanisches Bauteil ist.
- - a mechanical component,
- - an electrical component, or
- - is an electrical and mechanical component.
Diese technischen Bauteile können sehr gut durch das Verfahren optimierte bzw. entwickelt werden.These technical components can be optimized or developed very well using the process.
Gemäß einer bevorzugten Ausführungsform wird das Verfahren für ein technisches Bauteil durchgeführt aus einer Bauteilgruppe bestehend aus:
- - Antriebsstrang,
- - Kugellager,
- - Maschinenbauteil,
- - Wälzlager,
- - Kolben,
- - Kotflügel,
- - Gehäuse, und
- - Frontschürze.
- - drive train,
- - Ball-bearing,
- - mechanical component,
- - Roller bearing,
- - Pistons,
- - fender,
- - housing, and
- - Front apron.
Diese technischen Bauteile lassen sich gut simulieren.These technical components can be easily simulated.
Gemäß einer bevorzugten Ausführungsform wird nach Schritt D ein Update der Agentenstrategie (englisch: policy) und des Argumentationsmodells durchgeführt. Dies ist ein bevorzugter Zeitpunkt für die Aktualisierung des Agenten und des Argumentationsmodells.According to a preferred embodiment, an update of the agent strategy and the argumentation model is carried out after step D. This is a preferred time to update the agent and reasoning model.
Gemäß einer bevorzugten Ausführungsform werden im Schritt E dem Argumentationsmodell Bilder oder Simulationswerte einer Simulation des technischen Bauteils mit dem geänderten Parametersatz zugeführt, insbesondere eine Abweichung des aktuellen ersten Werts vom Zielwert. Dies ermöglicht es dem Argumentationsmodell, eine entsprechende Darstellung anzuzeigen.According to a preferred embodiment, in step E, images or simulation values of a simulation of the technical component with the changed parameter set are supplied to the argumentation model, in particular a deviation of the current first value from the target value. This allows the reasoning model to display an appropriate representation.
Gemäß einer bevorzugten Ausführungsform wird im Argumentationsmodell ein linguistischer Satzgenerator verwendet. Linguistische Satzgeneratoren eigenen sich sehr gut zur Erzeugung eines für Menschen verständlichen Satzes.According to a preferred embodiment, a linguistic sentence generator is used in the argumentation model. Linguistic sentence generators are very suitable for generating a sentence that people can understand.
Gemäß einer bevorzugten Ausführungsform wird der linguistische Satzgenerator mit einem Trainingsdatensatz trainiert. Die Qualität der Sätze kann hierdurch verbessert werden.According to a preferred embodiment, the linguistic sentence generator is trained with a training data set. This can improve the quality of the sentences.
Gemäß einer bevorzugten Ausführungsform wird durch das Argumentationsmodell eine linguistische Beschreibung erzeugt, welche eine Information über die geplante Änderung oder Nichtänderung mindestens eines Parameters des Parametersatzes und eine Begründung darüber enthält, warum der mindestens eine Parameter geändert wird oder nicht geändert wird. Dies erleichtert das Verständnis für den Benutzer, und er kann ggf. eingreifen.According to a preferred embodiment, the argumentation model generates a linguistic description which contains information about the planned change or non-change of at least one parameter of the parameter set and a reason as to why the at least one parameter is changed or not changed. This makes it easier for the user to understand and intervene if necessary.
Gemäß einer bevorzugten Ausführungsform wird durch das Argumentationsmodell eine Dateneingabe von einer Person ausgewertet, und die Aktion am aktuellen Parametersatz wird durch die Dateneingabe beeinflusst. Die Person kann hierdurch in das Verfahren eingreifen und zielführend Vorgaben machen.According to a preferred embodiment, data input from a person is evaluated by the argumentation model, and the action on the current parameter set is influenced by the data input. This allows the person to intervene in the process and make targeted instructions.
Gemäß einer bevorzugten Ausführungsform wird die Dateneingabe in Textform oder als akustische Eingabe entgegengenommen. Die Person kann somit mit Sätzen bzw. Sprache arbeiten und zu einem guten Ergebnis kommen.According to a preferred embodiment, the data input is received in text form or as an acoustic input. The person can therefore work with sentences or language and come to a good result.
Gemäß einer bevorzugten Ausführungsform ist das Argumentationsmodell dazu eingerichtet, durch die Dateneingabe sowohl eine Beschreibung des aktuellen Zustands als auch eine Auswahl eines zu verändernden Parameters des aktuellen Parametersatzes zu ermöglichen. Zum einen kann vorteilhaft in die nächste Iteration eingegriffen werden, und zum anderen sind die Nachvollziehbarkeit und eine Auflistung der Gedanken der Person bei der Entwicklung möglich.According to a preferred embodiment, the argumentation model is set up to enable both a description of the current state and a selection of a parameter of the current parameter set to be changed through data input. On the one hand, it is possible to intervene advantageously in the next iteration, and on the other hand, traceability and a list of the person's thoughts during development are possible.
Gemäß einer bevorzugten Ausführungsform wird als Aktion am aktuellen Parametersatz mindestens eine Aktion ausgeführt aus der Aktionsgruppe bestehend aus:
- - Erhöhung des Werts mindestens eines vorgegebenen Parameters,
- - Erniedrigung des Werts mindestens eines vorgegebenen Parameters,
- - Nichtveränderung des Werts mindestens eines vorgegebenen Parameters.
- - increasing the value of at least one specified parameter,
- - Reducing the value of at least one specified parameter,
- - No change in the value of at least one specified parameter.
Die Parameter können somit in jede Richtung verändert werden, oder es kann vorgesehen werden, dass keine Veränderung stattfindet.The parameters can thus be changed in any direction, or it can be provided that no change takes place.
Gemäß einer bevorzugten Ausführungsform umfasst der Parametersatz mindestens einen Parameter aus der Parametergruppe bestehend aus:
- - Abmessung an mindestens einer vorgegebenen Position des technischen Bauteils, insbesondere Durchmesser, Länge, Größe einer Kontaktfläche,
- - Verhältnis von mindestens zwei Abmessungen des technischen Bauteils,
- - Form des technischen Bauteils, insbesondere Form einer Kontaktfläche,
- - Material an mindestens einer vorgegebenen Position des technischen Bauteils,
- - auftretende Kraft, insbesondere Axialkraft,
- - auftretender Druck,
- - Drehzahl eines sich rotierenden Elements, und
- - dynamische Kapazität.
- - Dimensions at at least one predetermined position of the technical component, in particular diameter, length, size of a contact surface,
- - ratio of at least two dimensions of the technical component,
- - Shape of the technical component, in particular the shape of a contact surface,
- - Material in at least one specified position of the technical component,
- - occurring force, especially axial force,
- - occurring pressure,
- - speed of a rotating element, and
- - dynamic capacity.
Diese Parameter können vorteilhaft optimiert werden.These parameters can be advantageously optimized.
Gemäß einer bevorzugten Ausführungsform kann die Belohnung positive und negative Werte annehmen. Im Falle einer Verschlechterung und daraus resultierender negativer Werte passt sich das maschinelle Lernen dahingehend an, dass ein solcher Schritt unwahrscheinlicher wird.According to a preferred embodiment, the reward can take on positive and negative values. In the event of a deterioration and resulting negative values, machine learning adapts to make such a step less likely.
Gemäß einer bevorzugten Ausführungsform wird das Verfahren in Schritt G beendet, wenn mindestens eine der folgenden Bedingungen erfüllt ist:
- - der aktuelle erste Wert ist gleich wie oder besser als der Zielwert;
- - mit dem aktuellen Parametersatz ist ein Optimum für das technische Bauteil erreicht; und
- - eine vorgegebene Anzahl von weiteren Sprüngen zu Schritt D) hat keine Verbesserung des aktuellen ersten Werts ergeben.
- - the current first value is equal to or better than the target value;
- - with the current parameter set, an optimum for the technical component has been achieved; and
- - a predetermined number of further jumps to step D) did not result in any improvement of the current first value.
Gemäß einer bevorzugten Ausführungsform umfasst die erste Eigenschaft mindestens eine Eigenschaft aus einer Eigenschaftengruppe bestehend aus:
- - maximale Drehzahl bei einem technischen Bauteil mit einem rotierenden Element,
- - auftretende mechanische Spannung unter vorgegebenen physikalischen Bedingungen,
- - auftretende Verformung unter vorgegebenen physikalischen Bedingungen,
- - Grenztemperatur für den Betrieb des technischen Bauteils,
- - erwartete Lebensdauer des technischen Bauteils,
- - Lebensdauer bei vorgegebener Verunreinigung eines Schmierstoffs des technischen Bauteils durch Verschmutzung,
- - Lebensdauer bei vorgegebener Verunreinigung eines Schmierstoffs des technischen Bauteils durch Feuchtigkeit,
- - Lebensdauer bei vorgegebenen mechanischen Schwingungen,
- - Schmierbedingung bei einem Lager, und
- - dynamische Tragzahl bei einem sich bewegenden technischen Bauteil.
- - maximum speed for a technical component with a rotating element,
- - mechanical stress that occurs under given physical conditions,
- - deformation occurring under given physical conditions,
- - Limit temperature for the operation of the technical component,
- - expected service life of the technical component,
- - Service life with a given contamination of a lubricant of the technical component due to contamination,
- - Service life with a given contamination of a lubricant of the technical component by moisture,
- - Service life with given mechanical vibrations,
- - Lubrication condition for a bearing, and
- - dynamic load capacity for a moving technical component.
Dies sind für eine solche Konstruktion vorteilhaft verwendbare erste Eigenschaften.These are first properties that can be used advantageously for such a construction.
Gemäß einer bevorzugten Ausführungsform wird im Schritt F zum aktuellen Zustand
- - mindestens eine linguistische Beschreibung erzeugt und ausgegeben, oder
- - mindestens eine grafische Darstellung ausgegeben. Die Person kann damit den aktuellen Zustand besser beurteilen.
- - at least one linguistic description is generated and output, or
- - at least one graphical representation is output. This allows the person to better assess the current condition.
Gemäß einer bevorzugten Ausführungsform wird die grafische Darstellung unter Anwendung eines Encoders für ein grafisches neuronales Netzwerk in Abhängigkeit von der Modellvorhersage angepasst. Dies erlaubt auch eine Anpassung ursprünglich statischer Bilder an eine geplante Änderung.According to a preferred embodiment, the graphical representation is adjusted using a graphical neural network encoder depending on the model prediction. This also allows originally static images to be adapted to a planned change.
Gemäß einer bevorzugten Ausführungsform wird die linguistische Beschreibung der Änderungen der Parameter in Schritt F durch einen computerimplementierten Decoder in die Modellvorhersage umgewandelt. Dies ermöglicht sowohl die Umwandlung von durch das Argumentationsmodell erzeugten linguistischen Beschreibungen als auch von durch die Person eingegebenen linguistischen Beschreibung und eine Weiterverarbeitung durch den Agenten.According to a preferred embodiment, the linguistic description of the changes in the parameters in step F is converted into the model prediction by a computer-implemented decoder. This enables the conversion of linguistic descriptions generated by the argumentation model as well as linguistic descriptions entered by the person and further processing by the agent.
Eine Vorrichtung ist dazu eingerichtet, ein solches Verfahren auszuführen.A device is set up to carry out such a method.
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 Vorrichtung und eine Person, -
2 eine Anzeige mit einer ersten Information, -
3 ein Flussdiagramm für ein Verfahren, und -
4 in schematischer Darstellung einen Aufbau eines Argumentationsmodells.
-
1 a schematic representation of a device and a person, -
2 an ad with initial information, -
3 a flowchart for a procedure, and -
4 a schematic representation of the structure of an argumentation model.
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.In the following, identical or identically acting parts are provided with the same reference numbers and are usually only described once. The description builds on each other across characters in order to avoid unnecessary repetition.
Die computerimplementierte Vorrichtung 20 hat eine Eingabevorrichtung 21 und eine Ausgabevorrichtung 22. Die Eingabevorrichtung 21 umfasst beispielsweise eine Tastatur, eine Maus, einen Joystick und/oder ein Mikrofon, und die Ausgabevorrichtung 22 umfasst beispielsweise eine Anzeigeeinheit wie einen Monitor oder Bildschirm und/oder einen Lautsprecher.The computer-implemented
Die Vorrichtung 20 hat einen computerimplementierten Agenten 23, eine Umgebung 30 (englisch: environment) und ein computerimplementiertes Argumentationsmodell 32 (englisch: reasoning model). Über eine Datenleitung 24 können Daten von der Eingabevorrichtung 21 an die Umgebung 30 übertragen werden, über eine Datenleitung 25 Daten von der Umgebung 30 an das Argumentationsmodell 32, über eine Datenleitung 26 Daten von der Umgebung 30 an den Agenten 23, über eine Datenleitung 27 Daten vom Argumentationsmodell 32 an den Agenten 23, über eine Datenleitung 28 Daten von der Eingabevorrichtung 21 an das Argumentationsmodell 32, über eine Datenleitung 29 Daten vom Argumentationsmodell 32 an die Ausgabevorrichtung 22 und über eine Datenleitung 31 Daten vom Agenten 23 an die Umgebung 30. Die Umgebung 30 kann auch als Zustand des Agenten 23 bezeichnet werden, der über die Leitung 26 an den Agenten 23 übertragen wird.The
Der computerimplementierte Agent 23 ist zum maschinellen Lernen durch modellbasiertes bestärkendes Lernen eingerichtet, und er soll die Person 11 beim bei der Entwicklung eines durch einen Parametersatz definierten technischen Bauteils unterstützen. Das technische Bauteil ist bevorzugt ein mechanisches und/oder elektrisches Bauteil.The computer-implemented
Die beim bestärkenden Lernen genutzten Modelle werde als Simulatoren (englisch: simulators) bezeichnet. Über die Simulatoren wird beispielsweise das Verhalten der Komponente und vorgegebenen Bedingungen simuliert. Dies kann beispielsweise auf einer physikalischen Basis mit physikalischen/mathematischen Gleichungen erfolgen oder auf einer datengestützten Basis, insbesondere mit neuronalen Netzwerken. Ein weiterer Ansatz kann einen Markov-Entscheidungsprozess als Modell verwenden. Ein bevorzugter Algorithmus für das modellbasierte bestärkende Lernen ist der DYNA-Algorithmus.The models used in reinforcement learning are called simulators. For example, the behavior of the component and given conditions are simulated using the simulators. This can be done, for example, on a physical basis with physical/mathematical equations or on a data-supported basis, in particular with neural networks. Another approach can use a Markov decision process as a model. A preferred algorithm for model-based reinforcement learning is the DYNA algorithm.
Der Agent 23 hat einen ersten Parametersatz 41 und bevorzugt einen zweiten Parametersatz 42, welche das technische Bauteil definieren und durch den Agenten 23 optimiert werden.The
Der Parametersatz enthält bevorzugt mindestens einen Parameter aus der Parametergruppe bestehend aus:
- - Abmessung an mindestens einer vorgegebenen Position des technischen Bauteils, insbesondere Durchmesser, Länge, Größe einer Kontaktfläche,
- - Verhältnis von mindestens zwei Abmessungen des technischen Bauteils,
- - Form des technischen Bauteils, insbesondere Form einer Kontaktfläche,
- - Material an mindestens einer vorgegebenen Position des technischen Bauteils,
- - auftretende Kraft, insbesondere Axialkraft,
- - auftretender Druck,
- - Drehzahl eines sich rotierenden Elements, und
- - dynamische Kapazität.
- - Dimension at at least one predetermined position of the technical component, in particular diameter, length, size of a contact surface,
- - ratio of at least two dimensions of the technical component,
- - Shape of the technical component, in particular the shape of a contact surface,
- - Material in at least one specified position of the technical component,
- - occurring force, especially axial force,
- - occurring pressure,
- - speed of a rotating element, and
- - dynamic capacity.
Das technische Bauteil kann beispielsweise ein Maschinenbauteil sein, insbesondere ein Wälzlager oder ein Kolben. Das technische Bauteil kann auch allgemein ein technisches Fahrzeugbauteil sein, z.B. ein Kotflügel, ein Gehäuse, ein Kolben oder eine Frontschürze.The technical component can be, for example, a machine component, in particular a rolling bearing or a piston. The technical component can also generally be a technical vehicle component, e.g. a fender, a housing, a piston or a front apron.
Ein Diagramm 64 zeigt drei Kurven 71, 72, 73. Die mit x bezeichnete Abszisse zeigt beispielhaft das Verhältnis der axialen Erstreckung 81 des Kugellagers zum Innendurchmesser 82 des inneren Rings des Kugellagers. Die Ordinate y zeigt im Ausführungsbeispiel die mechanische Spannung, welche bei einem vorgegebenen Betriebspunkt des Kugellagers (z. B. Drehzahl, Temperatur und axiale Kräfte) auftreten. Die Kurve 73 zeigt den vorgegebenen Zielwert Z an, welcher durch das Kugellager im finalen Zustand mindestens erreicht werden soll. Die Kurve 71 zeigt die maximal auftretende mechanische Spannung bei einem Parameter I1 für die axiale Erstreckung 81 gemäß dem ersten Parametersatz 41 an, und die Kurve 72 zeigt die entsprechende maximal auftretende mechanische Spannung bei einer axialen Erstreckung 81 mit dem gegenüber I1 geänderten Wert I2 an.A diagram 64 shows three
Der Pfeil 63 zeigt auf einen zu verändernden Parameter.The
Weitere Parameter P1 bis P9 sind angezeigt und können von der Person 11 ausgewählt werden. Zu den weiteren Parametern kann die Person über die Benutzerschnittstelle 21 einen Vorschlag des Agenten 23 anfordern.Further parameters P1 to P9 are displayed and can be selected by the person 11. The person can request a suggestion from the
Ein Feld 65 enthält einen Text 66, welcher Text eine durch das Argumentationsmodell 32 erzeugte linguistische Beschreibung einer Information über eine beabsichtigte Änderung oder Nicht-Änderung bestimmter Parameter des Parametersatzes enthält. Beispiele hierfür sind:
- - „Die Steifigkeit ist gut, und daher sollten die Parameter P3 und P8 nicht verändert werden.“
- - „Die Abweichung war groß im Bereich einer Drehzahl unter 1.000 min-1, und daher sollte der Parameter P7 verringert werden.“
- - „Der Fehler wird höher, wenn ich die Werte des Parameters P5 um 10% erniedrige, und daher sollte eine Erniedrigung um 5% erfolgen.“
- - “The stiffness is good and therefore the parameters P3 and P8 should not be changed.”
- - “The deviation was large in the range of speeds below 1,000 rpm , and therefore the parameter P7 should be reduced.”
- - “The error will be higher if I decrease the values of the P5 parameter by 10%, and therefore a decrease of 5% should occur.”
Der Text 66 enthält also bevorzugt sowohl eine Anmerkung zur aktuellen Situation als auch einen zur Verbesserung vorgesehenen Vorschlag für eine Änderung oder Nicht-Änderung eines Parameters.The
Der Text 66 kann auch ausschließlich eine Aussage zur Änderung enthalten, z.B.:
- - „Eine Erhöhung des Werts der Formel 1 führt zu einer höheren Lebensdauer des Lagers.“
- - “Increasing the value of Formula 1 results in a longer bearing life.”
Die Erzeugung des Texts durch die Vorrichtung 20 bzw. durch das Argumentationsmodell 32 erfolgt bevorzugt mit Hilfe eines linguistischen Satzgenerators.The text is generated by the
Der linguistische Satzgenerator wird bevorzugt zu einem früheren Zeitpunkt mit einem Trainingsdatensatz trainiert.The linguistic sentence generator is preferably trained at an earlier point in time with a training data set.
Besonders bevorzugt wird hierzu ein Netzwerk mit einem langen Kurzzeitgedächtnis verwendet (englisch: LSTM network bzw. Long Short-Term Memory network), es sind aber auch andere linguistische Satzgeneratoren möglich.A network with a long short-term memory is particularly preferably used for this purpose (English: LSTM network or Long Short-Term Memory network), but other linguistic sentence generators are also possible.
Es kann beispielsweise beim jeweiligen Parameter eine Erhöhung, eine Erniedrigung oder ein Gleichbleiben vorschlagen werden.For example, an increase, a decrease or a stay the same can be suggested for the respective parameter.
Die Strategie wird beim maschinellen Lernen mithilfe einer Belohnung angepasst, und die Belohnung kann bspw. gewählt werden abhängig vom Abstand der Kurve 72 zur Kurve 73 oder in Abhängigkeit von einem Vergleich des Abstands zwischen der Kurve 71 und der Kurve 73 sowie des Abstands zwischen der Kurve 72 und der Kurve 73. Bevorzugt minimiert der Agent 23 die Abweichung zwischen dem aktuellen Wert und dem vorgegebenen Zielwert. Die Belohnung kann bevorzugt positive und negative Werte annehmen, bei einer Verschlechterung entspricht die Belohnung also einer Bestrafung, die in den lernenden Agenten 23 eingeht.The strategy is adjusted in machine learning using a reward, and the reward can be chosen, for example, depending on the distance of the
Die Person 11 kann nun entweder beobachten, wie der Agent 23 zusammen mit dem Argumentationsmodell 32 die durch den Text 66 beschriebene Optimierung durchführt, oder er kann über die Eingabevorrichtung 21 eingreifen und selbst im Feld 65 in Textform eine Anmerkung und einen Vorschlag für eine Änderung eines Parameters eingeben. Die Eingabe kann beispielsweise über eine Tastatur oder per Spracheingabe erfolgen. Die Vorrichtung 20 enthält bevorzugt einen Decoder, der dazu in der Lage ist, einen von der Person 11 eingegebenen Text zu decodieren und daraus eine für den Agenten verständliche Information für die gewünschte Abänderung des ausgewählten Parameters zu generieren. Der Decoder führt hierzu bevorzugt eine semantische Analyse des Texts durch.The person 11 can now either observe how the
Diese Möglichkeiten ermöglichen es der Person 11, die Arbeit des Agenten 23 und des Argumentationsmodells 32 gut zu verstehen und nachvollziehen zu können, und bei Bedarf einzugreifen. Die Verwendung der durch das Argumentationsmodell generierten linguistischen Beschreibung ermöglicht ein deutlich besseres Verständnis im Gegensatz zu einer reinen Anzeige eines Diagramms. Die Vorrichtung 20 entwickelt zum einen das technische Bauteil, und zum anderen beschreibt sie die inkrementelle Verbesserung durch für den Menschen verständliche Worte und Sätze. Dies erleichtert stark die erforderliche Einarbeitung der Person 11 in die Nutzung der Vorrichtung 20, und die Person 11 benötigt weniger Fachwissen für die Entwicklung. Personen 11 mit entsprechendem Fachwissen können andererseits die Schritte in der Vorrichtung 20 nachvollziehen und ggf. Einfluss nehmen auf die Vorrichtung 20. Dies kann zu einem besseren technischen Ergebnis führen, und das technische Ergebnis kann schneller erreicht werden.These options enable the person 11 to clearly understand and understand the work of the
Die Vorrichtung 20 ermöglicht hierdurch eine inkrementelle Verbesserung, und der Agent 23 führt entsprechende Aktionen an der Umwelt 30 aus, indem er beispielsweise Parameter eines Parametersatzes ändert. Hierdurch ändert sich der Gesamtzustand des Agenten 23, und eine Belohnung kann für die Änderung berechnet und an den Agenten 23 zur weiteren Bearbeitung übergeben werden.The
Als Aktion am aktuellen Parametersatz wird bevorzugt mindestens eine Aktion ausgeführt aus der Aktionsgruppe bestehend aus:
- - Erhöhung des Werts mindestens eines vorgegebenen Parameters,
- - Erniedrigung des Werts mindestens eines vorgegebenen Parameters,
- - Nichtveränderung des Werts mindestens eines vorgegebenen Parameters.
- - increasing the value of at least one specified parameter,
- - Reducing the value of at least one specified parameter,
- - No change in the value of at least one specified parameter.
Bevorzugt kann der Agent 23 bestimmen, ob der aktuelle Parametersatz 42 als Ergebnis der Optimierung verwendet wird. Alternativ oder zusätzlich kann die Person 11 bevorzugt durch Eingabe über die Eingabevorrichtung 21 bestimmen, dass der aktuelle Parametersatzes 42 als finaler Parametersatz akzeptiert wird. Die Person 11 ist damit am Ziel der Entwicklung, und das technische Bauteil kann anschließend auf Grundlage des finalen Parametersatzes gebaut und eingesetzt werden. Es können auch in Abhängigkeit vom finalen Parametersatz CAD-Dateien für das technische Bauteil erzeugt werden. CAD bedeutet Computer-Aided Design, und die Daten können beispielsweise für ein additives Druckverfahren oder für die Gestaltung einer Spritzgussform genutzt werden.Preferably, the
Das Verfahren weist die Schritte A, B, C, D, E, F, G und bevorzugt H auf.The method has steps A, B, C, D, E, F, G and preferably H.
Im Schritt A wird dem computerimplementierten Agenten 23 mindestens ein Zielwert Z einer ersten Eigenschaft des technischen Bauteils vorgegeben. Der computerimplementierte Agent 23 ist zum maschinellen Lernen durch modellbasiertes bestärkendes Lernen unter Verwendung einer Belohnung eingerichtet.In step A, the computer-implemented
Die erste Eigenschaft umfasst bevorzugt mindestens eine Eigenschaft aus einer Eigenschaftengruppe bestehend aus:
- - maximale Drehzahl bei einem technischen Bauteil mit einem rotierenden Element,
- - auftretende mechanische Spannung unter vorgegebenen physikalischen Bedingungen,
- - auftretende Verformung unter vorgegebenen physikalischen Bedingungen,
- - Grenztemperatur für den Betrieb des technischen Bauteils,
- - erwartete Lebensdauer des technischen Bauteils,
- - Lebensdauer bei vorgegebener Verunreinigung eines Schmierstoffs des technischen Bauteils durch Verschmutzung,
- - Lebensdauer bei vorgegebener Verunreinigung eines Schmierstoffs des technischen Bauteils durch Feuchtigkeit,
- - Lebensdauer bei vorgegebenen mechanischen Schwingungen,
- - Schmierbedingung bei einem Lager, und
- - dynamische Tragzahl bei einem sich bewegenden technischen Bauteil.
- - maximum speed for a technical component with a rotating element,
- - mechanical stress that occurs under given physical conditions,
- - deformation occurring under given physical conditions,
- - Limit temperature for the operation of the technical component,
- - expected service life of the technical component,
- - Service life with a given contamination of a lubricant of the technical component due to contamination,
- - Service life with a given contamination of a lubricant of the technical component by moisture,
- - Service life with given mechanical vibrations,
- - Lubrication condition for a bearing, and
- - dynamic load capacity for a moving technical component.
Diese Eigenschaften ermöglichen eine vorteilhafte Optimierung.These properties enable advantageous optimization.
Im Schritt B wird das Argumentationsmodell 32 initialisiert. Es erhält beispielsweise eigene Daten, Daten des Agenten und ggf. zusätzliche Daten, die durch ein Lernen an Lerndaten erzeugt wurden.In step B, the
Im Schritt C beobachtet der computerimplementierte Agent 23 seinen aktuellen Zustand, welcher aktuelle Zustand zumindest den aktuellen Parametersatz und einen aktuellen ersten Wert der ersten Eigenschaft für den aktuellen Parametersatz umfasst. Der eigene Zustand ist beispielsweise in der Umgebung 30 gespeichert. In step C, the computer-implemented
Im Schritt D führt der computerimplementierte Agent 23 eine Aktion am aktuellen Parametersatz aus, wobei er eine Modellvorhersage mit vorgeschlagenen Änderungen der Parameter berücksichtigt, falls diese vorhanden ist, ein sich durch die Aktion ergebender geänderter Zustand des computerimplementierten Agenten wird berechnet, und eine sich durch die Veränderung des aktuellen Zustands zum geänderten Zustand ergebende Belohnung wird berechnet. Eine solche Aktion kann in der Theorie des maschinellen Lernens auch als Aktion durch den Agenten 23 an der Umgebung 30 angesehen werden, und der Einfluss auf die Umgebung 30 durch diese Aktion sowie die Belohnung werden berechnet.In step D, the computer-implemented
Im Schritt E wird dem Argumentationsmodell 32 der geänderte Zustand des computerimplementierten Agenten 23 zugeführt, und das Argumentationsmodell 32 wird aktualisiert. Das Argumentationsmodell 32 kann somit mit dem geänderten Zustand arbeiten.In step E, the changed state of the computer-implemented
Bevorzugt werden im Schritt E dem Argumentationsmodell 32 Bilder oder Simulationswerte einer Simulation des technischen Bauteils mit dem geänderten Parametersatz zugeführt, insbesondere eine Abweichung des aktuellen ersten Werts vom Zielwert Z. Diese Bilder können anschließend durch das Argumentationsmodell 32 im Schritt F angezeigt oder verändert werden.Preferably, in step E, the
Im Schritt F wird durch das Argumentationsmodell 32 eine Modellvorhersage mit vorgeschlagenen Änderungen der Parameter für eine nachfolgende Aktion erzeugt, es wird eine linguistische Beschreibung der vorgeschlagenen Änderungen der Parameter und der hierdurch beeinflussten Zielgrößen erzeugt, und die linguistische Beschreibung wird durch eine Anzeigeeinheit oder akustisch ausgegeben, um einer Person ein Feedback über die geplante nachfolgende Aktion des computerimplementierten Agenten zu geben. Das Argumentationsmodell 32 macht somit durch die Erzeugung einer Modellvorhersage einen Vorschlag, wie die Optimierung der Parameter des Parametersatzes im nächsten Schritt verlaufen soll. Die vorgeschlagenen Änderungen werden linguistisch beschrieben, die Änderungen werden also mit menschlicher Sprache und damit für die Person 11 leicht verständlich beschrieben.In step F, the
Bevorzugt wird im Schritt F zum aktuellen Zustand
- - mindestens eine linguistische Beschreibung erzeugt und ausgegeben, oder
- - mindestens eine grafische Darstellung ausgegeben.
- - at least one linguistic description is generated and output, or
- - at least one graphical representation is output.
Die Person 11 kann damit den aktuellen Zustand beurteilen.The person 11 can thus assess the current condition.
Bevorzugt wird die grafische Darstellung unter Anwendung eines Encoders für ein grafisches neuronales Netzwerk in Abhängigkeit von der Modellvorhersage angepasst. Diese Anpassung ermöglicht eine Anpassung ursprünglich statischer grafischer Darstellungen in Abhängigkeit von geplanten Änderungen.Preferably, the graphical representation is adapted using an encoder for a graphical neural network depending on the model prediction. This customization allows originally static graphical representations to be adjusted depending on planned changes.
Bevorzugt wird die linguistische Beschreibung der Änderungen der Parameter in Schritt F durch einen computerimplementierten Decoder in die Modellvorhersage umgewandelt. Es ist somit möglich, eine Umwandlung eines für Menschen verständlichen Texts in eine maschinenverständliche Anweisung für die nächste Iteration durchzuführen, insbesondere auch die Umwandlung eines von der Person 11 eingegebenen Texts.Preferably, the linguistic description of the changes in the parameters in step F is converted into the model prediction by a computer-implemented decoder. It is therefore possible to convert a human-understandable text into a machine-understandable instruction for the next iteration, in particular also to convert a text entered by the person 11.
Im Schritt G wird der geänderte Zustand zum aktuellen Zustand, und es erfolgt ein Sprung zum Schritt D. Die Überführung vom geänderten Zustand zum neuen aktuellen Zustand kann auch früher oder - im Programmablauf - später erfolgen.In step G, the changed state becomes the current state and a jump to step D occurs. The transfer from the changed state to the new current state can also take place earlier or - later in the program flow.
Bevorzugt wird das Verfahren in Schritt G) durch einen Sprung zu Schritt H) beendet, wenn mindestens eine der folgenden Bedingungen erfüllt ist:
- - der aktuelle erste Wert ist gleich wie oder besser als der Zielwert Z,
- - mit dem aktuellen Parametersatz ist ein Optimum für das technische Bauteil erreicht, und
- - eine vorgegebene Anzahl von weiteren Sprüngen zu Schritt D hat keine Verbesserung des aktuellen ersten Werts ergeben.
- - the current first value is equal to or better than the target value Z,
- - with the current parameter set, an optimum for the technical component has been achieved, and
- - a predetermined number of further jumps to step D did not result in any improvement to the current first value.
Diese Bedingungen ermöglichen eine Beendigung des Verfahrens, wenn dessen Fortführung nicht mehr sinnvoll ist.These conditions enable the process to be terminated if it no longer makes sense to continue.
Bevorzugt wird durch das Argumentationsmodell 32 eine Dateneingabe von einer Person 11 ausgewertet, und die Aktion am aktuellen Parametersatz wird durch die Dateneingabe beeinflusst. Die Person 11 kann somit Einfluss nehmen auf den iterativen Verlauf.Data input from a person 11 is preferably evaluated by the
Die Dateneingabe wird bevorzugt in Textform oder als akustische Eingabe entgegengenommen. Dies erlaubt eine intuitive Nutzung und führt zu einem besseren technischen Ergebnis.Data entry is preferably received in text form or as acoustic input. This allows intuitive use and leads to better technical results.
Bevorzugt ist das Argumentationsmodell 32 dazu eingerichtet, durch die Dateneingabe sowohl eine Beschreibung des aktuellen Zustands als auch eine Auswahl eines zu verändernden Parameters des aktuellen Parametersatzes zu ermöglichen.The
Dem Argumentationsmodell 32 werden beispielhaft vier Eingaben 101, 102, 103, 104 zugeführt.For example, four
Bei den Eingaben 101, 102 handelt es sich im Ausführungsbeispiel um Designformeln bzw. Entwicklungsformeln, beispielsweise für das Drehmoment in Abhängigkeit von einem Parameter oder für das Drehmoment-Leistung-Verhältnis bei einem Motor. Allgemein werden Werte einer Simulation eines aktuellen Entwicklungsergebnisses bzw. ein aktueller Zustand des Agenten (beispielsweise Drehzahl, Drehmoment, Kräfte, Festigkeit) und ggf. Parameter für Entwicklungsformeln zugeführt, insbesondere eine Abweichung zwischen einem Zielwert und einem aktuellen Wert. Es kann auch nur ein Teil der genannten Parameter zugeführt werden.In the exemplary embodiment, the
Bei den Eingaben 103, 104 handelt es sich beispielsweise um Bilder bzw. Darstellungen einer Simulation eines aktuellen Entwicklungsergebnisses, im Ausführungsbeispiel um ein Diagramm, in dem die radiale Steifigkeit in Abhängigkeit von der Drehzahl für den Zielwert und für die aktuellen Parameter angegeben ist. Die Bilder können natürlich auch andere Eigenschaften betreffen, beispielsweise das Drehmoment in Abhängigkeit von einem Parameter.The
Bevorzugt erhält das Argumentationsmodell Datensätze mit den Bildern und einer zugehörigen linguistischen Anmerkung. Die linguistischen Anmerkungen werden beispielsweise von Entwicklern hinzugefügt, und sie beschreiben die aktuelle Situation sowie die nachfolgende Aktion, die der Entwickler ausführen möchte. Dies könnte beispielsweise sein: „Die Abweichung war groß im Drehzahlbereich unter 1.000 min-1, und daher sollten die Werte in der Formel F1 verringert werden.“ Dies ermöglicht zum einen eine Einflussnahme durch einen Entwickler, und zum anderen kann das Argumentationsmodell auf Grundlage dieser Eingabe für zukünftige Durchläufe lernen.The argumentation model preferably receives data sets with the images and an associated linguistic annotation. For example, the linguistic annotations are added by developers and they describe the current situation and the subsequent action that the developer wants to take. This could be, for example: "The deviation was large in the speed range below 1,000 rpm , and therefore the values in the F1 formula should be reduced." On the one hand, this enables a developer to have an influence, and on the other hand, the argumentation model can be based on this Learn input for future runs.
Bevorzugt ist ein Encoder 120 mit einem grafischen neuronalen Netzwerk vorgesehen, welchem die Eingaben 101, 102 über einen Agenten-Encoder und die Eingaben 103, 104 über einen Bilder-Encoder zugeführt werden. Ein grafisches neuronales Netzwerk ermöglicht eine Beeinflussung von Bildern in Abhängigkeit von der vorhandenen Information.An
Die Ausgabe des Encoders 120 wird einem Encoder 122 als Eingabe zugeführt. Der Encoder 122 erzeugt einerseits über einen linguistischen Satzgenerator 122 eine Beschreibung der vorgeschlagenen Änderung des Zustands des Agenten, beispielsweise „Die Erhöhung der Werte der Formel F1 führt zu einer höheren Lebenserwartung des Gleitlagers.“The output of the
Der Encoder 122 wird bevorzugt mit den linguistischen Anmerkungen des Entwicklers trainiert. Die Beschreibung wird einem Aktions-Decoder 128 zugeführt. Dem Aktions-Decoder 128 werden ggf. auch direkt Parameter vom Encoder 122 zugeführt, beispielsweise der Ausgangszustand des Agenten. Durch den Aktions-Decoder werden in Abhängigkeit vom Input geänderte Parameter für Aktionen am aktuellen Parametersatz des Agenten erzeugt.The
Bevorzugt wird im Aktions-Decoder 128 eine Aufmerksamkeitsberechnung (englisch: attention computation) durchgeführt, um aus dem Output des linguistischen Satzgenerators eine Zuordnung zu einer Abhängigkeit von Ereignissen zu erzeugen und diese in Aktionen zu decodieren.An attention computation is preferably carried out in the
Naturgemäß sind im Rahmen der vorliegenden Erfindung vielfältige Abwandlungen und Modifikationen möglich.Naturally, a variety of variations and modifications are possible within the scope of the present invention.
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturCited patent literature
- WO 2020236665 A1 [0002]WO 2020236665 A1 [0002]
- US 20190080252 A1 [0003]US 20190080252 A1 [0003]
- US 20190332725 A1 [0004]US 20190332725 A1 [0004]
- US 20210402611 A1 [0005]US 20210402611 A1 [0005]
- WO 2021041052 A1 [0006]WO 2021041052 A1 [0006]
- WO 2018071779 A1 [0007]WO 2018071779 A1 [0007]
Claims (19)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022121132.0A DE102022121132A1 (en) | 2022-08-22 | 2022-08-22 | Method for developing a technical component |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022121132.0A DE102022121132A1 (en) | 2022-08-22 | 2022-08-22 | Method for developing a technical component |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102022121132A1 true DE102022121132A1 (en) | 2024-02-22 |
Family
ID=89808685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022121132.0A Pending DE102022121132A1 (en) | 2022-08-22 | 2022-08-22 | Method for developing a technical component |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102022121132A1 (en) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018071779A1 (en) | 2016-10-16 | 2018-04-19 | Ebay Inc. | Image analysis and prediction based visual search |
US20190080252A1 (en) | 2017-04-06 | 2019-03-14 | AIBrain Corporation | Intelligent robot software platform |
US20190332725A1 (en) | 2018-04-30 | 2019-10-31 | Hamilton Sundstrand Corporation | Method and system for designing electrical machines using reinforcement learning |
WO2020236665A1 (en) | 2019-05-17 | 2020-11-26 | Idac Holdings, Inc. | Methods and apparatus for waveform design and signaling for energy harvesting |
WO2021041052A1 (en) | 2019-08-29 | 2021-03-04 | Siemens Aktiengesellschaft | Conversational design bot for system design |
US20210402611A1 (en) | 2019-02-25 | 2021-12-30 | Qbit Robotics Corporation | Information processing system and information processing method |
-
2022
- 2022-08-22 DE DE102022121132.0A patent/DE102022121132A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018071779A1 (en) | 2016-10-16 | 2018-04-19 | Ebay Inc. | Image analysis and prediction based visual search |
US20190080252A1 (en) | 2017-04-06 | 2019-03-14 | AIBrain Corporation | Intelligent robot software platform |
US20190332725A1 (en) | 2018-04-30 | 2019-10-31 | Hamilton Sundstrand Corporation | Method and system for designing electrical machines using reinforcement learning |
US20210402611A1 (en) | 2019-02-25 | 2021-12-30 | Qbit Robotics Corporation | Information processing system and information processing method |
WO2020236665A1 (en) | 2019-05-17 | 2020-11-26 | Idac Holdings, Inc. | Methods and apparatus for waveform design and signaling for energy harvesting |
WO2021041052A1 (en) | 2019-08-29 | 2021-03-04 | Siemens Aktiengesellschaft | Conversational design bot for system design |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2999998B1 (en) | Methods for ascertaining a model of an output variable of a technical system | |
EP0768584B1 (en) | Method for monitoring a machine or plant | |
DE102019203634A1 (en) | Method and device for controlling a robot | |
DE102019134053A1 (en) | Process for the continuous validation of automated driving functions applied in driving tests | |
EP3629151A1 (en) | Method for modifying models for generating source code | |
DE102021212276A1 (en) | KNOWLEDGE DRIVEN AND SELF SUPERVISED QUESTION ANSWERING SYSTEM | |
DE102022121132A1 (en) | Method for developing a technical component | |
EP3617912A1 (en) | Method and device for the computer-assisted generation of a component of a technical system | |
DE202021101570U1 (en) | System for displaying the status of an automation system | |
WO2020126217A1 (en) | Method, arrangement and use for producing a response output in reply to voice input information | |
DE102019130040A1 (en) | Method and system for testing an automated driving function by means of reinforcement learning | |
DE102006061796A1 (en) | Method and device for dynamic treatment of objects | |
EP3776539B1 (en) | Method for computer-aided training of a robot via speech dialogue | |
Salehi et al. | Probabilistic modeling and prediction of a milling tool life and reliability using bayesian statistics | |
DE19626142A1 (en) | Computer-aided text design system | |
EP1959430A2 (en) | Method for automatically generating voiceXML speech applications from speech dialog models | |
EP1436675B1 (en) | Method and assembly for determining and/or producing a drive or parts for a drive and interface and method for determining an operational reliability factor sb | |
DE102022110355A1 (en) | Method and device for mechanical support of a designer | |
DE102022123578A1 (en) | Method and device for tuning motor vehicles | |
DE102022113702A1 (en) | Method, system and computer program product for autonomously intuitively constructing a technical component for an entity | |
EP3961517A1 (en) | Method and system for creating an industrial solution with artificial intelligence | |
EP3955068A1 (en) | Method and system for planning a control system of a process engineering system | |
EP4075210A1 (en) | Optimization method for a control unit, control system, automated installation and computer program product | |
Hansen et al. | Challenges and Solutions for the Automated Dismantling of Motors from Electric Vehicles | |
DE102022119318A1 (en) | Method for optimizing an overall design |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication |