DE102022132797A1 - Computer-implemented method for calibrating an active system - Google Patents
Computer-implemented method for calibrating an active system Download PDFInfo
- Publication number
- DE102022132797A1 DE102022132797A1 DE102022132797.3A DE102022132797A DE102022132797A1 DE 102022132797 A1 DE102022132797 A1 DE 102022132797A1 DE 102022132797 A DE102022132797 A DE 102022132797A DE 102022132797 A1 DE102022132797 A1 DE 102022132797A1
- Authority
- DE
- Germany
- Prior art keywords
- computer
- active system
- change
- phrase
- justification
- 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 52
- 238000005259 measurement Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 48
- 238000010801 machine learning Methods 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 24
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 6
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 5
- 230000002787 reinforcement Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 description 5
- 101100453960 Drosophila melanogaster klar gene Proteins 0.000 description 3
- 241000282412 Homo Species 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241000238558 Eucarida Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Die Erfindung betrifft ein computerimplementiertes Verfahren zum Kalibrieren eines Aktivsystems (1), wobei zumindest die folgenden Schritte ausgeführt werden:a. Bereitstellen von Messdaten von einem Betrieb eines Aktivsystems (1);b. Erfassen und Aufzeichnen von Messwerten (3) aus den Messdaten;c. Vergleichen von aufgezeichneten Messwerten (3) und zumindest einem zugehörigen Zielwert, sowie Finden eines ersten Änderungsvorschlags (16) und einer zugehörigen Begründung (17), wenn eine Abweichung von dem zugehörigen Zielwert festgestellt wird;d. auf Basis des ersten Änderungsvorschlags (16) und der Begründung (17), Ausgeben von dem Änderungsvorschlag (16) und der Begründung (17) in Form von einer menschenverständlichen Phrase (5);e. auf Basis des ersten Änderungsvorschlags (16), Erzeugen eines Änderungswerts (10) zum Betrieb des Aktivsystems (1);f. auf Basis von einer durch einen Kalibrier-Nutzer (7) bereitgestellten Phrase (8), Erkennen von relevanter Information, enthaltend einen zweiten Änderungsvorschlag (19) und eine zugehörige Begründung (20); undg. auf Basis der Phrasen (5,8), Ermitteln von einer Ähnlichkeit (13) von den Änderungsvorschlägen (16,19) und Begründungen (17,20); undh. Erzeugen einer Gewichtung (22) auf Basis der Ähnlichkeit (13), wobei der Änderungswert (10) mittels der Gewichtung (22) gewichtet an das Aktivsystem (1) ausgegeben wird.Mit dem hier vorgeschlagenen Verfahren ist ein Aktivsystem KI-gestützt und menschlich gelenkt kalibrierbar.The invention relates to a computer-implemented method for calibrating an active system (1), wherein at least the following steps are carried out:a. providing measurement data from the operation of an active system (1);b. capturing and recording measurement values (3) from the measurement data;c. comparing recorded measurement values (3) and at least one associated target value, and finding a first change suggestion (16) and an associated justification (17) if a deviation from the associated target value is determined;d. based on the first change suggestion (16) and the justification (17), outputting the change suggestion (16) and the justification (17) in the form of a human-understandable phrase (5);e. based on the first change suggestion (16), generating a change value (10) for the operation of the active system (1);f. based on a phrase (8) provided by a calibration user (7), recognizing relevant information containing a second change proposal (19) and an associated justification (20); andg. based on the phrases (5,8), determining a similarity (13) between the change proposals (16,19) and justifications (17,20); andh. generating a weighting (22) based on the similarity (13), wherein the change value (10) is output to the active system (1) weighted by means of the weighting (22).With the method proposed here, an active system can be calibrated using AI and human control.
Description
Die Erfindung betrifft ein computerimplementiertes Verfahren zum Kalibrieren eines Aktivsystems. Die Erfindung betrifft weiterhin ein Computerprogramm umfassend einen Computerprogrammcode, sowie ein Computerprogrammprodukt mit einem solchen Computerprogramm, auf welchem ein Computerprogrammcode abgespeichert ist.The invention relates to a computer-implemented method for calibrating an active system. The invention further relates to a computer program comprising a computer program code, as well as a computer program product with such a computer program on which a computer program code is stored.
Es ist bereits bekannt, hoch-komplexe Aktivsysteme, wie beispielsweise einen elektrifizierten Antriebsstrang samt elektrischer Antriebsmaschine und Traktionsbatterie eines Kraftfahrzeugs, mithilfe von sogenannter künstlicher Intelligenz [Kl] zu kalibrieren. Dabei werden oftmals sehr gute und nicht selten unerwartete Lösungen erzielt. Besonders zielführend hat sich dabei das sogenannte selbstverstärkende Lernen herausgestellt, bei welchem der Algorithmus eine Belohnung (oder auch Bestrafung) erhält (beispielsweise als Faktor zwischen -1 [minus eins] und +1 [plus eins]) erhält, wenn ein Zielwert erreicht oder sich diesem angenähert wird. Weiterhin hat sich ein sogenanntes modell-basiertes selbstverstärkendes Lernen als vorteilhafter Ansatz herausgestellt. Dieser wird auch als Simulator bezeichnet. Dabei wird dem zu kalibrierenden Aktivsystem beispielsweise in großer Detailtiefe eine dynamische Umgebungsbedingung simuliert, wobei dies physisch oder rein datengetrieben ausführbar ist. Ein anderer vorteilhafter Ansatz ist die Nutzung des Markov-Entscheidungsprozesses als Modell.It is already known to calibrate highly complex active systems, such as an electrified drive train including an electric drive motor and traction battery of a motor vehicle, using so-called artificial intelligence [Kl]. This often results in very good and not infrequently unexpected solutions. So-called self-reinforcing learning has proven to be particularly effective, in which the algorithm receives a reward (or punishment) (for example as a factor between -1 [minus one] and +1 [plus one]) when a target value is reached or approached. Furthermore, so-called model-based self-reinforcing learning has proven to be an advantageous approach. This is also known as a simulator. For example, a dynamic environmental condition is simulated in great detail for the active system to be calibrated, and this can be done physically or purely data-driven. Another advantageous approach is to use the Markov decision process as a model.
Nachteilig bei diesen Ansätzen unter Verwendung einer KI ist, dass die Vorgänge für einen menschlichen Kalibrier-Nutzer im Detail und oft auch im Großen nicht nachvollziehbar sind. Daraus können sich Probleme ergeben, hinsichtlich des Vertrauens in die Ergebnisse der Kalibrierung und während der Berechnungen können von der KI aufgrund von Artefakten falsche Wege eingeschlagen werden.The disadvantage of these approaches using AI is that the processes are not comprehensible to a human calibration user in detail and often also in the larger picture. This can lead to problems with regard to trust in the calibration results and during the calculations the AI can take the wrong path due to artifacts.
Hiervon ausgehend liegt der vorliegenden Erfindung die Aufgabe zugrunde, die aus dem Stand der Technik bekannten Nachteile zumindest teilweise zu überwinden. Die erfindungsgemäßen Merkmale ergeben sich aus den unabhängigen Ansprüchen, zu denen vorteilhafte Ausgestaltungen in den abhängigen Ansprüchen aufgezeigt werden. Die Merkmale der Ansprüche können in jeglicher technisch sinnvollen Art und Weise kombiniert werden, wobei hierzu auch die Erläuterungen aus der nachfolgenden Beschreibung sowie Merkmale aus den Figuren hinzugezogen werden können, welche ergänzende Ausgestaltungen der Erfindung umfassen.Based on this, the present invention is based on the object of at least partially overcoming the disadvantages known from the prior art. The features according to the invention arise from the independent claims, for which advantageous embodiments are shown in the dependent claims. The features of the claims can be combined in any technically reasonable manner, whereby the explanations from the following description and features from the figures can also be used, which include additional embodiments of the invention.
Die Erfindung betrifft ein computerimplementiertes Verfahren zum Kalibrieren eines Aktivsystems, bei welchem zumindest die folgenden Software-Komponenten eingesetzt sind:
- - zumindest ein Maschinen-Lern-Algorithmus, welcher zumindest zum Erfassen und Aufzeichnen von ausgewählten Messwerten und zum Vergleichen mit Zielwerten, sowie zum Finden von Änderungsvorschlägen und zugehörigen Begründungen auf Basis von erfassten Abweichungen eingerichtet ist;
- - ein erster Natural-Language-Prozessor zum Erzeugen von menschenverständlichen ersten Phrasen aus bereitgestellten Änderungsvorschlägen und zugehörigen Begründungen;
- - ein zweiter Natural-Language-Prozessor zum Erkennen von relevanten computerverständlichen Informationen aus zumindest einer von einem menschlichen Kalibrier-Nutzer bereitgestellten menschlichen zweiten Phrase;
- - ein erster Software-Agent, welcher mittels Erzeugen von Änderungswerten zum Minimieren von Abweichungen zwischen Zielwerten und Messwerten eingerichtet ist;
- - ein zweiter Software-Agent, welcher mithilfe eines Natural-Language-Modells zum Ermitteln von Ähnlichkeiten zwischen Phrasen mit computerverständlichen Informationen eingerichtet ist; wobei zumindest die folgenden Schritte einer ersten Gruppe ausgeführt werden:
- a. mittels einer Messeinrichtung, Bereitstellen von komplexen Messdaten von einem Betrieb eines Aktivsystems;
- b. mittels zumindest eines der Maschinen-Lern-Algorithmen, Erfassen und Aufzeichnen von zumindest einer Teilmenge von Messwerten aus den in Schritt a. bereitgestellten Messdaten;
- c. mittels zumindest eines der Maschinen-Lern-Algorithmen, Vergleichen von aktuell aufgezeichneten Messwerten und zumindest einem zugehörigen vorbestimmten Zielwert, sowie Finden zumindest eines ersten Änderungsvorschlags und jeweils einer zugehörigen ersten Begründung, wenn eine Abweichung von dem zugehörigen vorbestimmten Zielwert festgestellt wird;
- d. mittels des ersten Natural-Language-Prozessors auf Basis des ersten Änderungsvorschlags und der zugehörigen ersten Begründung gemäß Schritt c., Ausgeben von dem zumindest einen ersten Änderungsvorschlag und der jeweils zugehörigen ersten Begründung in Form von zumindest einer menschenverständlichen ersten Phrase; und
- e. mittels des ersten Software-Agenten auf Basis des zumindest einen in Schritt d. ausgegebenen ersten Änderungsvorschlags, Erzeugen eines zugehörigen Änderungswerts zum Betrieb des zu kalibrierenden Aktivsystems, wobei weiterhin zumindest die folgenden Schritte einer zweiten Gruppe ausgeführt werden:
- f. mittels des zweiten Natural-Language-Prozessors auf Basis von zumindest einer durch einen Kalibrier-Nutzer bereitgestellten zweiten Phrase, Erkennen von zumindest einer für die bereitgestellten Messwerte relevanten computerverständlichen Information, enthaltend zumindest einen zweiten Änderungsvorschlag und jeweils eine zugehörige zweite Begründung;
- g. mittels des zweiten Software-Agenten auf Basis der zumindest einen in Schritt d. erzeugten ersten menschenverständlichen Phrase und der zumindest einen in Schritt f. bereitgestellten zweiten Phrase, Ermitteln von einer Ähnlichkeit von den und/oder von jeweils zwei gleichen enthaltenen Änderungsvorschlägen und jeweils zugehörigen Begründungen; und
- h. auf Basis von vorbestimmten Vorgaben und/oder mittels zumindest eines der Maschinen-Lern-Algorithmen, Erzeugen einer oder jeweils einer zugehörigen Gewichtung auf Basis der in Schritt g. ermittelten Ähnlichkeit,
- - at least one machine learning algorithm, which is set up at least to capture and record selected measured values and to compare them with target values, as well as to find suggestions for changes and associated justifications on the basis of recorded deviations;
- - a first natural language processor for generating human-understandable first phrases from provided change suggestions and associated justifications;
- - a second natural language processor for recognizing relevant computer-intelligible information from at least one human second phrase provided by a human calibration user;
- - a first software agent configured to minimize deviations between target values and measured values by generating change values;
- - a second software agent configured to use a natural language model to determine similarities between phrases containing computer-understandable information; wherein at least the following steps of a first group are carried out:
- a. by means of a measuring device, providing complex measurement data from the operation of an active system;
- b. by means of at least one of the machine learning algorithms, capturing and recording at least a subset of measurement values from the measurement data provided in step a.;
- c. by means of at least one of the machine learning algorithms, comparing currently recorded measured values and at least one associated predetermined target value, and finding at least one first change proposal and in each case an associated first justification if a deviation from the associated predetermined target value is detected;
- d. using the first natural language processor on the basis of the first change proposal and the associated first justification according to step c., outputting the at least one first change proposal and the respective associated first justification in the form of at least one human-intelligible first phrase; and
- e. by means of the first software agent on the basis of the at least one first change proposal issued in step d., generating an associated change value for the operation of the active system to be calibrated, wherein at least the following steps of a second group are also carried out:
- f. by means of the second natural language processor on the basis of at least one second phrase provided by a calibration user, recognizing at least one piece of computer-understandable information relevant to the measurement values provided, containing at least one second change proposal and an associated second justification;
- g. by means of the second software agent on the basis of the at least one first human-intelligible phrase generated in step d. and the at least one second phrase provided in step f., determining a similarity between the and/or two identical proposed changes and the respective reasons; and
- h. on the basis of predetermined specifications and/or by means of at least one of the machine learning algorithms, generating one or each associated weighting based on the similarity determined in step g.,
In der vorhergehenden und nachfolgenden Beschreibung verwendete Ordinalzahlen dienen, sofern nicht explizit auf das Gegenteilige hingewiesen wird, lediglich der eindeutigen Unterscheidbarkeit und geben keine Reihenfolge oder Rangfolge der bezeichneten Komponenten wieder. Eine Ordinalzahl größer eins bedingt nicht, dass zwangsläufig eine weitere derartige Komponente vorhanden sein muss.Unless explicitly stated otherwise, ordinal numbers used in the preceding and following descriptions are used only to clearly distinguish them and do not reflect any order or ranking of the designated components. An ordinal number greater than one does not necessarily mean that another such component must be present.
Mit dem hier vorgeschlagenen computerimplementierten Verfahren ist ein Kalibrier-Nutzer in die Lage versetzt, den Gang der Berechnungen zum Kalibrieren eines Aktivsystems zu beeinflussen. Gleichwohl ist nicht ausgeschlossen, dass von dem Verfahren dem Kalibrier-Nutzer gegebenenfalls abwegig erscheinende Wege zum Kalibrieren des Aktivsystems einschlägt. Dies ist mittels der Gewichtung erreicht.The computer-implemented method proposed here enables a calibration user to influence the course of the calculations for calibrating an active system. However, it cannot be ruled out that the method may lead the calibration user to take paths for calibrating the active system that may seem absurd. This is achieved by means of weighting.
Ein Maschinen-Lern-Algorithmus ist ein solcher Algorithmus, welcher in der Lage ist, aufgrund eines im Vorfeld erlernten (eingefrorenen) oder eines sich weiterentwickelnden Ablaufs, in einer komplexen Situation bestimmte Entscheidungen zu treffen. Hier ist beispielsweise zumindest ein Maschinen-Lern-Algorithmus eingesetzt, welcher dazu eingerichtet ist, Messdaten zu erfassen und aufzuzeichnen, sowie diese mit einem Zielwert zu vergleichen. Weiterhin ist hier ein Maschinen-Lern-Algorithmus vorgesehen, welcher dazu eingerichtet ist, Änderungsvorschläge und eine zugehörige Begründung zu finden. Bevorzugt ist dazu ein modell-basierter Algorithmus eingesetzt.A machine learning algorithm is an algorithm that is able to make certain decisions in a complex situation based on a previously learned (frozen) or evolving process. For example, at least one machine learning algorithm is used here, which is set up to collect and record measurement data and compare it with a target value. A machine learning algorithm is also provided here, which is set up to find suggestions for changes and an associated justification. A model-based algorithm is preferably used for this purpose.
Natural-Language-Prozessoren sind bekannt und bereits sehr zuverlässig. Beispielsweise werden sie zum Erzeugen von Texten, Verstehen von gesprochener Sprache und Vorlesen von Texten eingesetzt und simulieren menschliche Phrasen auf als äußerst natürlich wahrgenommene Weise. Bekannte Einsätze sind beispielsweise die Suchmaschine oder der E-Mail-Filter von Google®, die Sprachsteuerung von Apple® Siri® oder von Amazon® Alexa®. Hier ist ein erster Natural-Language-Prozessor eingesetzt, welcher dazu eingerichtet ist, aus computerbasierten Daten zumindest eine (erste) Phrase zu erzeugen, welche für einen Menschen verständlich ist, beispielsweise in Form von einem verschriftlichten oder gesprochenen Satz oder in Form von Stichpunkten in einer ausgewählten Sprache. Weiterhin ist ein zweiter Natural-Language-Prozessor eingesetzt, welcher dazu eingerichtet ist, aus einer (zweiten) Phrase in menschlicher Sprache, beispielsweise in Form von einem verschriftlichten oder gesprochenen Satz oder in Form von Stichpunkten in einer ausgewählten Sprache bereitgestellt, für einen Computer beziehungsweise einen Algorithmus verständliche Informationen zu extrahieren.Natural language processors are well known and already very reliable. For example, they are used to generate texts, understand spoken language and read texts aloud and simulate human phrases in a way that is perceived as extremely natural. Well-known applications include the search engine or email filter from Google®, the voice control from Apple® Siri® or Amazon® Alexa®. Here, a first natural language processor is used, which is set up to generate at least one (first) phrase from computer-based data that is understandable to a human, for example in the form of a written or spoken sentence or in the form of bullet points in a selected language. Furthermore, a second natural language processor is used, which is set up to extract information that is understandable for a computer or an algorithm from a (second) phrase in human language, for example in the form of a written or spoken sentence or in the form of bullet points in a selected language.
Software-Agenten sind Maschinen-Lern-Algorithmen, welche dazu befähigt sind, gestellte Aufgaben selbständig zu lösen. Beispielsweise ist dazu ein sogenanntes neuronales Netzwerk, beispielsweise ein graphisches neuronales Netzwerk [GNN], eingesetzt. In einer Ausführungsform arbeitet ein solcher Software-Agent modellbasiert; das heißt, es sind bereits physikalische Zusammenhänge fest implementiert, beispielsweise in Form von einer Look-up-Table [LuT] (mit beispielsweise empirisch ermittelten Werten) und/oder in Form von mathematischen Formeln, welche in guter Näherung die Wirklichkeit abbilden. Hier ist ein erster Software-Agent eingesetzt, welcher dazu eingerichtet ist, den Kalibriervorgang voranzubringen, indem dieser auf Basis vorhergehend ermittelter Messdaten einen Änderungswert erzeugt. Ein solcher Änderungswert ist beispielsweise ein Faktor oder ein Ersatz für den vorhergehenden Wert. Weiterhin ist hier ein zweiter Software-Agent eingesetzt, welcher dazu eingerichtet ist, eine Ähnlichkeit von Phrasen oder der darin enthaltenen Informationen zu ermitteln. In einer Ausführungsform ist ein Natural-Language-Modell Bestandteil des zweiten Software-Agenten. Alternativ wurden die Informationen der betreffenden Phrasen bereits aufbereitet, im Falle der zweiten Phrase des Kalibrier-Nutzers mittels des zweiten Natural-Language-Prozessors oder im Falle der ersten Phrase schon in einem Stadium vor deren Erzeugung, also auf Basis der die gewünschten Informationen enthaltenden Zwischenergebnisse, welche selbst computerverständlich aber nicht zwangsläufig menschenverständlich sind.Software agents are machine learning algorithms that are capable of solving given tasks independently. For example, a so-called neural network, such as a graphical neural network [GNN], is used for this purpose. In one embodiment, such a software agent works on a model-based basis; that is, physical relationships are already firmly implemented, for example in the form of a look-up table [LuT] (with, for example, empirically determined values) and/or in the form of mathematical formulas that represent reality to a good approximation. Here, a first software agent is used, which is set up to advance the calibration process by generating a change value based on previously determined measurement data. Such a change value is, for example, a factor or a replacement for the previous value. Furthermore, a second software agent is used here, which is set up to determine a similarity between phrases or the information contained therein. In one embodiment, a natural language model is used. Part of the second software agent. Alternatively, the information of the phrases in question has already been prepared, in the case of the calibration user's second phrase using the second natural language processor or, in the case of the first phrase, at a stage before it was generated, i.e. on the basis of the intermediate results containing the desired information, which are themselves understandable to computers but not necessarily understandable to humans.
Hier ist nun vorgeschlagen, dass die folgenden Schritte ausgeführt werden:
- In einem Schritt a. werden mittels einer Messeinrichtung, welche beispielsweise Bestandteil eines Aktivsystems ist oder durch Sensoren eines Aktivsystems gespeist ist, komplexe Messdaten von einem Betrieb eines Aktivsystems bereitgestellt. Solche Messdaten umfassen mehrere Datenarten als Messwerte, bei einem elektrifizierten Antriebsstrang beispielsweise betreffend eine Drehzahl, eine Spannung, einen Strom und anderes.
- In einem Schritt b. wird mittels zumindest eines der Maschinen-Lern-Algorithmen zumindest eine Teilmenge von Messwerten der in Schritt a. bereitgestellten Messdaten erfasst und aufgezeichnet. In einer Ausführungsform sind diese Messwerte bereits in einen physikalischen Zusammenhang gebracht, beispielsweise in Form von einer mathematischen Formel und/oder einem Diagramm.
- In einem Schritt c. werden mittels zumindest eines der Maschinen-Lern-Algorithmen aktuell aufgezeichnete Messwerte und zumindest ein zugehöriger vorbestimmter Zielwert miteinander verglichen. Weiterhin wird zumindest ein erster Änderungsvorschlags und jeweils eine zugehörige erste Begründung gefunden, wenn von dem betreffenden Maschinen-Lern-Algorithmus eine Abweichung von dem zugehörigen vorbestimmten Zielwert festgestellt wird. Dem betreffenden Maschinen-Lern-Algorithmus liegt dazu ein Begründungsmodell vor, beispielsweise aufgrund von einem physikalischen Modell und/oder einem erlernten Zusammenhang. Der zumindest eine (erste) Änderungsvorschlag ist für die Verwertung mittels des ersten Software-Agenten eingerichtet.
- In einem Schritt d. werden mittels des ersten Natural-Language-Prozessors auf Basis des ersten Änderungsvorschlags und der zugehörigen ersten Begründung gemäß Schritt c. der zumindest eine erste Änderungsvorschlag und die jeweils zugehörige erste Begründung in Form von zumindest einer menschenverständlichen ersten Phrase ausgegeben. In einer Ausführungsform wird diese einem Kalibrier-Nutzer wiedergegeben. In einer anderen Ausführungsform wird diese lediglich intern genutzt.
- In einem Schritt e. wird mittels des ersten Software-Agenten auf Basis des zumindest einen in Schritt d. ausgegebenen ersten Änderungsvorschlags ein zugehöriger Änderungswert zum Betrieb des zu kalibrierenden Aktivsystems erzeugt, Dies ist in einer Ausführungsform einfache Mathematik (beispielsweise Multiplizieren von einem Änderungsfaktor mit einem Eingangswert), wobei der erste Änderungsvorschlag bereits als mathematisch verwertbare Größe ausgegeben ist. Alternativ ist (zumindest davor) der erste Änderungsvorschlag erst noch zu interpretieren. Beispielsweise ist ein erster Änderungsvorschlag den Eingangswert leicht zu erhöhen, wobei dies in einen Faktor 1,05 (also
eine Erhöhung um 5 %) umgewandelt wird. Es sei darauf hingewiesen, dass dies aber noch nicht der tatsächliche (geänderte) Eingangswert für die nächste Wiederholung des Kalibrierens ist. Vielmehr wird dieser (geänderte) Eingangswert noch gewichtet.
- In a step a., complex measurement data from the operation of an active system are provided by means of a measuring device which, for example, is part of an active system or is fed by sensors of an active system. Such measurement data includes several types of data as measured values, for example, in the case of an electrified drive train relating to a speed, a voltage, a current and others.
- In a step b., at least a subset of measured values of the measurement data provided in step a. is detected and recorded using at least one of the machine learning algorithms. In one embodiment, these measured values are already put into a physical context, for example in the form of a mathematical formula and/or a diagram.
- In a step c., currently recorded measured values and at least one associated predetermined target value are compared with one another using at least one of the machine learning algorithms. Furthermore, at least one first change suggestion and an associated first justification are found if the machine learning algorithm in question detects a deviation from the associated predetermined target value. The machine learning algorithm in question has a justification model for this, for example based on a physical model and/or a learned relationship. The at least one (first) change suggestion is set up for use by the first software agent.
- In a step d., the first natural language processor uses the first change proposal and the associated first justification according to step c. to output the at least one first change proposal and the associated first justification in the form of at least one human-understandable first phrase. In one embodiment, this is reproduced to a calibration user. In another embodiment, this is only used internally.
- In a step e., an associated change value for the operation of the active system to be calibrated is generated by means of the first software agent on the basis of the at least one first change suggestion issued in step d. In one embodiment, this is simple mathematics (for example, multiplying a change factor by an input value), with the first change suggestion already being issued as a mathematically usable value. Alternatively, the first change suggestion still has to be interpreted (at least beforehand). For example, a first change suggestion is to slightly increase the input value, whereby this is converted into a factor of 1.05 (i.e. an increase of 5%). It should be noted that this is not yet the actual (changed) input value for the next repetition of the calibration. Rather, this (changed) input value is still weighted.
Dies stellt die erste Gruppe von Schritten dar. Die zweite Gruppe umfasst weiterhin zumindest die folgenden Schritte:
- Zunächst wird durch einen Kalibrier-Nutzer eine (zweite) Phrase bereitgestellt, beispielsweise durch gesprochene Sprache oder per Texteingabe in eine Computerschnittstelle. Die (zweite) Phrase wird durch Abfrage des Verfahrens an den Kalibrier-Nutzer ausgelöst, und bevorzugt ist eine Zugehörigkeit damit bereits klar. In einer anderen Ausführungsform entscheidet der Kalibrier-Nutzer selbst, wann und/oder ob dieser eine (zweite) Phrase abgibt. Eine Zugehörigkeit wird durch die Art der Schnittstelle bereits klar, wird mittels des zweiten Software-Agenten erkannt und/oder wird von dem Kalibrier-Nutzer selbst angegeben.
- First, a calibration user provides a (second) phrase, for example by spoken language or by entering text into a computer interface. The (second) phrase is triggered by querying the method to the calibration user, and preferably an affiliation is already clear. In another embodiment, the calibration user decides when and/or whether to provide a (second) phrase. An affiliation is already clear through the type of interface, is recognized by the second software agent and/or is specified by the calibration user himself.
In einem Schritt f. wird mittels des zweiten Natural-Language-Prozessors aus der (zweiten) Phrase des Kalibrier-Nutzers zumindest eine für die bereitgestellten Messwerte relevante computerverständliche Information erkannt. Diese computerverständliche Information enthält zumindest einen zweiten Änderungsvorschlag mit einer zugehörigen zweiten Begründung. In einer vorteilhaften Ausführungsform sind der erste Änderungsvorschlag und der (gleiche) zweite Änderungsvorschlag und/oder die erste Begründung und die (gleiche) zweite Begründung aus Sicht des zweiten Software-Agenten gleichartig aufbereitet und somit gut miteinander vergleichbar. Bei einer Mehrzahl von Messwerten gibt es oftmals eine Mehrzahl von Eingangswerten für den Kalibriervorgang. Die ersten Werte (Änderungsvorschlag und Begründung) sind mit den zweiten Werten dann gleich, wenn diese den gleichen Eingangswert betreffen. In einer Ausführungsform ist eine (vor allem zweite) Phrase ungenau oder zusammenfassend für mehrere Eingangswerte. In einer bevorzugten Ausführungsform werden die einzelnen (entsprechend zweiten) Änderungsvorschläge erkannt und separat voneinander behandelt.In a step f., the second natural language processor is used to recognize at least one piece of computer-understandable information relevant to the measurement values provided from the (second) phrase of the calibration user. This computer-understandable information contains at least a second change suggestion with an associated second justification. In an advantageous embodiment, the first change suggestion and the (same) second change suggestion and/or the first justification and the (same) second justification are prepared in the same way from the perspective of the second software agent and are therefore easily comparable with one another. With a plurality of measurement values, there are often a plurality of input values for the calibration process. The first values (change suggestion and justification) are linked to the two ten values are equal if they relate to the same input value. In one embodiment, a (especially second) phrase is inaccurate or summarizes several input values. In a preferred embodiment, the individual (corresponding to second) change suggestions are recognized and treated separately from one another.
In einem Schritt g. wird mittels des zweiten Software-Agenten auf Basis der zumindest einen in Schritt d. erzeugten ersten menschenverständlichen Phrase und der zumindest einen in Schritt f. bereitgestellten zweiten Phrase eine Ähnlichkeit von den und/oder von jeweils zwei gleichen enthaltenen Änderungsvorschlägen und jeweils zugehörigen Begründungen ermittelt. Es sei darauf hingewiesen, dass von dem zweiten Software-Agent nicht zwangsläufig die Ähnlichkeit auf Basis der menschenverständlichen Phrasen ermittelt wird, sondern beispielsweise auf computerverständlichen und nicht zwangsläufig menschenverständlichen Zwischendaten. Eine hohe Ähnlichkeit liegt beispielsweise vor, wenn der erste Änderungsvorschlag und der zweite Änderungsvorschlag beide eine leichte Erhöhung des Eingangswerts vorsehen und die Begründungen gleich sind. Keine Ähnlichkeit liegt beispielsweise dann vor, wenn die Änderungsvorschläge zueinander gegensätzlich sind. Eine mittlere Ähnlichkeit liegt beispielsweise dann vor, wenn die Änderungsvorschläge zwar in die gleiche Richtung weisen, aber die zugehörigen Begründungen voneinander verschieden sind.In a step g., the second software agent is used to determine a similarity between the and/or between two identical proposed changes and their respective associated justifications on the basis of the at least one first human-understandable phrase generated in step d. and the at least one second phrase provided in step f. It should be noted that the second software agent does not necessarily determine the similarity on the basis of the human-understandable phrases, but rather, for example, on intermediate data that is understandable to a computer and not necessarily understandable to a human. A high degree of similarity exists, for example, if the first proposed change and the second proposed change both provide for a slight increase in the input value and the justifications are the same. There is no similarity, for example, if the proposed changes contradict one another. A medium degree of similarity exists, for example, if the proposed changes point in the same direction, but the associated justifications are different from one another.
In einem Schritt h. wird auf Basis von vorbestimmten Vorgaben und/oder mittels zumindest eines der Maschinen-Lern-Algorithmen eine oder jeweils eine zugehörige Gewichtung auf Basis der in Schritt g. ermittelten Ähnlichkeit erzeugt. Die vorbestimmten Vorgaben sind beispielsweise im Vorfeld von außen, beispielsweise einem Kalibrier-Nutzer gesetzt und (zumindest software-seitig) unveränderlich. In einer alternativen Ausführungsform wird von dem Maschinen-Lern-Algorithmus ein Zusammenhang zwischen der ermittelten Ähnlichkeit und einer Gewichtung bestimmt. Beispielsweise hat der Maschinen-Lern-Algorithmus erlernt oder lernt währenddessen, dass bestimmte (zweite) Phrasen eines Kalibrier-Nutzers moderater sind, beispielsweise eine leichte Erhöhung eher 10 % bis 15 % bedeutet, oder extremer, beispielsweise eine deutliche Erhöhung eher 5 % bis 10 % entspricht. Dies ist auch von dem jeweiligen Kontext abhängig, wobei beispielsweise auch die zuvor vorgenommenen Änderungen berücksichtigt werden. Beispielsweise lagen vorige Änderungen im Bereich von 0,1 % bis 0,5 %, sodass eine deutliche Erhöhung dann bereits bei 1 % bis 2 % anzusiedeln ist. Alternativ oder zusätzlich sind in den Phrasen konkrete (beispielsweise Zahlen-) Werte enthalten.In a step h., a weighting or an associated weighting is generated based on the similarity determined in step g. on the basis of predetermined specifications and/or by means of at least one of the machine learning algorithms. The predetermined specifications are set in advance from outside, for example by a calibration user, and are unchangeable (at least on the software side). In an alternative embodiment, the machine learning algorithm determines a connection between the determined similarity and a weighting. For example, the machine learning algorithm has learned or is learning in the process that certain (second) phrases of a calibration user are more moderate, for example a slight increase means 10% to 15%, or more extreme, for example a significant increase means 5% to 10%. This also depends on the respective context, whereby the changes made previously are also taken into account. For example, previous changes were in the range of 0.1% to 0.5%, so a significant increase can then be set at 1% to 2%. Alternatively or additionally, the phrases contain concrete (e.g. numerical) values.
Der in Schritt e. erzeugte Änderungswert wird mittels der zugehörigen in Schritt h. erzeugten Gewichtung gewichtet und derart gewichtet an das zu kalibrierende Aktivsystem ausgegeben. In einer Ausführungsform ist mit der Gewichtung ein Blockieren eines (ersten) Änderungsvorschlags möglich. In einer anderen Ausführungsform ist maximal ein Abmildern eines (ersten) Änderungsvorschlags möglich. In einer Ausführungsform ist auch ein Steigern eines (ersten) Änderungsvorschlags möglich. Eine Gewichtung ist wie oben betreffend die ersten und zweiten Änderungsvorschläge beziehungsweise Begründungen zugehörig, wenn diese den jeweiligen (also gleichen) Eingangswert betrifft.The change value generated in step e. is weighted using the associated weighting generated in step h. and output in this weighted manner to the active system to be calibrated. In one embodiment, the weighting makes it possible to block a (first) change proposal. In another embodiment, a (first) change proposal can be mitigated at most. In one embodiment, a (first) change proposal can also be increased. A weighting is associated with the first and second change proposals or justifications as above if it relates to the respective (i.e. the same) input value.
Es wird weiterhin in einer vorteilhaften Ausführungsform des computerimplementierten Verfahrens vorgeschlagen, dass der erste Software-Agent mithilfe einer solchen Belohnung bestärkend lernend ausgeführt ist, welche von einer Abweichung von zumindest einem Messwert von einem jeweils zugehörigen vorbestimmten Zielwert abhängig ist.It is further proposed in an advantageous embodiment of the computer-implemented method that the first software agent is designed to be reinforcingly learning with the aid of such a reward, which is dependent on a deviation of at least one measured value from a respectively associated predetermined target value.
Wie bereits eingangs erwähnt ist ein (selbst-) bestärkend lernender Algorithmus besonders vorteilhaft für das effiziente Auffinden einer Lösung. Hier ist nun vorgeschlagen, dass der erste Software-Agent eine Belohnung abhängig von der Abweichung zwischen Messwert und Zielwert. Dabei ist bevorzugt der Vergleich von einer in einer (unmittelbar oder beispielsweise um ein vorbestimmtes Intervall beabstandet) vorhergehenden Durchführung einer Kalibrierschleife vorliegende Abweichung mit der aktuellen Abweichung die Grundlage für die Belohnung. Wenn sich also eine Abweichung verkleinert hat, wird eine entsprechende (beispielsweise größere) Belohnung ausgegeben. Alternativ wird stets nur die aktuelle Abweichung betrachtet und die Belohnung einzig von dieser abhängig gemacht, also beispielsweise bei einer großen Abweichung eine kleine Belohnung oder negative Belohnung ausgegeben und bei einer geringen Abweichung eine große (positive) Belohnung ausgegeben. Die Belohnung ist dabei bevorzugt nicht ein Faktor, welcher mit dem Änderungswert multipliziert wird, sondern beeinflusst ausschließlich die Entscheidungsfindung des ersten Software-Agenten. Die Entscheidungsfindung ist beispielsweise mit einer Optimierungsformel (beispielsweise einem evolutionären Algorithmus) ausgestattet, bei welcher eine Variable mittels der Belohnung beeinflusst, also verändert wird. Beispielsweise wird durch eine starke Belohnung ein Entscheidungsweg verschlossen beziehungsweise im Gegenteil bleiben nur wenige Entscheidungswege, beispielsweise sogar nur ein einziger Entscheidungsweg offen.As already mentioned at the beginning, a (self-)reinforcing learning algorithm is particularly advantageous for efficiently finding a solution. Here, it is proposed that the first software agent should reward depending on the deviation between the measured value and the target value. The basis for the reward is preferably the comparison of a deviation present in a previous execution of a calibration loop (immediately or, for example, spaced apart by a predetermined interval) with the current deviation. If a deviation has decreased, a corresponding (for example, larger) reward is given. Alternatively, only the current deviation is always considered and the reward is made dependent solely on this, for example, a small reward or negative reward is given for a large deviation and a large (positive) reward is given for a small deviation. The reward is preferably not a factor that is multiplied by the change value, but only influences the decision-making process of the first software agent. The decision-making process is equipped, for example, with an optimization formula (for example, an evolutionary algorithm) in which a variable is influenced, i.e. changed, by means of the reward. For example, a strong reward closes off a decision path or, on the contrary, only a few decision paths, for example even only a single decision path, remain open.
Es wird weiterhin in einer vorteilhaften Ausführungsform des computerimplementiertes Verfahrens vorgeschlagen, dass die in Schritt a. bereitgestellten komplexen Messdaten als Bildinformation bereitgestellt sind, wobei die Bildinformationen mittels eines Bild-Wandlers zum Auswählen von einer Teilmenge von Messwerten aus den Messdaten und/oder zum Identifizieren von Unterschieden zwischen den Bildinformationen aus zeitlich aufeinander folgenden Messwerten für den zumindest einen Maschinen-Lern-Algorithmus und/oder für den ersten Natural-Language-Prozessor aufbereitet werden.It is further proposed in an advantageous embodiment of the computer-implemented method that the data provided in step a. provided complex measurement data are provided as image information, wherein the image information is prepared by means of an image converter for selecting a subset of measurement values from the measurement data and/or for identifying differences between the image information from temporally successive measurement values for the at least one machine learning algorithm and/or for the first natural language processor.
Bei dieser Ausführungsform sind die Messdaten nicht nur komplex, sondern auch die Messwerte der unterschiedlichen Datenarten miteinander in einen Zusammenhang gebracht, beispielsweise mittels eines zwei dimensionalen oder drei (oder mehr) dimensionalen Graphen. Der Vorteil eines Graphen ist zudem die Lesbarkeit für einen Kalibrier-Nutzer, welcher damit in die Lage versetzt ist, Entscheidungen zu treffen, auf deren Basis dieser eine (zweite) Phrase bereitstellen kann. Mithilfe des Bild-Wandlers gehen nun das Verfahren und der Kalibrier-Nutzer von der gleichen Datenlage aus. Es kommen somit gleichartige, vergleichbare Entscheidungen sowohl bei dem Verfahren als auch bei dem Kalibrier-Nutzer heraus. Die Stärken der künstlichen Intelligenz, welche eine große Datenmenge bewältigen kann und auf beliebig alte vorhergehende Werte zurückgreifen kann, und des menschlichen Kalibrier-Nutzers, welcher Erfahrung gepaart mit einem Erwartungshorizont hat und in der Regel Artefakte zuverlässig erkennt, sind damit synergetisch nutzbar gemacht, um schnell und effizient ein Aktivsystem zu kalibrieren. In einer vorteilhaften Ausführungsform ist der Bild-Wandler ebenfalls eine künstliche Intelligenz, bevorzugt ein neuronales Netzwerk. Der Bild-Wandler arbeitet bevorzugt pixel-basiert, sodass die verwendbaren Bilddaten wenig aufwendig in der Aufbereitung beziehungsweise jegliche Form von Bilddaten (umwandelbar) nutzbar sind.In this embodiment, the measurement data are not only complex, but the measurement values of the different data types are also related to one another, for example by means of a two-dimensional or three (or more) dimensional graph. The advantage of a graph is also that it is readable for a calibration user, who is then able to make decisions on the basis of which he can provide a (second) phrase. With the help of the image converter, the method and the calibration user now start from the same data. This means that similar, comparable decisions are made by both the method and the calibration user. The strengths of artificial intelligence, which can handle a large amount of data and can access previous values of any age, and of the human calibration user, who has experience coupled with an expectation horizon and usually reliably recognizes artifacts, are thus made synergistically usable in order to calibrate an active system quickly and efficiently. In an advantageous embodiment, the image converter is also an artificial intelligence, preferably a neural network. The image converter preferably works on a pixel-based basis, so that the usable image data requires little effort to prepare and any form of image data (can be converted) can be used.
Es wird weiterhin in einer vorteilhaften Ausführungsform des computerimplementierten Verfahrens vorgeschlagen, dass die in Schritt b. erfassten und aufgezeichneten Messwerte ausgewählt sind von zumindest einer der folgenden Entitäten:
- - einem Kalibrier-Nutzer;
- - dem in Schritt b. tätigen Maschinen-Lern-Algorithmus; und
- - einem weiteren eingesetzten Maschinen-Lern-Algorithmus.
- - a calibration user;
- - the machine learning algorithm operating in step b.; and
- - another machine learning algorithm used.
Heutzutage sind bei vielen Aktivsystemen eine erhebliche Menge von Messwerten verfügbar. Auch wenn ein Maschinen-Lern-Algorithmus grundsätzlich mit großen Datenmengen arbeiten muss, so ist doch die Effizienz deutlich steigerbar, wenn nur wenige Datenarten verwendet werden, davon aber eine möglichst große Varianz beziehungsweise zeitliche Tiefe. Beispielsweise ist es für einen Kalibrier-Nutzer besonders einfach nachvollziehbar, wenn einzig die in seiner Modellvorstellung berücksichtigten Datenarten als Messwerte erfasst und aufgezeichnet werden. Alternativ oder zusätzlich ist es für die Effizienz oder für die Offenheit für bisher nicht beachtete Effekte vorteilhaft, wenn der oben beschriebene Maschinen-Lern-Algorithmus selbst oder ein weiterer Maschinen-Lern-Algorithmus über die zu verwendenden Messwerte bestimmt oder im Abgleich mit einem Kalibrier-Nutzer mitbestimmt.Nowadays, many active systems have a significant amount of measurement data available. Even if a machine learning algorithm must fundamentally work with large amounts of data, efficiency can be significantly increased if only a few types of data are used, but with as much variation or temporal depth as possible. For example, it is particularly easy for a calibration user to understand if only the types of data taken into account in their model are recorded and recorded as measurement values. Alternatively or additionally, it is advantageous for efficiency or for openness to previously unconsidered effects if the machine learning algorithm described above itself or another machine learning algorithm determines the measurement values to be used or helps determine them in comparison with a calibration user.
Es wird weiterhin in einer vorteilhaften Ausführungsform des computerimplementierten Verfahrens vorgeschlagen, dass der zumindest eine in Schritt c. genutzte Zielwert festgelegt ist von zumindest einer der folgenden Entitäten:
- - einem Kalibrier-Nutzer;
- - dem in Schritt e. tätigen ersten Software-Agenten; und
- - einem weiteren eingesetzten Software-Agenten.
- - a calibration user;
- - the first software agent operating in step e.; and
- - another software agent used.
Oftmals ist es eine leichte Aufgabe, einen Zielwert (beziehungsweise eine Mehrzahl von Zielwerten) von außen festzulegen, besonders für einen Kalibrier-Nutzer mit Erfahrung. Allerdings ist ein starrer Zielwert in manchen Anwendungsfällen abträglich für das Auffinden einer unerwarteten Lösung und damit einer künstlichen Intelligenz eine unbeabsichtigte Grenze im Optimierungsraum gesetzt. Es ist daher vorteilhaft, beispielsweise unter Berücksichtigung von Zwischenergebnissen oder wenn sich widerstreitende Änderungsvorschläge einstellen, den Zielwert (beziehungsweise eine Mehrzahl von Zielwerten) zu verändern. Dazu ist es vorteilhaft, wenn der (erste) Software-Agent selbst oder ein weiterer Software-Agent den Zielwert setzt, verändert oder (beispielsweise in Abstimmung mit dem Kalibrier-Nutzer) beeinflusst.It is often an easy task to set a target value (or a plurality of target values) from the outside, especially for an experienced calibration user. However, in some use cases, a rigid target value is detrimental to finding an unexpected solution and thus sets an unintended limit in the optimization space for artificial intelligence. It is therefore advantageous to change the target value (or a plurality of target values), for example by taking interim results into account or if conflicting suggestions for changes arise. For this purpose, it is advantageous if the (first) software agent itself or another software agent sets, changes or influences the target value (for example in coordination with the calibration user).
Es wird weiterhin in einer vorteilhaften Ausführungsform des
computerimplementierten Verfahrens vorgeschlagen, dass die erste Gruppe aus den Schritten a. bis e. mit einer höheren Frequenz ausgeführt wird, als die zweite Gruppe aus Schritten f. bis h.,
wobei bevorzugt, bevor die zweite Gruppe wiederholt wird, die zumindest eine Gewichtung konstant gehalten wird,
wobei bevorzugt jeweils 1 bis 100 tausend Wiederholungen der ersten Gruppe ausgeführt werden, bevor die zweite Gruppe wiederholt wird.It is further provided in an advantageous embodiment of the
computer-implemented method, it is proposed that the first group of steps a. to e. is carried out at a higher frequency than the second group of steps f. to h.,
wherein preferably, before the second group is repeated, the at least one weighting is kept constant,
wherein preferably 1 to 100 thousand repetitions of the first group are carried out before the second group is repeated.
Ein weiterer zu beachtender Vorteil von künstlicher Intelligenz ist die im Vergleich zu einem Menschen, aber auch im Vergleich zu reinen Modellberechnungen, hohe Geschwindigkeit, mit welcher die einzelnen Kalibrierschleifen durchführbar sind. Hier ist daher vorgeschlagen, dass die Anzahl der Schleifen (also Wiederholungen), die von der ersten Gruppe durchgeführt werden, mit einer höheren, bevorzugt erheblich höher ist als die zur gleichen Zeit durchgeführten Wiederholungen der zweiten Gruppe. Die Frequenz der Wiederholung der ersten Gruppe ist also höher als die Frequenz der Wiederholungen der zweiten Gruppe. Damit wird auch das Verfahren nicht dadurch verlangsamt, dass der Kalibrier-Nutzer eine Weile, beispielsweise um die Dauer einer Vielzahl von Schleifen, braucht, bis dieser zu einem Ergebnis in Form von einer zweiten Phrase kommt.Another advantage of artificial intelligence that should be noted is the high speed with which the individual calibration loops can be carried out, compared to a human, but also compared to pure model calculations. It is therefore suggested here that the number of loops (i.e. repetitions) performed by the first group is higher, preferably significantly higher, than the number of repetitions performed by the second group at the same time. The frequency of repetition of the first group is therefore higher than the frequency of repetitions of the second group. This also means that the process is not slowed down by the calibration user needing a while, for example the duration of a large number of loops, to arrive at a result in the form of a second phrase.
In einer vorteilhaften Ausführungsform wird zwischen zwei Wiederholungen der zweiten Gruppe die auf Basis der Ähnlichkeit der Phrasen ermittelte Gewichtung konstant gehalten. Alternativ wird die Gewichtung mit zunehmender Entfernung von der Situation oder rein zeitlich beziehungsweise Anzahl der Wiederholungen zunehmend abgeschwächt. Dies ist vorteilhaft, wenn die Gewichtung scharf eingestellt ist, also die zweite Phrase des Kalibrier-Nutzers einen großen Einfluss auf den zu ändernden Eingangswert hat. Eine solche scharfe Gewichtung kann (infolge einer geringen Ähnlichkeit der Phrasen) bis zu einer Neuausrichtung des Kalibriervorgangs führen.In an advantageous embodiment, the weighting determined on the basis of the similarity of the phrases is kept constant between two repetitions of the second group. Alternatively, the weighting is increasingly weakened with increasing distance from the situation or purely in terms of time or the number of repetitions. This is advantageous if the weighting is set sharply, i.e. the second phrase of the calibration user has a large influence on the input value to be changed. Such a sharp weighting can lead to a realignment of the calibration process (as a result of a low similarity of the phrases).
In einer vorteilhaften Ausführungsform werden tausend bis hunderttausend Wiederholungen der ersten Gruppe ausgeführt, bis die zweite Gruppe noch einmal wiederholt wird. In einer Ausführungsform wird lediglich eine festgelegte und/oder von Hand anpassbare Anzahl von Wiederholungen, beispielsweise zehntausend oder fünfzigtausend, der ersten Gruppe ausgeführt, bis eine zweite Gruppe ausgelöst, also ein Kalibrier-Nutzer eingebunden wird. In einer anderen Ausführungsform wird dies von einer Bedingung abhängig gemacht, beispielsweise wenn sich die Richtung einer bisherigen Änderung eines Eingangswerts ändert oder über einen Zielwert hinausgeschossen wird. In einer Ausführungsform wird das Verfahren dann angehalten, bis eine (zweite) Phrase eines Kalibrier-Nutzers bereitgestellt ist.In an advantageous embodiment, a thousand to a hundred thousand repetitions of the first group are carried out until the second group is repeated again. In one embodiment, only a fixed and/or manually adjustable number of repetitions, for example ten thousand or fifty thousand, of the first group are carried out until a second group is triggered, i.e. a calibration user is involved. In another embodiment, this is made dependent on a condition, for example if the direction of a previous change in an input value changes or a target value is exceeded. In one embodiment, the method is then stopped until a (second) phrase from a calibration user is provided.
Es wird weiterhin in einer vorteilhaften Ausführungsform des computerimplementierten Verfahrens vorgeschlagen, dass das zu kalibrierende Aktivsystem eine Komponente eines oder ein gesamter, bevorzugt elektrifizierter, Antriebsstrang eines Kraftfahrzeugs ist.It is further proposed in an advantageous embodiment of the computer-implemented method that the active system to be calibrated is a component of or an entire, preferably electrified, drive train of a motor vehicle.
Der Antriebsstrang eines Kraftfahrzeugs ist äußerst komplex und weist eine Vielzahl von einzelnen aktiven Systemen, beispielsweise Pumpen, Ventile, Kupplungen, oder im Falle eines elektrifizierten Antriebsstrangs beispielsweise auch die Traktionsbatterie, den Pulswechselrichter auf. Dazu unterliegt der Antriebsstrang in seiner Lebenszeit und/oder in den verschiedensten Regionen der Erde unterschiedlichsten Außenbedingungen wie Außentemperatur, Feuchtigkeit und Vibrationen. Weiterhin werden an einen Antriebsstrang heutzutage von der Komfortseite höchste Anforderungen gestellt, wie beispielsweise Geräuschemissionen, Zuverlässigkeit und Vorhersehbarkeit, sowie eine einfache Bedienbarkeit und geringe Wartungsanfälligkeit, aber auch an einen Verbrauch. Es ist daher lohnenswert, einen Antriebsstrang eines Kraftfahrzeugs eingehend zu kalibrieren, um diesen Anforderungen gerecht werden zu können. Mit dem hier vorgeschlagenen Verfahren ist dies sowohl effizient als auch menschlich nachvollziehbar und beeinflussbar gestaltbar. Damit wird letztlich auch ein Vertrauen in das Ergebnis der Kalibrierung geschaffen, welches ohne eine aufwendige nachträgliche Berechnung beziehungsweise Untersuchung eine (gesetzlichen Bestimmung gerecht werdende) Fahrzeugzulassung ermöglicht.The drive train of a motor vehicle is extremely complex and has a large number of individual active systems, such as pumps, valves, clutches, or in the case of an electrified drive train, for example the traction battery, the pulse inverter. In addition, the drive train is subject to a wide range of external conditions such as outside temperature, humidity and vibrations during its lifetime and/or in various regions of the world. Furthermore, drive trains nowadays have to meet the highest comfort requirements, such as noise emissions, reliability and predictability, as well as ease of use and low maintenance, but also consumption. It is therefore worthwhile to calibrate a motor vehicle drive train in detail in order to be able to meet these requirements. With the method proposed here, this can be designed to be both efficient and humanly understandable and controllable. This ultimately creates trust in the result of the calibration, which enables vehicle registration (which meets legal requirements) without the need for complex subsequent calculations or examinations.
Gemäß einem weiteren Aspekt wird ein Computerprogramm umfassend einen Computerprogrammcode vorgeschlagen, wobei der Computerprogrammcode auf zumindest einem Computer derart ausführbar ist, dass der zumindest eine Computer dazu veranlasst ist, das Verfahren nach einer Ausführungsform gemäß der obigen Beschreibung auszuführen, wobei zumindest einer der Computer:
- - in einen lokalen, bevorzugt mobilen, Rechner integriert ist; und/oder
- - zur Kommunikation mit einer Cloud eingerichtet ist.
- - is integrated into a local, preferably mobile, computer; and/or
- - is set up to communicate with a cloud.
Ein Computer umfasst einen oder mehrere Prozessoren, beispielsweise einen Allzweck-Prozessor (CPU) oder Mikroprozessor, RISC-Prozessor, GPU und/oder DSP. Der Computer weist beispielsweise zusätzliche Elemente wie Speicherschnittstellen auf. Wahlweise oder zusätzlich bezeichnen die Begriffe solch eine Vorrichtung, welche in der Lage ist, ein bereitgestelltes oder eingebundenes Programm, bevorzugt mit standardisierter Programmiersprache, wie beispielsweise C++, JavaScript oder Python, auszuführen und/oder Datenspeichergeräte und/oder andere Geräte wie Eingangsschnittstellen und Ausgangsschnittstellen zu steuern und/oder darauf zuzugreifen. Der Begriff Computer bezeichnet auch eine Vielzahl von Prozessoren oder eine Vielzahl von (Unter-) Computern, welche miteinander verbunden und/oder anderweitig kommunizierend verbunden sind und möglicherweise eine oder mehrere andere Ressourcen, wie zum Beispiel einen Speicher, gemeinsam nutzen.A computer comprises one or more processors, for example a general purpose processor (CPU) or microprocessor, RISC processor, GPU and/or DSP. The computer has, for example, additional elements such as memory interfaces. Optionally or additionally, the terms refer to such a device which is capable of executing a provided or embedded program, preferably with a standardized programming language such as C++, JavaScript or Python, and/or controlling and/or accessing data storage devices and/or other devices such as input interfaces and output interfaces. The term computer also refers to a plurality of processors or a plurality of (sub)computers which are interconnected and/or otherwise communicatively connected and possibly share one or more other resources, such as memory.
Ein (Daten-) Speicher ist beispielsweise eine Festplatte (HDD, SSD, HHD) oder ein (nichtflüchtiger) Festkörperspeicher, beispielsweise ein ROM-Speicher oder Flash-Speicher [Flash-EEPROM]. Der Speicher umfasst oftmals eine Mehrzahl einzelner physischer Einheiten oder ist auf eine Vielzahl von separaten Geräten verteilt, sodass ein Zugriff darauf über (Daten-) Kommunikation, beispielsweise Package-Data-Service, stattfindet. Letzteres ist eine dezentrale Lösung, wobei Speicher und Prozessoren einer Vielzahl separater Recheneinheiten anstelle eines (einzigen baueinheitlichen) zentralen Bordcomputers oder ergänzend zu einem zentralen Bordcomputer genutzt werden.A (data) storage device is, for example, a hard disk (HDD, SSD, HHD) or a (non-volatile) solid-state memory, for example a ROM- Memory or flash memory [Flash EEPROM]. The memory often comprises a number of individual physical units or is distributed across a large number of separate devices so that it can be accessed via (data) communication, for example package data service. The latter is a decentralized solution, whereby the memory and processors of a large number of separate computing units are used instead of a (single, uniform) central on-board computer or in addition to a central on-board computer.
Das Computerprogramm ist in einer Ausführungsform teilweise oder vollständig auf einem Server beziehungsweise einer Servereinheit eines Cloud-System, einem Handheld (beispielsweise einem Smartphone) und/oder auf zumindest einer Einheit der Computereinrichtung ausführbar. Mit dem Begriff Server oder Servereinheit wird hier ein solcher Computer bezeichnet, welcher Daten und/oder operative Dienste oder Dienste für ein oder mehrere andere computergestützte Geräte oder Computer bereitstellt und damit das Cloud-System bildet.In one embodiment, the computer program can be executed partially or completely on a server or a server unit of a cloud system, a handheld device (for example a smartphone) and/or on at least one unit of the computer device. The term server or server unit refers here to a computer which provides data and/or operational services or services for one or more other computer-based devices or computers and thus forms the cloud system.
Gemäß einem weiteren Aspekt wird ein Computerprogrammprodukt, auf welchem ein Computerprogrammcode abgespeichert ist, vorgeschlagen, wobei der Computerprogrammcode auf zumindest einem Computer derart ausführbar ist, dass der zumindest eine Computer dazu veranlasst ist, das Verfahren nach einer Ausführungsform gemäß der obigen Beschreibung auszuführen, wobei zumindest einer der Computer:
- - in einen lokalen, bevorzugt mobilen, Rechner integriert ist; und/oder
- - zur Kommunikation mit einer Cloud eingerichtet ist.
- - is integrated into a local, preferably mobile, computer; and/or
- - is set up to communicate with a cloud.
Ein Computerprogrammprodukt, aufweisend Computerprogrammcode, ist beispielsweise ein Medium wie beispielsweise RAM, ROM, eine SD-Karte, eine Speicherkarte, eine Flash-Speicherkarte oder eine Disc. Alternativ ist ein Computerprogrammprodukt auf einem Server abgespeichert und herunterladbar. Sobald das Computerprogramm über eine Ausleseeinheit (beispielsweise ein Laufwerk und/oder eine Installation) auslesbar gemacht ist, so ist der enthaltende Computerprogrammcode und das darin enthaltene Verfahren durch einen Computer beziehungsweise in Kommunikation mit einer Mehrzahl von computergestützten Vorrichtungen, beispielsweise gemäß obiger Beschreibung, ausführbar.A computer program product comprising computer program code is, for example, a medium such as RAM, ROM, an SD card, a memory card, a flash memory card or a disc. Alternatively, a computer program product is stored on a server and can be downloaded. As soon as the computer program is made readable via a reading unit (for example a drive and/or an installation), the computer program code contained therein and the method contained therein can be executed by a computer or in communication with a plurality of computer-aided devices, for example as described above.
Die oben beschriebene Erfindung wird nachfolgend vor dem betreffenden technischen Hintergrund unter Bezugnahme auf die zugehörigen Zeichnungen, welche bevorzugte Ausgestaltungen zeigen, detailliert erläutert. Die Erfindung wird durch die rein schematischen Zeichnungen in keiner Weise beschränkt, wobei anzumerken ist, dass die Zeichnungen nicht maßhaltig sind und zur Definition von Größenverhältnissen nicht geeignet sind. Es wird dargestellt in
-
1 ein Ablaufdiagramm eines computerimplementierten Verfahrens zum Kalibrieren eines Aktivsystems; -
2 das computerimplementiertes Verfahren gemäß1 zum Kalibrieren eines Aktivsystems in einem Flussdiagramm; und -
3 ein Kraftfahrzeug mit einem Aktivsystem in schematischer Draufsicht.
-
1 a flow chart of a computer-implemented method for calibrating an active system; -
2 the computer-implemented method according to1 for calibrating an active system in a flow chart; and -
3 a motor vehicle with an active system in a schematic plan view.
In
Wenn die Messwerte 3 des Aktivsystems 1 im Betrieb außerhalb vorbestimmter Zielwerte liegen, gibt der erste Maschinen-Lern-Algorithmus 2 einen ersten Änderungsvorschlag 16 mit einer ersten Begründung 17 an den Kalibrier-Nutzer 7 und an einen ersten Software-Agent 9 aus, sodass der Zustand des Aktivsystems 1 mittels des ersten Software-Agents 9 und die dann zumindest eine ausgegebene Vorgabe 21 geändert werden kann. Auf Basis des ausgegebenen ersten Änderungsvorschlags 16 mit der entsprechenden ersten Begründung 17 des ersten Maschinen-Lern-Algorithmus 2 wird gleichzeitig eine erste Phrase 5 mit dem ersten Änderungsvorschlags 16 und der entsprechenden ersten Begründung 17 mittels eines ersten Natural-Language-Prozessor 4 ausgegeben, sodass die Intention des ersten Maschinen-Lern-Algorithmus 2 für den Kalibrier-Nutzer 7 (menschen-) verständlich gemacht ist.If the measured
Der Kalibrier-Nutzer 7 analysiert den von dem ersten Maschinen-Lern-Algorithmus 2 ausgegebenen und mithilfe des ersten Natural-Language-Prozessors 4 menschenverständlich gemachten ersten Änderungsvorschlag 16 mit der entsprechenden ersten Begründung 17 oder schaut sich unabhängig davon die vorgelegten (hier als Bildinformation 24 bereitgestellten) Messwerte 3 an und gibt seinen (zweiten) Änderungsvorschlag 19 mit einer entsprechenden (zweiten) Begründung 20 in Form einer (zweiten) Phrase 8 wieder. Es sei explizit darauf hingewiesen, dass mit einem ersten Vorschlag gegenüber einem zweiten Vorschlag keine Rangfolge oder zeitliche Folge bezeichnet ist. Vielmehr ist eben der erste der KI-seitige und der zweite der Nutzer-seitige Vorschlag und entsprechend die Begründung.The calibration user 7 analyses the data output by the first machine learning algorithm 2 and using the first
Diese zweite, also menschliche Phrase 8 wird mittels eines zweiten Natural-Language-Prozessors 6 in eine für die eingesetzten Algorithmen des Verfahrens verständliche, also computerlesbare (beziehungsweise computerverständliche), Eingabe umgewandelt. Die beiden Änderungsvorschläge 16,19 werden mittels eines zweiten Software-Agents 11 innerhalb eines Natural-Language-Modells 12 auf ihre Ähnlichkeit 13 geprüft, sodass feststellbar ist, ob die Ähnlichkeit 13 hoch oder mittel ist oder keine Ähnlichkeit 13 vorliegt. Eine hohe Ähnlichkeit 13 liegt beispielsweise vor, wenn der erste Änderungsvorschlag 16 und der zweite Änderungsvorschlag 19 beide eine leichte Erhöhung eines Eingangswerts vorsehen und die Begründungen 17,20 gleich sind. Keine Ähnlichkeit 13 liegt beispielsweise dann vor, wenn die Änderungsvorschläge 16,19 zueinander gegensätzlich sind. Eine mittlere Ähnlichkeit 13 liegt beispielsweise dann vor, wenn die Änderungsvorschläge 16,19 zwar in die gleiche Richtung weisen, aber die zugehörigen Begründungen 17,20 voneinander verschieden sind.This second, i.e.
Auf Basis der ermittelten Ähnlichkeit 13 wird dann eine Gewichtung 22 für die Vorgabe 21 des ersten Software-Agents 9 und das Ergebnis des zweiten Software-Agents 11 berechnet und mit den Vorgaben 21 multipliziert. Die somit gewichteten Vorgaben 21 (nun als Änderungswert 10 bezeichnet) zum Betreiben des Aktivsystems 1 eingesetzt. Die Änderungswerte 10 verursachen in dem Aktivsystem 1 einen anderen Betriebspunkt, welcher unter Umständen auch zu zumindest einem anderen Ansteuerwert 31 führen. Alternativ ist der zumindest eine Ansteuerwert 31 konstant.On the basis of the determined similarity 13, a
Ein weiterer (hier nicht dargestellter) Maschinen-Lern-Algorithmus vergleicht die ermittelten Messwerte 3 jeweils mit einem entsprechenden Zielwert und/oder mit den vorhergehenden Messwerten 3 und vergibt auf Basis dieses Vergleichs eine Belohnung 23 an den ersten ersten Software-Agenten 9. Der erste erster Software-Agent 9 wird somit in einer nächsten Wiederholung des Vorgangs für erfolgreiche Änderungen belohnt und für nicht erfolgreiche Änderungen bestraft, sodass dieser derart bestärkt schneller oder effizienter einen richtigen Weg zum Lösen des vorliegenden Kalibrierproblems findet.Another machine learning algorithm (not shown here) compares the determined measured
In
In einem Schritt b. wird mittels des ersten Maschinen-Lern-Algorithmus 2 zumindest eine Teilmenge von Messwerten 3 der in Schritt a. bereitgestellten Messdaten erfasst und aufgezeichnet. In diesem Ausführungsbeispiel sind diese Messwerte 3 bereits in einen physikalischen Zusammenhang gebracht, beispielsweise in Form von einer mathematischen Formel und/oder einem Diagramm.In a step b., at least a subset of measured
In einem Schritt c. werden mittels des ersten Maschinen-Lern-Algorithmus 2 aktuell aufgezeichnete Messwerte 3 und zumindest ein zugehöriger vorbestimmter Zielwert miteinander verglichen. Weiterhin wird zumindest ein erster Änderungsvorschlag 16 und jeweils eine zugehörige erste Begründung 17 gefunden, wenn von dem betreffenden Maschinen-Lern-Algorithmus 2 eine Abweichung von dem zugehörigen vorbestimmten Zielwert festgestellt wird. Dem betreffenden Maschinen-Lern-Algorithmus 2 liegt dazu ein Begründungsmodell vor, beispielsweise aufgrund von einem physikalischen Modell und/oder einem erlernten Zusammenhang. Der zumindest eine (erste) Änderungsvorschlag 16 ist für die Verwertung mittels des ersten Software-Agenten 9 eingerichtet.In a step c., currently recorded measured
In einem Schritt d. werden mittels des ersten Natural-Language-Prozessors 4 auf Basis des ersten Änderungsvorschlags 16 und der zugehörigen ersten Begründung 17 gemäß Schritt c. der zumindest eine erste Änderungsvorschlag 16 und die jeweils zugehörige erste Begründung 17 in Form von zumindest einer menschenverständlichen ersten Phrase 5 ausgegeben. Beispielsweise wird diese einem Kalibrier-Nutzer 7 wiedergegeben.In a step d., the first
In einem Schritt e. wird mittels des ersten Software-Agenten 9 auf Basis des zumindest einen in Schritt d. ausgegebenen ersten Änderungsvorschlags 16 ein zugehöriger Änderungswert 10 zum Betrieb des zu kalibrierenden Aktivsystems 1 erzeugt. Dies stellt die erste Gruppe 14 von Schritten dar. Die zweite Gruppe 18 umfasst weiterhin zumindest die folgenden Schritte:
- Zunächst wird durch den Kalibrier-Nutzer 7 eine zweite
Phrase 8 bereitgestellt, beispielsweise durch gesprochene Sprache oder per Texteingabe in eine Computerschnittstelle. Die zweitePhrase 8 wird durch Abfrage des Verfahrens an den Kalibrier-Nutzer 7 ausgelöst. In diesem Ausführungsbeispiel ist eine Zugehörigkeit damit bereits klar.
- First, the calibration user 7 provides a
second phrase 8, for example by spoken language or by entering text into a computer interface. Thesecond phrase 8 is triggered by querying the method to the calibration user 7. In this embodiment, affiliation is therefore already clear.
In einem Schritt f. wird mittels des zweiten Natural-Language-Prozessors 6 aus der zweiten Phrase 8 des Kalibrier-Nutzers 7 zumindest eine für die bereitgestellten Messwerte 3 relevante computerverständliche Information erkannt. Diese computerverständliche Information enthält zumindest einen zweiten Änderungsvorschlag 19 mit einer zugehörigen zweiten Begründung 20. In diesem Ausführungsbeispiel sind der erste Änderungsvorschlag 16 und der (gleiche) zweite Änderungsvorschlag 19 und/oder die erste Begründung 17 und die (gleiche) zweite Begründung 20 aus Sicht des zweiten Software-Agenten 11 gleichartig aufbereitet und somit gut miteinander vergleichbar. Bei einer Mehrzahl von Messwerten 3 gibt es oftmals eine Mehrzahl von Eingangswerten für den Kalibriervorgang. Die ersten Werte (Änderungsvorschlag und Begründung) sind mit den zweiten Werten dann gleich, wenn diese den gleichen Eingangswert betreffen.In a step f., the second
In einem Schritt g. wird mittels des zweiten Software-Agenten 11 auf Basis der zumindest einen in Schritt d. erzeugten ersten menschenverständlichen Phrase 5 und der zumindest einen in Schritt f. bereitgestellten zweiten Phrase 8 eine Ähnlichkeit 13 von den und/oder von jeweils zwei gleichen enthaltenen Änderungsvorschlägen 16,19 und jeweils zugehörigen Begründungen 17,20 ermittelt. Es sei darauf hingewiesen, dass von dem zweiten Software-Agent 11 nicht zwangsläufig die Ähnlichkeit 13 auf Basis der menschenverständlichen Phrasen 5,8 ermittelt wird, sondern beispielsweise auf computerverständlichen und nicht zwangsläufig menschenverständlichen Zwischendaten.In a step g., a similarity 13 of the and/or of two identical proposed
In einem Schritt h. wird auf Basis von vorbestimmten Vorgaben 21 und/oder mittels zumindest eines der Maschinen-Lern-Algorithmen 2 eine oder jeweils eine zugehörige Gewichtung 22 auf Basis der in Schritt g. ermittelten Ähnlichkeit 13 erzeugt. Die vorbestimmten Vorgaben 21 sind beispielsweise im Vorfeld von außen, beispielsweise einem Kalibrier-Nutzer 7 gesetzt und (zumindest software-seitig) unveränderlich. In diesem Ausführungsbeispiel wird von dem Maschinen-Lern-Algorithmus 2 ein Zusammenhang zwischen der ermittelten Ähnlichkeit 13 und einer Gewichtung 22 bestimmt.In a step h., one or an associated
Der in Schritt e. erzeugte Änderungswert 10 wird mittels der zugehörigen in Schritt h. erzeugten Gewichtung 22 gewichtet und derart gewichtet an das zu kalibrierende Aktivsystem 1 ausgegeben. Eine Gewichtung 22 ist wie oben betreffend die ersten und zweiten Änderungsvorschläge 16,19 beziehungsweise Begründungen 17,20 zugehörig, wenn diese den jeweiligen (also gleichen) Eingangswert betrifft.The
Zudem ist mittels der gestrichelten Linien eine unterschiedliche Frequenz der Wiederholungen veranschaulicht. In der ersten Gruppe 14, also die Schritte a. bis e., finden jeweils 1000 bis 100 000 Wiederholungen statt, bevor die zweite Gruppe 18, also die Schritte f. bis h., ein einziges Mal wiederholt wird.In addition, the dashed lines illustrate a different frequency of repetitions. In the
In
Die Erfindung betrifft ein computerimplementiertes Verfahren zum Kalibrieren eines Aktivsystems, wobei zumindest die folgenden Schritte ausgeführt werden:
- a. Bereitstellen von Messdaten von einem Betrieb eines Aktivsystems;
- b. Erfassen und Aufzeichnen von Messwerten aus den Messdaten;
- c. Vergleichen von aufgezeichneten Messwerten und zumindest einem zugehörigen Zielwert, sowie Finden eines ersten Änderungsvorschlags und einer zugehörigen Begründung, wenn eine Abweichung von dem zugehörigen Zielwert festgestellt wird;
- d. auf Basis des ersten Änderungsvorschlags und der Begründung, Ausgeben von dem Änderungsvorschlag und der Begründung in Form von einer menschenverständlichen Phrase;
- e. auf Basis des ersten Änderungsvorschlags, Erzeugen eines Änderungswerts zum Betrieb des Aktivsystems;
- f. auf Basis von einer durch einen Kalibrier-Nutzer bereitgestellten Phrase, Erkennen von relevanter Information, enthaltend einen zweiten Änderungsvorschlag und eine zugehörige Begründung; und
- g. auf Basis der Phrasen, Ermitteln von einer Ähnlichkeit von den Änderungsvorschlägen und Begründungen; und
- h. Erzeugen einer Gewichtung auf Basis der Ähnlichkeit,
- a. Providing measurement data from an operation of an active system;
- b. Collecting and recording measured values from the measurement data;
- c. comparing recorded measured values and at least one associated target value, and finding a first proposal for change and an associated justification, if a deviation from the corresponding target value is detected;
- d. on the basis of the first amendment proposal and the justification, issuing the amendment proposal and the justification in the form of a human-understandable phrase;
- e. based on the first change proposal, generating a change value for the operation of the active system;
- f. based on a phrase provided by a calibration user, identifying relevant information containing a second change proposal and an associated justification; and
- g. on the basis of the phrases, determining a similarity of the proposed changes and justifications; and
- h. Generating a weighting based on similarity,
Mit dem hier vorgeschlagenen Verfahren ist ein Aktivsystem KI-gestützt und menschlich gelenkt kalibrierbar.With the method proposed here, an active system can be calibrated using AI and human control.
BezugszeichenlisteList of reference symbols
- 11
- AktivsystemActive system
- 22
- erster Maschinen-Lern-Algorithmusfirst machine learning algorithm
- 33
- MesswertMeasured value
- 44
- erster Natural-Language-Prozessorfirst natural language processor
- 55
- erste Phrasefirst phrase
- 66
- zweiter Natural-Language-Prozessorsecond natural language processor
- 77
- Kalibrier-NutzerCalibration users
- 88th
- zweite Phrasesecond phrase
- 99
- erster Software-Agentfirst software agent
- 1010
- ÄnderungswertChange value
- 1111
- zweiter Software-Agentsecond software agent
- 1212
- Natural-Language-ModellNatural Language Model
- 1313
- Ähnlichkeitsimilarity
- 1414
- erste Gruppefirst group
- 1515
- MesseinrichtungMeasuring device
- 1616
- erster Änderungsvorschlagfirst amendment proposal
- 1717
- erste Begründungfirst justification
- 1818
- zweite Gruppesecond group
- 1919
- zweiter Änderungsvorschlagsecond amendment proposal
- 2020
- zweite Begründungsecond reason
- 2121
- VorgabenRequirements
- 2222
- Gewichtungweighting
- 2323
- BelohnungReward
- 2424
- BildinformationImage information
- 2525
- Bild-WandlerImage converter
- 2626
- AntriebsstrangDrivetrain
- 2727
- KraftfahrzeugMotor vehicle
- 2828
- Computercomputer
- 2929
- Rechnercalculator
- 3030
- CloudCloud
- 3131
- AnsteuerwertControl value
- 3232
- elektrische Antriebsmaschineelectric drive machine
- 3333
- Getriebetransmission
- 3434
- TraktionsbatterieTraction battery
- 3535
- SpeicherStorage
- 3636
- Prozessorprocessor
- 3737
- linkes Vortriebsradleft drive wheel
- 3838
- rechtes Vortriebsradright drive wheel
Claims (9)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022132797.3A DE102022132797A1 (en) | 2022-12-09 | 2022-12-09 | Computer-implemented method for calibrating an active system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022132797.3A DE102022132797A1 (en) | 2022-12-09 | 2022-12-09 | Computer-implemented method for calibrating an active system |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102022132797A1 true DE102022132797A1 (en) | 2024-06-20 |
Family
ID=91278303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022132797.3A Pending DE102022132797A1 (en) | 2022-12-09 | 2022-12-09 | Computer-implemented method for calibrating an active system |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102022132797A1 (en) |
-
2022
- 2022-12-09 DE DE102022132797.3A patent/DE102022132797A1/en active Pending
Non-Patent Citations (4)
Title |
---|
BEAUDOIN, M.-A., Boulet, B.: Improving gearshift controllers for electric vehicles with reinforcement learning. In: arXiv, 2021. S. 1-21. doi: 10.1016/j.mechmachtheory.2021.104654 |
FIDLER, S., et al. Teaching machines to describe images with natural language feedback. In: arXiv, 2017. S. 1-13. doi: 10.48550/arXiv.1706.00130 |
LI, H., et al.: Energy-efficient autonomous vehicle control using reinforcement learning and interactive traffic simulations. In: 2020 American Control Conference (ACC). IEEE, 2020. S. 3029-3034. doi: 10.23919/ACC45564.2020.9147717 |
NAJAR, A., Chetouani, M.: Reinforcement learning with human advice: a survey. In: Frontiers in Robotics and AI, 2021, 8. Jg., S. 1-20. doi: 10.3389/frobt.2021.584075 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018128289A1 (en) | METHOD AND DEVICE FOR AUTONOMOUS SYSTEM PERFORMANCE AND CLASSIFICATION | |
DE102019124018A1 (en) | Method for optimizing tests of control systems for automated vehicle dynamics systems | |
WO2014121863A1 (en) | Method and device for controlling an energy-generating system which can be operated with a renewable energy source | |
Junietz | Microscopic and macroscopic risk metrics for the safety validation of automated driving | |
DE102019126195A1 (en) | Process for the efficient, simulative application of automated driving functions | |
DE102021100149A1 (en) | Computer-implemented method for providing a test history of traffic scenarios to be tested | |
DE102019204139A1 (en) | Training for artificial neural networks with better utilization of the learning data sets | |
DE102019134053A1 (en) | Process for the continuous validation of automated driving functions applied in driving tests | |
DE102019209457A1 (en) | Method for training an artificial neural network, artificial neural network, use of an artificial neural network and a corresponding computer program, machine-readable storage medium and corresponding device | |
DE102021207613A1 (en) | Process for quality assurance of a system | |
DE102022132797A1 (en) | Computer-implemented method for calibrating an active system | |
WO2020192827A1 (en) | Method and device for the probabilistic prediction of sensor data | |
DE102022132803A1 (en) | Computer-implemented method for calibrating an active system | |
EP3527817A1 (en) | Methods and devices for automated determination and/or compensating for the influence of a wake vortex on a wind turbine | |
EP3871052B1 (en) | Method for calibrating a technical system | |
WO2021009153A1 (en) | Component-based processing of input variables | |
DE102020205542A1 (en) | Preparation of learning data sets with noisy labels for classifiers | |
WO2021089499A1 (en) | Method and system for checking an automated driving function by reinforcement learning | |
DE102018216172A1 (en) | Method for automatically generating a label for training a self-learning system and motor vehicle | |
EP3496009A1 (en) | Computer system for efficiently generating a decision | |
EP3866135B1 (en) | Method for controlling a light signal system | |
DE102020006267A1 (en) | Method for generating a behavior model for a motor vehicle fleet by means of an electronic computing device external to the vehicle, and an electronic computing device external to the vehicle | |
DE102020213830A1 (en) | Method and system for providing diagnostic information | |
EP4339066A1 (en) | Dynamics model for a rail vehicle | |
DE102023200022A1 (en) | Processing of measurement data available as point clouds with better generalization over the training data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication |