DE102023209444A1

DE102023209444A1 - System und Verfahren zur Geräuschvorhersage basierend auf tiefem Lernen unter Verwendung von Beschleunigungsmesserdaten

Info

Publication number: DE102023209444A1
Application number: DE102023209444.4A
Authority: DE
Inventors: Andreas Kockler; Mate Farkas; Bernhard De Graaff; Ivan BATALOV; Filipe Cabrita Condessa; Andreas Henke; Florian Rieger
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2022-09-30
Filing date: 2023-09-27
Publication date: 2024-04-04
Also published as: CN117807430A; US20240112018A1; JP2024052635A

Abstract

Ein System enthält einen Prozessor in Kommunikation mit einem oder mehreren Sensoren, wobei der Prozessor dazu programmiert ist, Daten einschließlich einer oder mehrerer Echtzeit-Strominformationen, Echtzeit-Spannungsinformationen oder Echtzeit-Vibrationsinformationen aus einer Laufzeitvorrichtung zu empfangen, wobei die Laufzeitvorrichtung ein Aktuator oder ein elektrischer Antrieb ist, und unter Verwendung eines trainierten maschinellen Lernmodells und der Daten als Eingabe für das trainierte maschinelle Lernmodell eine Geräuschvorhersage auszugeben, die dem geschätzten, aus der Laufzeitvorrichtung abgegebenen Geräusch zugeordnet ist.

Description

Technisches Gebiet
Die vorliegende Offenbarung betrifft ein maschinelles Lernnetzwerk, einschließlich eines maschinellen Lernnetzwerks, das einer Vorrichtung mit einer elektrischen Antriebsmaschine zugeordnet ist.
Stand der Technik
Die Analyse elektromechanischer Systeme auf Lärm, Vibrationen und Härte (NVH) ist ein wichtiger Bestandteil der Produktentwicklung und der Qualitätskontrolle in der Fertigung. Ein schlechtes NVH-Verhalten kann die Ermüdung des Benutzers bei der Arbeit mit dem Produkt erhöhen, im Laufe der Zeit zu einer zusätzlichen Verschlechterung (Verschleiß) des Produkts führen und die Kaufentscheidung der Kunden negativ beeinflussen. Einige NVH-Merkmale können zwar nur mithilfe von Beschleunigungsmesserdaten gemessen werden, für andere sind jedoch auch Geräuschaufzeichnungen während des Betriebs erforderlich. Während jedoch zuverlässige Beschleunigungsmesserdaten durch Anbringen eines Beschleunigungsmessers am Gehäuse des Produkts relativ einfach aufgezeichnet werden können, kann die Erstellung hochwertiger Geräuschaufnahmen bei bestimmten Anwendungen eine größere Herausforderung darstellen. Dies ist besonders wichtig bei der End-of-Line(EOL)-Prüfung von neu hergestellten elektrischen Antrieben in Montagewerken, in denen der Hintergrundlärm eventuell zu hoch ist, um Aufnahmen mit hohem Signal-Rausch-Verhältnis zu erzeugen. Ferner ist eine spezielle Aufzeichnungsumgebung aufgrund von Kosten- und Zeitbeschränkungen, denen die Werke unterliegen, möglicherweise nicht machbar. Ein alternativer Ansatz zur Erfassung von Geräuschsignalen könnte in der Entwicklung eines weichen (virtuellen) Sensors bestehen, der das Geräusch basierend auf den verfügbaren Vibrationsdaten schätzt.
Die meisten aktuellen Ansätze für virtuelle Sensoren stützen sich auf physikbasierte Modelle, die umständlich zu entwickeln sind, sich nur schwer für den Einsatz außerhalb des engen Bereichs der Systeme, für die sie entwickelt wurden, anpassen lassen und in Bezug auf die Komplexität der Beziehungen zwischen den Sensoren, die sie lernen können, und den explizit implementierten Sensoren begrenzt sind. Neuartige, auf tiefes Lernen basierende Verfahren wurden auch für eine Mehrzahl von virtuellen Erfassungsanwendungen entwickelt, z. B. für die Trennung von Geräuschen, die Verbesserung verrauschter Sprache und andere. Diese datengesteuerten Verfahren sind vielseitig und können komplexe Datenbeziehungen lernen. Bisher wurden jedoch noch keine derartigen Verfahren für die virtuelle Wahrnehmung von Geräuschen in EDs entwickelt.
Kurzdarstellung
Gemäß einer ersten Ausführungsform umfasst ein computer-implementiertes Verfahren das Empfangen von Strominformationen, Spannungsinformationen, Vibrationsinformationen und Geräuschinformationen aus einer ersten Mehrzahl von Sensoren, die einer Testvorrichtung zugeordnet sind, das Erzeugen eines Trainingsdatensatzes unter Verwendung der Strominformationen, der Spannungsinformationen, der Vibrationsinformationen und der Geräuschinformationen, das Eingeben des Trainingsdatensatzes in ein maschinelles Lernmodell als Reaktion darauf, dass ein Konvergenzschwellenwert des maschinellen Lernmodells durch den Trainingsdatensatz erreicht wird, Ausgeben eines trainierten maschinellen Lernmodells, das dazu ausgelegt ist, Drehmomentvorhersagen auszugeben, Empfangen einer Kombination von entweder Echtzeit-Strominformationen, Echtzeit-Spannungsinformationen oder Echtzeit-Vibrationsinformationen aus einer zweiten Mehrzahl von Sensoren, die einer Laufzeitvorrichtung zugeordnet sind, und Ausgeben einer Drehmomentvorhersage, die der Laufzeitvorrichtung zugeordnet ist, basierend auf dem trainierten maschinellen Lernmodell und der Kombination von entweder Echtzeit-Strominformationen, Echtzeit-Spannungsinformationen oder Echtzeit-Vibrationsinformationen als Eingabe in das trainierte maschinelle Lernmodell.
Gemäß einer zweiten Ausführungsform offenbart ein computer-implementiertes Verfahren das Empfangen von Strominformationen, Spannungsinformationen, Vibrationsinformationen und Geräuschinformationen aus einer Mehrzahl von Sensoren, die einer Testvorrichtung zugeordnet sind, das Erzeugen eines Trainingsdatensatzes unter Verwendung der Strominformationen, der Spannungsinformationen, der Vibrationsinformationen und der Geräuschinformationen, das Eingeben des Trainingsdatensatzes in ein maschinelles Lernmodell als Reaktion auf das Erreichen eines Konvergenzschwellenwerts des maschinellen Lernmodells durch den Trainingsdatensatz, Ausgeben eines trainierten maschinellen Lernmodells, das dazu ausgelegt ist, Drehmomentvorhersagen auszugeben, Empfangen einer Kombination von entweder Echtzeit-Strominformationen, Echtzeit-Spannungsinformationen oder Echtzeit-Vibrationsinformationen aus einer Laufzeitvorrichtung, und basierend sowohl auf dem trainierten maschinellen Lernmodell als auch auf der Kombination von mindestens den Echtzeit-Strominformationen und Echtzeit-Spannungsinformationen als Eingabe in das trainierte maschinelle Lernmodell Ausgeben einer Drehmomentvorhersage, die ein vorhergesagtes Drehmoment anzeigt, das der Laufzeitvorrichtung während des Betriebs zugeordnet ist.
Gemäß einer dritten Ausführungsform enthält ein System einen Prozessor in Kommunikation mit einem oder mehreren Sensoren, wobei der Prozessor dazu programmiert ist, Daten einschließlich einer oder mehrerer Echtzeit-Strominformationen, Echtzeit-Spannungsinformationen oder Echtzeit-Vibrationsinformationen aus einer Laufzeitvorrichtung zu empfangen, wobei die Laufzeitvorrichtung ein Aktuator oder ein elektrischer Antrieb ist, und unter Verwendung eines trainierten maschinellen Lernmodells und der Daten als Eingabe für das trainierte maschinelle Lernmodell eine Geräuschvorhersage ausgibt, die dem geschätzten, aus der Laufzeitvorrichtung abgegebenen Geräusch zugeordnet ist.
Kurze beschreibung der zeichnungen

1 zeigt ein System 100 zum Trainieren eines neuronalen Netzes.
2 zeigt ein Datenkommentierungssystem 200 zum Implementieren eines Systems zur Datenkommentierung.
3 offenbart ein Flussdiagramm einer Ausführungsform, bei der Geräuschinformationen zum Trainieren eines maschinellen Lernmodells verwendet werden.
4A offenbart ein Flussdiagramm, das eine direkte Vorhersage verwendet.
4B offenbart ein Flussdiagramm, das eine indirekte Vorhersage verwendet.
5 zeigt ein schematisches Diagramm einer Interaktion zwischen der computergesteuerten Maschine 10 und dem Steuerungssystem 12.
6 zeigt ein schematisches Diagramm des Steuerungssystems, das zum Steuern eines Fahrzeugs ausgelegt ist, das ein teilautonomes Fahrzeug oder ein teilautonomer Roboter sein kann.
7 zeigt ein schematisches Diagramm des Steuerungssystems, das zum Steuern einer Fertigungsmaschine, wie z. B. einer Stanzmaschine, einer Fräsmaschine oder einer Bohrmaschine, eines Fertigungssystems, wie z. B. eines Teils einer Fertigungsstraße, ausgelegt ist.
8 zeigt ein schematisches Diagramm des Steuerungssystems, das zum Steuern eines Elektrowerkzeugs, wie z. B. einer Bohrmaschine oder eines Schraubers, ausgelegt ist, das eine mindestens teilautonome Betriebsart aufweist.
9 zeigt ein schematisches Diagramm des Steuerungssystems, das zum Steuern eines automatisierten persönlichen Assistenten ausgelegt ist.
10 offenbart ein Beispiel für ein Flussdiagramm eines virtuellen Erfassungsmodells in einem Szenario.
11 offenbart ein Diagramm eines Systems, das die End-of-Line-Prüfung in Bezug auf verschiedene Sensordaten überwacht, um eine Vorhersage auszugeben, die eine Drehmomentvorhersage oder eine Geräuschvorhersage beinhalten kann.
12 offenbart ein Flussdiagramm, das einem Vorhersageanalysemodell zugeordnet ist.

Ausführliche beschreibung
Hier werden Ausführungsformen der vorliegenden Offenbarung beschrieben. Es versteht sich jedoch, dass die offenbarten Ausführungsformen lediglich Beispiele sind und andere Ausführungsformen verschiedene und alternative Formen annehmen können. Die Figuren sind nicht unbedingt maßstabsgetreu; einige Merkmale könnten überzeichnet oder minimiert sein, um Details bestimmter Komponenten zu zeigen. Daher sind bestimmte konstruktive und funktionelle Details, die hier offenbart werden, nicht als einschränkend zu interpretieren, sondern lediglich als eine repräsentative Grundlage für das Unterweisen eines Fachmanns in den unterschiedlichen Anwendungsmöglichkeiten der Ausführungsformen. Wie der Fachmann erkennen wird, können verschiedene Merkmale, die mit Bezug auf eine der Figuren dargestellt und beschrieben werden, mit Merkmalen, die in einer oder mehreren anderen Figuren dargestellt sind, kombiniert werden, um Ausführungsformen hervorzubringen, die nicht explizit dargestellt oder beschrieben sind. Die abgebildeten Kombinationen von Merkmalen liefern repräsentative Ausführungsformen für typische Anwendungen. Verschiedene Kombinationen und Modifikationen der Merkmale, die den Unterweisungen dieser Offenbarung entsprechen, könnten jedoch für bestimmte Anwendungen oder Umsetzungen erwünscht sein.
Das System und die Verfahren schlagen ein neuartiges, auf tiefem Lernen basierendes virtuelles Erfassungsverfahren zum Schätzen des durch elektromechanische Systeme (EM) während des Betriebs erzeugten Geräuschs anhand von Vibrationsdaten (Beschleunigungsmesserdaten) vor. HiFi-Mikrofondaten können je nach gewünschter Anwendung entweder als rohe Zeitreihe, als Spektrogramm oder als Ordnungsspektrogramm (Spektrogramm, bei dem die Frequenzen als Vielfache der Drehzahlen des EM-Systems definiert sind) vorhergesagt werden. Da das Verfahren rein datengesteuert sein kann, lässt es sich problemlos auf eine Vielfalt von EM-Systemen und spezifischen Aufgaben anwenden.
Bei diesem Ansatz kann das Geräuschvorhersagemodell so trainiert werden, dass sowohl der Fehler bei der Geräuschrekonstruktion als auch der Fehler bei der Bewertung der menschlichen Wahrnehmung durchgängig minimiert werden, was die Leistung des Modells im Vergleich zum direkten Ansatz verbessern kann. Der vorgeschlagene Ansatz stützt sich auf derzeit bestehende Architekturen für tiefes maschinelles Lernen, wie U-Net und Transformer, um die Beziehung zwischen verschiedenen Sensorsignalen zu lernen. Diese Modelle sind auf eine Mehrzahl von Aufgaben anwendbar, darunter die Verarbeitung natürlicher Sprache, Computer Vision, Audioverarbeitung, Signalverarbeitung und andere.
Virtuelle Erfassung beruht auf der Annahme, dass das Quellsignal Informationen über das Zielsignal enthält, d. h. die gegenseitigen Informationen zwischen dem Quell- und dem Zielsignal sind positiv: $I (S, T) = H (T) - H (T | S) = D_{K L} (p (S, T) ‖ p (S) * p (T)) > 0$
wobei H(T) die Entropie des Zielsignals, H (T|S) die Entropie des Zielsignals in Abhängigkeit vom Quellsignal und D_KL (p(S,T) || p(S) * p (T)) die Kullback-Leibler-Divergenz zwischen der gemeinsamen Verteilung und dem Produkt der Randsignalverteilungen ist. Ist 1(S,T) > 0, so kann das erwartete Zielsignal durch Beobachtung des Quellsignals geschätzt werden. Da das durch ein Motor-Getriebe-System erzeugte Geräusch sowohl von den Motor- als auch von den Getriebevibrationen herrührt, enthalten die Vibrationsdaten nützliche Informationen, die es uns ermöglichen, sie für die Schätzung des Geräuschs und der menschlichen Wahrnehmung zu nutzen. Da die Beziehung zwischen dem Beschleunigungsmesser und dem Geräuschsignal jedoch komplex und umgebungsabhängig sein kann, ist die Suche nach einer solchen Beziehung nicht trivial. Hier nutzen wir die Darstellungsleistung von tiefen neuronalen Netzen, um das erwartete Zielsignal zu schätzen: $E (T | S) = f (S)$
wobei f die Übertragungsfunktion ist, die das neuronale Netz basierend auf den verfügbaren Trainingsdaten gelernt hat.
Die meisten Elektromotoren arbeiten durch die Wechselwirkung zwischen dem Magnetfeld des Motors und dem elektrischen Strom in den Drahtwicklungen, um eine Kraft in Form eines Drehmoments zu erzeugen, das auf die Motorwelle wirkt. Motordrehmoment und -drehzahl können durch ein elektronisches Steuergerät (ECU) gesteuert werden, das dem Motor den entsprechenden Strom zuführt, um das gewünschte Drehmoment oder die gewünschte Drehzahl zu erreichen. Am Beispiel eines Drehstrommotors kann das erzeugte Drehmoment eines idealen Motors wie folgt berechnet werden: $τ = {I_{a} (t) * U_{i, a} (t) + I_{b} (t) * U_{i, b} (t) + I_{c} (t) + U_{i, c} (t)} * \frac{1}{2 π n (t)} + τ_{c o g g} (φ t)$
wobei 1 ein Eingangsstrom, U_i die induzierte Spannung im Motor, n(t) die Motordrehzahl und τ_cogg (φt) das durch die magnetische Wechselwirkung zwischen den Rotor- und Statorkomponenten verursachte Rastmoment ist. Die Messung der reinen induzierten Spannung, die lastabhängig ist, kann jedoch nicht während des Motorbetriebs unter Last erfolgen, sodass das Drehmoment nicht über die obige Gleichung berechnet werden kann. Ferner unterscheidet sich das Drehmoment eines realen Motors von dem eines idealen Motors aufgrund verschiedener mechanischer und elektromagnetischer Leistungsverluste, die alle von zusätzlichen Parametern abhängen und alle genau gemessen werden müssen, um das resultierende Drehmoment vorherzusagen. Mithilfe neuronaler Netze kann ein System all diese Schwierigkeiten umgehen, indem es eine hochgradig nichtlineare Übertragungsfunktion zwischen gemessener Spannung und gemessenem Strom und dem Motordrehmoment lernt.
1 zeigt ein System 100 zum Trainieren eines neuronalen Netzes. Das System 100 kann eine Eingabeschnittstelle für den Zugriff auf Trainingsdaten 192 für das neuronale Netz umfassen. Wie in 1 dargestellt, kann die Eingabeschnittstelle beispielsweise durch eine Datenspeicherschnittstelle 180 gebildet werden, die auf die Trainingsdaten 192 aus einem Datenspeicher 190 zugreifen kann. Die Datenspeicherschnittstelle 180 kann beispielsweise um eine Speicherschnittstelle oder eine Schnittstelle für einen dauerhaften Speicher, z. B. eine Festplatten- oder SSD-Schnittstelle, aber auch eine persönliche, lokale oder Weitverkehrsnetzwerkschnittstelle wie eine Bluetooth-, Zigbee- oder Wi-Fi-Schnittstelle oder eine Ethernet- oder Glasfaserschnittstelle sein. Der Datenspeicher 190 kann ein interner Datenspeicher des Systems 100, wie z. B. eine Festplatte oder SSD, aber auch ein externer Datenspeicher, z. B. ein über ein Netzwerk erreichbarer Datenspeicher sein.
In einigen Ausführungsformen kann der Datenspeicher 190 ferner eine Datendarstellung 194 einer untrainierten Version des neuronalen Netzes umfassen, auf die durch das System 100 aus dem Datenspeicher 190 zugegriffen werden kann. Es versteht sich jedoch, dass die Trainingsdaten 192 und die Datendarstellung 194 des untrainierten neuronalen Netzes auch jeweils aus einem anderen Datenspeicher, z. B. über ein anderes Teilsystem der Datenspeicherschnittstelle 180, abgerufen werden können. Jedes Teilsystem kann von einer Art sein, wie sie oben für die Datenspeicherschnittstelle 180 beschrieben wurde. In anderen Ausführungsformen kann die Datendarstellung 194 des untrainierten neuronalen Netzes intern durch das System 100 basierend auf Entwurfsparametern für das neuronale Netz erzeugt werden und braucht daher nicht explizit auf dem Datenspeicher 190 gespeichert zu sein. Das System 100 kann ferner ein Prozessorteilsystem 160 umfassen, das dazu ausgelegt sein kann, während des Betriebs des Systems 100 eine iterative Funktion als Ersatz für einen Stapel von Schichten des zu trainierenden neuronalen Netzes vorzusehen. In einer Ausführungsform können die jeweiligen Schichten des zu ersetzenden Schichtenstapels gemeinsame Gewichte haben und als Eingabe eine Ausgabe einer vorherigen Schicht oder für eine erste Schicht des Schichtenstapels eine Anfangsaktivierung und einen Teil der Eingabe des Schichtenstapels erhalten. Das System kann auch mehrere Schichten umfassen. Das Prozessorteilsystem 160 kann ferner dazu ausgelegt sein, das neuronale Netz unter Verwendung der Trainingsdaten 192 iterativ zu trainieren. Hier kann eine Iteration des Trainings durch das Prozessorteilsystem 160 einen Vorwärtspropagationsteil und einen Rückwärtspropagationsteil umfassen. Das Prozessorteilsystem 160 kann dazu ausgelegt sein, den Vorwärtspropagationsteil durchzuführen, indem es neben anderen Operationen, die den Vorwärtspropagationsteil definieren und durchgeführt werden können, einen Gleichgewichtspunkt der iterativen Funktion bestimmt, bei dem die iterative Funktion zu einem festen Punkt konvergiert, wobei das Bestimmen des Gleichgewichtspunkts die Verwendung eines numerischen Nullstellenfindungsalgorithmus umfasst, um eine Nullstellenlösung für die iterative Funktion abzüglich ihrer Eingabe zu finden, und indem es den Gleichgewichtspunkt als Ersatz für eine Ausgabe des Schichtenstapels in dem neuronalen Netz vorsieht. Das System 100 kann ferner eine Ausgabeschnittstelle zur Ausgabe einer Datendarstellung 196 des trainierten neuronalen Netzes umfassen, wobei diese Daten auch als trainierte Modelldaten 196 bezeichnet werden können. Die Ausgabeschnittstelle kann beispielsweise, wie auch in 1 dargestellt, durch die Datenspeicherschnittstelle 180 gebildet werden, wobei diese Schnittstelle in diesen Ausführungsformen eine Ein-/Ausgabeschnittstelle („EA“) ist, über die die trainierten Modelldaten 196 im Datenspeicher 190 gespeichert werden können. Beispielsweise kann die Datendarstellung 194, die das „untrainierte“ neuronale Netz definiert, während oder nach dem Trainieren mindestens teilweise durch die Datendarstellung 196 des trainierten neuronalen Netzes ersetzt werden, indem die Parameter des neuronalen Netzes, wie Gewichte, Hyperparameter und andere Arten von Parametern neuronaler Netze, angepasst werden, um das Trainieren an den Trainingsdaten 192 widerzuspiegeln. Dies wird in 1 auch durch die Referenznummern 194, 196 verdeutlicht, die sich auf denselben Datensatz im Datenspeicher 190 beziehen. In anderen Ausführungsformen kann die Datendarstellung 196 getrennt von der Datendarstellung 194 gespeichert werden, die das „untrainierte“ neuronale Netz definiert. In einigen Ausführungsformen kann die Ausgabeschnittstelle von der Datenspeicherschnittstelle 180 getrennt sein, kann aber im Allgemeinen von der Art sein, wie oben für die Datenspeicherschnittstelle 180 beschrieben.
2 zeigt ein Datenkommentierungssystem 200 zum Implementieren eines Systems zur Datenkommentierung. Das Datenkommentierungssystem 200 kann mindestens ein Rechensystem 202 enthalten. Das Rechensystem 202 kann mindestens einen Prozessor 204 enthalten, der mit einer Speichereinheit 208 wirkverbunden ist. Der Prozessor 204 kann einen oder mehrere integrierte Schaltungen enthalten, die die Funktionalität einer Zentraleinheit (CPU) 206 implementieren. Die CPU 206 kann eine handelsübliche Verarbeitungseinheit sein, die einen Befehlssatz wie eine der Befehlssatzfamilien x86, ARM, Power oder MIPS implementiert. Während des Betriebs kann die CPU 206 gespeicherte Programmanweisungen ausführen, die aus der Speichereinheit 208 abgerufen werden. Die gespeicherten Programmanweisungen können Software enthalten, die den Betrieb der CPU 206 steuert, um den hier beschriebenen Vorgang durchzuführen. In einigen Beispielen kann der Prozessor 204 ein System auf einem Chip (SoC) sein, das die Funktionalität der CPU 206, der Speichereinheit 208, einer Netzwerkschnittstelle und der Ein-/Ausgabeschnittstellen auf einem einzigen integrierten Baustein integriert. Das Rechensystem 202 kann ein Betriebssystem zur Verwaltung verschiedener Aspekte des Betriebs implementieren.
Die Speichereinheit 208 kann einen flüchtigen und einen nichtflüchtigen Speicher zum Speichern von Anweisungen und Daten enthalten. Der nichtflüchtige Speicher kann Festkörperspeicher, wie z. B. NAND-Flashspeicher, magnetische und optische Speichermedien oder jede andere geeignete Datenspeichervorrichtung umfassen, die Daten aufrechterhält, wenn das Rechensystem 202 deaktiviert wird oder die Stromversorgung verliert. Der flüchtige Speicher kann einen statischen und dynamischen Speicher mit wahlfreiem Zugriff (RAM) umfassen, in dem Programmanweisungen und Daten gespeichert werden. Beispielsweise kann die Speichereinheit 208 ein maschinelles Lernmodell 210 oder einen Algorithmus, einen Trainingsdatensatz 212 für das maschinelle Lernmodell 210 und einen Rohdatensatz 215 speichern.
Das Rechensystem 202 kann eine Netzwerkschnittstelle 222 enthalten, die für die Kommunikation mit externen Systemen und Vorrichtungen ausgelegt ist. Die Netzwerkschnittstelle 222 kann beispielsweise eine drahtgebundene und/oder drahtlose Ethernet-Schnittstelle gemäß den Standards der IEEE 802.11-Familie (Institute of Electrical and Electronics Engineers) umfassen. Die Netzwerkschnittstellenvorrichtung 222 kann eine Mobilfunkschnittstelle für die Kommunikation mit einem Mobilfunknetzwerk (z. B. 3G, 4G, 5G) enthalten. Die Netzwerkschnittstelle 222 kann ferner dazu ausgelegt sein, eine Kommunikationsschnittstelle zu einem externen Netzwerk 224 oder einer Cloud bereitzustellen.
Das externe Netzwerk 224 kann als das World Wide Web oder das Internet bezeichnet werden. Das externe Netzwerk 224 kann ein Standard-Kommunikationsprotokoll zwischen Computervorrichtungen einrichten. Das externe Netzwerk 224 kann den einfachen Austausch von Informationen und Daten zwischen Rechenvorrichtungen und Netzwerken ermöglichen. Ein oder mehrere Server 230 können mit dem externen Netzwerk 224 in Verbindung stehen.
Das Rechensystem 202 kann eine Ein-/Ausgabeschnittstelle (E/A) 220 enthalten, die dazu ausgelegt sein kann, digitale und/oder analoge Eingaben und Ausgaben bereitzustellen. Die E/A-Schnittstelle 220 kann zusätzliche serielle Schnittstellen für die Kommunikation mit externen Vorrichtungen (z. B. Universal Serial Bus(USB)-Schnittstelle) enthalten.
Das Rechensystem 202 kann eine Mensch-Maschine-Schnittstellen(HMI)-Vorrichtung 218 enthalten, das jede Vorrichtung umfassen kann, die es dem System 200 ermöglicht, Steuerungseingaben zu empfangen. Beispiele für Eingabevorrichtungen können menschliche Schnittstellen wie Tastaturen, Mäuse, Touchscreens, Spracheingabevorrichtungen und andere ähnliche Vorrichtungen sein. Das Rechensystem 202 kann eine Anzeigevorrichtung 232 enthalten. Das Rechensystem 202 kann Hardware und Software zur Ausgabe von Grafiken und Textinformationen an die Anzeigevorrichtung 232 enthalten. Die Anzeigevorrichtung 232 kann ein elektronischer Anzeigebildschirm, ein Projektor, ein Drucker oder eine andere geeignete Vorrichtung zum Anzeigen von Informationen für einen Benutzer oder Bediener sein. Das Rechensystem 202 kann ferner dazu ausgelegt sein, die Interaktion mit entfernten HMI- und entfernten Anzeigevorrichtungen über die Netzwerkschnittstelle 222 zu ermöglichen.
Das System 200 kann mit einem oder mehreren Rechensystemen implementiert sein. Obwohl das Beispiel ein einzelnes Rechensystem 202 zeigt, das alle beschriebenen Merkmale implementiert, können verschiedene Merkmale und Funktionen getrennt und durch mehrere miteinander kommunizierende Recheneinheiten implementiert werden. Welche Systemarchitektur gewählt wird, kann von vielfältigen Faktoren abhängen.
Das System 200 kann einen maschinellen Lernalgorithmus (210) implementieren, der dazu ausgelegt ist, den Rohdatensatz 215 zu analysieren. Der rohe Quelldatensatz 215 kann rohe oder unbearbeitete Sensordaten enthalten, die repräsentativ für einen Eingabedatensatz für ein maschinelles Lernsystem sein können. Der rohe Quelldatensatz 215 kann Videos, Videosegmente, Bilder, textbasierte Informationen und rohe oder teilweise bearbeitete Sensordaten (z. B. Radarkarten von Objekten) enthalten. In einigen Beispielen kann der maschinelle Lernalgorithmus 210 ein neuronaler Netzalgorithmus sein, der für die Ausführung einer vorgegebenen Funktion ausgelegt ist. Der neuronale Netzalgorithmus kann zum Beispiel für Anwendungen im Automobilbereich ausgelegt sein, um Fußgänger in Videobildern zu identifizieren.
Das Computersystem 200 kann einen Trainingsdatensatz 212 für den maschinellen Lernalgorithmus 210 speichern. Der Trainingsdatensatz 212 kann einen Satz von zuvor erstellten Daten zum Trainieren des maschinellen Lernalgorithmus 210 darstellen. Der Trainingsdatensatz 212 kann durch den maschinellen Lernalgorithmus 210 dazu verwendet werden, Gewichtungsfaktoren zu lernen, die einem neuronalen Netzalgorithmus zugeordnet sind. Der Trainingsdatensatz 212 kann einen Satz von Quelldaten mit entsprechenden Ergebnissen enthalten, die der maschinelle Lernalgorithmus 210 durch den Lernprozess zu duplizieren versucht. In diesem Beispiel kann der Trainingsdatensatz 212 Quellvideos mit und ohne Fußgänger und entsprechende Anwesenheits- und Positionsinformationen enthalten. Die Quellvideos können verschiedene Szenarien enthalten, in denen Fußgänger identifiziert werden.
Der maschinelle Lernalgorithmus 210 kann in einem Lernmodus betrieben werden, der den Trainingsdatensatz 212 als Eingabe verwendet. Der maschinelle Lernalgorithmus 210 kann über eine Anzahl von Iterationen mit den Daten aus dem Trainingsdatensatz 212 ausgeführt werden. Bei jeder Iteration kann der maschinelle Lernalgorithmus (210) die internen Gewichtungsfaktoren basierend auf den erzielten Ergebnissen aktualisieren. Zum Beispiel kann der maschinelle Lernalgorithmus 210 die Ausgabeergebnisse (z. B. Kommentierungen) mit denen im Trainingsdatensatz 212 vergleichen. Da der Trainingsdatensatz 212 die erwarteten Ergebnisse enthält, kann der maschinelle Lernalgorithmus 210 bestimmen, wann die Leistung akzeptabel ist. Nachdem der maschinelle Lernalgorithmus 210 ein vorbestimmtes Leistungsniveau (z. B. 100%ige Übereinstimmung mit den Ergebnissen, die dem Trainingsdatensatz 212 zugeordnet sind) erreicht hat, kann der maschinelle Lernalgorithmus 210 unter Verwendung von Daten ausgeführt werden, die nicht im Trainingsdatensatz 212 enthalten sind. Der trainierte maschinelle Lernalgorithmus 210 kann auf neue Datensätze angewendet werden, um kommentierte Daten zu erzeugen.
Der maschinelle Lernalgorithmus 210 kann dazu ausgelegt sein, ein bestimmtes Merkmal in den Rohdaten 215 zu identifizieren. Die rohen Quelldaten 215 können eine Mehrzahl von Instanzen oder Eingabedatensätzen enthalten, für die Kommentierungsergebnisse gewünscht sind. Der maschinelle Lernalgorithmus 210 kann beispielsweise dazu ausgelegt sein, das Vorhandensein eines Fußgängers in Videobildern zu erkennen und die Vorkommnisse zu kommentieren. Der maschinelle Lernalgorithmus 210 kann dazu programmiert sein, die rohen Quelldaten 215 zu verarbeiten, um das Vorhandensein bestimmter Merkmale zu erkennen. Der maschinelle Lernalgorithmus 210 kann dazu ausgelegt sein, ein Merkmal in den Rohdaten 215 als vorbestimmtes Merkmal (z. B. Fußgänger) zu identifizieren. Die Rohdaten 215 können aus vielfältigen Quellen stammen. Die Rohdaten 215 können zum Beispiel tatsächliche Eingabedaten sein, die durch ein maschinelles Lernsystem erfasst wurden. Die Ausgaberohdaten 215 können maschinell erzeugt sein, um das System zu testen. Die rohen Quelldaten 215 können beispielsweise rohe Videobilder aus einer Kamera enthalten.
In diesem Beispiel kann der maschinelle Lernalgorithmus 210 die Rohdaten 215 verarbeiten und einen Hinweis auf eine Darstellung eines Bildes ausgeben. Die Ausgabe kann auch eine vergrößerte Darstellung des Bildes enthalten. Ein maschineller Lernalgorithmus (210) kann für jede erzeugte Ausgabe einen Konfidenzgrad oder -faktor erzeugen. Beispielsweise kann ein Konfidenzwert, der einen vorgegebenen Schwellenwert für hohe Konfidenz überschreitet, darauf hinweisen, dass der maschinelle Lernalgorithmus 210 davon überzeugt ist, dass das identifizierte Merkmal dem bestimmten Merkmal entspricht. Ein Konfidenzwert, der unter einem Schwellenwert für niedrige Konfidenz liegt, kann darauf hindeuten, dass der maschinelle Lernalgorithmus 210 sich nicht sicher ist, ob das betreffende Merkmal vorhanden ist.
genannt „frequenzvariabler Antrieb“ (VFD) oder „drehzahlvariabler Antrieb“ (VSD). Der Gleichstrommotorantrieb kann ein Drehzahlsteuerungssystem für einen Gleichstrommotor sein, das den Motor mit Spannung versorgt, damit dieser mit der gewünschten Drehzahl läuft. Gleichstromantriebe können auch als analoge Gleichstromantriebe und digitale Gleichstromantriebe klassifiziert werden.
Der elektrische Antrieb 301 kann einen oder mehrere Sensoren enthalten, die ein Geräusch aussenden. Der elektrische Antrieb 301 kann einen Prozessor, eine Steuervorrichtung oder ein elektronisches Steuergerät 303 enthalten. Der Sensor kann zum Beispiel einen Beschleunigungsmesser 305 enthalten. Das Geräusch 307 kann aus dem elektrischen Antrieb (ED) ausgesendet und durch ein Mikrofon 313 aufgenommen werden. Um die Daten zu trainieren, kann das Geräusch in einer Laborumgebung ausgesendet und verwendet werden. Somit können 311 Trainingsdaten aus einer Laborumgebung verwendet werden. Das Labor kann eine lärmfreie Umgebung mit einem Mikrofon 313 zum Aufnehmen des Geräuschs enthalten. Anhand der Trainingsdaten 311 können Bewertungen der menschlichen Wahrnehmung aus den Mikrofondaten mithilfe eines Vorhersagenetzwerks geschätzt werden.
Die Geräuschinformationen 307 können manuell 309 durch einen Menschen bestimmt werden, um eine Bewertung 315 in einem Aspekt abzuleiten. Der oder die Menschen können zum Beispiel die Geräuschinformationen hören, die verschiedenen Einstellungen der elektrischen Vorrichtung zugeordnet sind, und ihnen einen Wahrnehmungswert zuordnen. In anderen Ausführungsformen kann der Wahrnehmungswert auch automatisch programmiert sein. Das System kann beispielsweise verschiedene Merkmale des Geräuschs (z. B. Dezibelpegel, Geräuschfrequenz, Vorherrschen uncharakteristischer Geräusche usw.) verwenden, um einen Geräuschwahrnehmungswert 319 zu vergeben. Es kann auch ein hybrider Ansatz gewählt werden, bei dem beides zum Einsatz kommt. Die Ergebnisse können jedoch in das maschinelle Lernmodell eingespeist werden, das zum Trainieren von Geräusch aus anderen Tests verwendet werden kann.
Das maschinelle Lernnetzwerk kann die Trainingsdaten zum Trainieren des maschinellen Lernnetzwerks verwenden, um das aus den EDs abgegebene Geräusch zu identifizieren. Die Trainingsdaten können mindestens die darin verwendeten Beschleunigungsmesserdaten enthalten. Die Beschleunigungsmesserdaten können Informationen über mehrere Achsen enthalten, einschließlich Informationen über die X-Achse, die Y-Achse und die Z-Achse. Das maschinelle Lernmodell kann mit einem direkten oder einem indirekten Verfahren trainiert werden. Das direkte und das indirekte Verfahren werden in 4A bzw. 4B unten näher erläutert. In einigen Ausführungsformen kann eine Kombination aus zwei Verfahren zum Trainieren des maschinellen Lernmodells verwendet werden.
Anschließend kann das System in einer End-of-Line-Testumgebung betrieben werden. Da die EOL-Umgebung mit Lärm behaftet ist, sind die Geräuschinformationen möglicherweise nicht verfügbar. Das System kann die Echtzeit-Vibrationsdaten (z. B. Beschleunigungsmesserdaten) in der EOL-Umgebung nutzen. So kann das trainierte maschinelle Lernmodell selbst dann, wenn in bestimmten Umgebungen keine Geräuschinformationen verfügbar sind, auf die Vibrationsdaten der Vorrichtung zurückgreifen, um einen Wahrnehmungswert für das Geräusch der verschiedenen Komponenten der Vorrichtung zu ermitteln. Das System kann dann unter Verwendung der Vibrationsdaten einen Wahrnehmungswert für die EOL-Vorrichtung ausgeben. Auf der Grundlage des Wahrnehmungswertes kann das System bestimmen, ob die
Durch das oben beschriebene Verfahren entfällt die Notwendigkeit, den menschlichen Wahrnehmungswert durch Jury-Tests auszuwerten. Ferner können im Vergleich zu einem herkömmlichen Modell weniger Daten erforderlich sein.
4A offenbart ein Flussdiagramm, das eine direkte Vorhersage 401 verwendet. Das direkte Vorhersageverfahren 401 kann zum Trainieren des maschinellen Lernmodells verwendet werden. Das maschinelle Lernmodell kann auf einen Konvergenzschwellenwert hin trainiert werden. Das Modellnetzwerk für maschinelles Lernen kann so trainiert werden, dass es den menschlichen Wahrnehmungswert 407 direkt aus den Beschleunigungsmesserdaten 403 ausgibt oder vorhersagt, indem es den Vorhersagefehler des Wertes minimiert. Die Beschleunigungsmesserdaten 403 können aus der End-of-Line-Prüfung oder einer anderen Art von Umgebung gewonnen und in ein neuronales Netz 405 eingespeist werden. So kann das System bei Erreichen eines bestimmten Schwellenwerts für einen bestimmten Wertvorhersagefehler ein trainiertes Modell ausgeben. Das trainierte Modell kann in einer End-of-Line-Umgebung oder in einer beliebigen anderen Umgebungseinrichtung eingesetzt werden.
4B offenbart ein Flussdiagramm, das eine indirekte Vorhersage 450 verwendet. Das indirekte Verfahren kann ein oder mehrere neuronale Netze 453, 457 umfassen. Das neuronale Netz 453 kann dazu trainiert werden, aus den Beschleunigungsmesserdaten ein gemessenes Geräusch vorherzusagen. Ein weiteres neuronales Netz 457 kann dazu trainiert werden, aus Geräuschinformationen/-daten einen menschlichen Wahrnehmungswert 461 vorherzusagen. Das zweite neuronale Netz 457 kann eine Projektion 459 ausgeben, die dem Geräusch zugeordnet ist. Die Projektion 459 kann zum Identifizieren eines Wahrnehmungswertes 461 verwendet werden. Der vorhergesagte Geräusch 461 kann an ein Wertvorhersagenetzwerk gesendet werden. Das Wertvorhersagenetzwerk kann aus der Probe einen menschlichen Wahrnehmungswert erzeugen. Die menschliche Wahrnehmungswert 461 kann verschiedene Eigenschaften des Geräuschs 455 widerspiegeln, z. B. ob das Geräusch angenehm oder unangenehm ist, ob es hohe oder tiefe Töne enthält oder nicht. Während des Trainings des Geräuschvorhersagenetzwerks können die Gewichte des Wertvorhersagenetzwerks eingefroren werden, und die Gewichte des Geräuschvorhersagenetzwerks werden so trainiert, dass eine gewichtete Summe von Geräusch- und Wertvorhersagefehlern minimiert wird. Bei Annäherung oder Erreichen eines Konvergenzschwellenwerts kann das System ein trainiertes Netz ausgeben, und das trainierte Netz kann eingesetzt werden.
5 zeigt ein schematisches Diagramm einer Interaktion zwischen der computergesteuerten Maschine 10 und dem Steuerungssystem 12. Die computergesteuerte Maschine 10 kann ein neuronales Netz, wie oben beschrieben, enthalten, z. B. ein Netz, das ein Wertvorhersagenetzwerk enthält. Die computergesteuerte Maschine 10 enthält einen Aktuator 14 und einen Sensor 16. Der Aktuator 14 kann einen oder mehrere Aktuatoren und der Sensor 16 einen oder mehrere Sensoren umfassen. Der Sensor 16 ist dazu ausgelegt, einen Zustand der computergesteuerten Maschine 10 zu erfassen. Der Sensor 16 kann dazu ausgelegt sein, den erfassten Zustand in Sensorsignale 18 zu codieren und die Sensorsignale 18 an das Steuerungssystem 12 zu übertragen. Nichteinschränkende Beispiele für den Sensor 16 umfassen Video-, Radar-, LiDAR-, Ultraschall- und Bewegungssensoren. In einer Ausführungsform ist der Sensor 16 ein optischer Sensor, der dazu ausgelegt ist, optische Bilder einer Umgebung in der Nähe der computergesteuerten Maschine 10 zu erfassen.
Das Steuerungssystem 12 ist dazu ausgelegt, Sensorsignale 18 aus der computergesteuerten Maschine 10 zu empfangen. Wie weiter unten dargelegt, kann das Steuerungssystem 12 ferner dazu ausgelegt sein, in Abhängigkeit von den Sensorsignalen Aktuatorsteuerbefehle 20 zu berechnen und die Aktuatorsteuerbefehle 20 an den Aktuator 14 der computergesteuerten Maschine 10 zu übertragen.
Wie in 5 gezeigt, enthält das Steuerungssystem 12 eine Empfangseinheit 22. Die Empfangseinheit 22 kann dazu ausgelegt sein, Sensorsignale 18 aus dem Sensor 16 zu empfangen und die Sensorsignale 18 in Eingabesignale x umzuwandeln. In einer alternativen Ausführungsform werden die Sensorsignale 18 direkt als Eingabesignale x ohne Empfangseinheit 22 empfangen. Jedes Eingabesignal x kann ein Teil jedes Sensorsignals 18 sein. Die Empfangseinheit 22 kann dazu ausgelegt sein, jedes Sensorsignal 18 zu verarbeiten, um jedes Eingabesignal x zu erzeugen. Das Eingabesignal x kann Daten enthalten, die einem durch den Sensor 16 aufgezeichneten Bild entsprechen.
Das Steuerungssystem 12 enthält den Klassifikator 24. Der Klassifikator 24 kann dazu ausgelegt sein, Eingabesignale x unter Verwendung eines maschinellen Lernalgorithmus (ML), z. B. eines oben beschriebenen neuronalen Netzes, in eine oder mehrere Kennzeichnungen zu klassifizieren. Das Eingangssignal x kann Geräuschinformationen enthalten. Der Klassifikator 24 ist dazu ausgelegt, durch Parameter wie oben beschrieben (z. B. Parameter Θ) parametrisiert zu werden. Die Parameter θ können in einem nichtflüchtigen Speicher 26 gespeichert und durch diesen bereitgestellt werden. Der Klassifikator 24 ist dazu ausgelegt, aus den Eingabesignalen x die Ausgabesignale y zu ermitteln. Jedes Ausgabesignal y enthält Informationen, die jedem Eingabesignal x eine oder mehrere Kennzeichnungen zuweisen. Der Klassifikator 24 kann die Ausgabesignale y an die Umwandlungseinheit 28 übertragen. Die Umwandlungseinheit 28 ist dazu ausgelegt, die Ausgabesignale y in Steuerbefehle für die Aktuatoren 20 umzuwandeln. Das Steuerungssystem 12 ist dazu ausgelegt, Aktuatorsteuerbefehle 20 an den Aktuator 14 zu übertragen, der dazu ausgelegt ist, die computergesteuerte Maschine 10 als Reaktion auf die Aktuatorsteuerbefehle 20 zu betätigen. In einer anderen Ausführungsform ist der Aktuator 14 dazu ausgelegt, die computergesteuerte Maschine 10 basierend auf den Ausgabesignalen y direkt zu betätigen.
Beim Empfang von Aktuatorsteuerbefehlen 20 durch den Aktuator 14 ist der Aktuator 14 dazu ausgelegt, eine Handlung auszuführen, die dem entsprechenden Aktuatorsteuerbefehl 20 entspricht. Der Aktuator 14 kann eine Steuerlogik enthalten, die dazu ausgelegt ist, Aktuatorsteuerbefehle 20 in einen zweiten Aktuatorsteuerbefehl umzuwandeln, der zum Steuern des Aktuators 14 verwendet wird. In einer oder mehreren Ausführungsformen können die Steuerbefehle 20 des Aktuators dazu verwendet werden, eine Anzeigevorrichtung anstelle oder zusätzlich zu einem Aktuator zu steuern.
In einer anderen Ausführungsform umfasst das Steuerungssystem 12 den Sensor 16 anstelle oder zusätzlich zu der computergesteuerten Maschine 10 mit dem Sensor 16. Das Steuerungssystem 12 kann den Aktuator 14 auch anstelle oder zusätzlich zu der computergesteuerten Maschine 10 mit dem Aktuator 14 enthalten.
Wie in 5 gezeigt, enthält das Steuerungssystem 12 einen Prozessor 30 und einen Speicher 32. Der Prozessor 30 kann einen oder mehrere Prozessoren umfassen. Der Speicher 32 kann einen oder mehrere Speicherbausteine umfassen. Der Klassifikator 24 (z. B. ML-Algorithmen) einer oder mehrerer Ausführungsformen kann durch das Steuerungssystem 12 implementiert sein, das einen nichtflüchtigen Speicher 26, einen Prozessor 30 und einen Speicher 32 enthält.
Der nichtflüchtige Speicher 26 kann ein oder mehrere dauerhafte Datenspeichervorrichtungen umfassen, wie z. B. eine Festplatte, ein optisches Laufwerk, ein Bandlaufwerk, eine nichtflüchtige Festkörperspeichervorrichtung, einen Cloud-Speicher oder eine andere Vorrichtung, die Informationen dauerhaft speichern kann. Der Prozessor 30 kann ein oder mehrere Vorrichtungen umfassen, die aus Hochleistungsrechnersystemen (HPC) ausgewählt sind, einschließlich Hochleistungskernen, Mikroprozessoren, Mikrocontrollern, digitalen Signalprozessoren, Mikrocomputern, Zentraleinheiten, feldprogrammierbaren Gate-Array, programmierbaren Logikbausteinen, Zustandsmaschinen, Logikschaltungen, analogen Schaltungen, digitalen Schaltungen oder anderen Vorrichtungen, die (analoge oder digitale) Signale basierend auf computerausführbaren Anweisungen im Speicher 32 verarbeiten. Der Speicher 32 kann ein einzelnes Speichermedium oder eine Anzahl von Speichermedien umfassen, einschließlich unter anderem Direktzugriffsspeichern (RAM), flüchtigen Speichern, nichtflüchtigen Speichern, statischen Direktzugriffsspeichern (SRAM), dynamischen Direktzugriffsspeichern (DRAM), Flashspeichern, Cachespeichern oder jedem anderen Speichermedium, das Informationen speichern kann.
Der Prozessor 30 kann dazu ausgelegt sein, computerausführbare Anweisungen in den Speicher 32 einzulesen und auszuführen, die sich im nichtflüchtigen Speicher 26 befinden und einen oder mehrere ML-Algorithmen und/oder Verfahren einer oder mehrerer Ausführungsformen verkörpern. Der nichtflüchtige Speicher 26 kann ein oder mehrere Betriebssysteme und Anwendungen enthalten. Der nichtflüchtige Speicher 26 kann kompilierte und/oder interpretierte Computerprogramme speichern, die mittels einer Vielfalt von Programmiersprachen und/oder -technologien erstellt wurden, darunter, ohne Einschränkung und entweder allein oder in Kombination, Java, C, C++, C#, Objective C, Fortran, Pascal, Java Script, Python, Perl und PL/SQL.
Bei Ausführung durch den Prozessor 30 können die computerausführbaren Anweisungen des nichtflüchtigen Speichers 26 das Steuerungssystem 12 veranlassen, einen oder mehrere der hier offenbarten ML-Algorithmen und/oder -Verfahren zu implementieren. Der nichtflüchtige Speicher 26 kann auch ML-Daten (einschließlich Datenparameter) enthalten, die die Funktionen, Merkmale und Prozesse der hier beschriebenen Ausführungsformen unterstützen.
Der Programmcode, der die hier beschriebenen Algorithmen und/oder Verfahren verkörpert, kann einzeln oder gemeinsam als Programmprodukt in einer Vielfalt unterschiedlicher Formen verbreitet werden. Der Programmcode kann unter Verwendung eines computerlesbaren Speichermediums verbreitet werden, das computerlesbare Programmanweisungen enthält, um einen Prozessor zu veranlassen, Aspekte einer oder mehrerer Ausführungsformen auszuführen. Zu den computerlesbaren Speichermedien, die von Natur aus nichttemporär sind, können flüchtige und nicht flüchtige sowie entfernbare und nicht entfernbare materielle Medien gehören, die in einem beliebigen Verfahren oder einer beliebigen Technologie zur Speicherung von Informationen, wie z. B. computerlesbaren Anweisungen, Datenstrukturen, Programmmodulen oder anderen Daten, eingesetzt werden. Zu den computerlesbaren Speichermedien können ferner RAM, ROM, löschbare programmierbare Festwertspeicher (EPROM), elektrisch löschbare programmierbare Festwertspeicher (EEPROM), Flashspeicher oder andere Festkörperspeichertechnologien, tragbare Compact-Disc-Festwertspeicher (CD-ROM) oder andere optische Speichermedien, Magnetkassetten, Magnetbänder, Magnetplattenspeicher oder andere magnetische Speichervorrichtungen oder jedes andere Medium gehören, das zum Speichern der gewünschten Informationen verwendet und durch einen Computer gelesen werden kann. Computerlesbare Programmanweisungen können von einem computerlesbaren Speichermedium auf einen Computer, eine andere Art von programmierbarem Datenverarbeitungsgerät oder eine andere Vorrichtung oder über ein Netzwerk auf einen externen Computer oder eine externe Speichervorrichtung heruntergeladen werden.
Computerlesbare Programmanweisungen, die in einem computerlesbaren Medium gespeichert sind, können dazu verwendet werden, einen Computer, andere Arten von programmierbaren Datenverarbeitungsvorrichtungen oder andere Vorrichtungen anzuweisen, in einer bestimmten Weise zu funktionieren, sodass die in dem computerlesbaren Medium gespeicherten Anweisungen einen Artikel erzeugen, der Anweisungen enthält, die die in den Flussdiagrammen oder Schaubildern angegebenen Funktionen, Handlungen und/oder Vorgänge implementieren. In bestimmten alternativen Ausführungsformen können die in den Flussdiagrammen und Schaubildern angegebenen Funktionen, Handlungen und/oder Vorgänge in Übereinstimmung mit einer oder mehreren Ausführungsformen neu geordnet, seriell verarbeitet und/oder gleichzeitig verarbeitet werden. Darüber hinaus kann jedes der Flussdiagramme und/oder Schaubilder mehr oder weniger Knoten oder Blöcke als die enthalten, die in Übereinstimmung mit einer oder mehreren Ausführungsformen dargestellt sind. Die Prozesse, Verfahren oder Algorithmen können ganz oder teilweise unter Verwendung geeigneter Hardwarekomponenten wie anwendungsspezifischer integrierter Schaltungen (ASICs), feldprogrammierbarer Gate-Arrays (FPGAs), Zustandsautomaten, Steuervorrichtungen oder anderer Hardwarekomponenten oder -vorrichtungen oder einer Kombination aus Hardware-, Software- und Firmwarekomponenten realisiert werden.
6 zeigt ein schematisches Diagramm des Steuerungssystems 12, das zum Steuern des Fahrzeugs 50 ausgelegt ist, das ein mindestens teilautonomes Fahrzeug oder ein mindestens teilautonomer Roboter sein kann. Wie in 5 dargestellt, umfasst das Fahrzeug 50 den Aktuator 14 und den Sensor 16. Der Sensor 16 kann einen oder mehrere Videosensoren, Radarsensoren, Ultraschallsensoren, LiDAR-Sensoren und/oder Positionssensoren (z. B. GPS) umfassen. Einer oder mehrere der spezifischen Sensoren können in das Fahrzeug 50 integriert sein. Alternativ oder zusätzlich zu einem oder mehreren der oben genannten spezifischen Sensoren kann der Sensor 16 ein Softwaremodul enthalten, das dazu ausgelegt ist, bei der Ausführung einen Zustand des Aktuators 14 zu bestimmen. Ein nichteinschränkendes Beispiel für ein Softwaremodul ist ein Wetterinformations-Softwaremodul, das dazu ausgelegt ist, einen gegenwärtigen oder zukünftigen Zustand des Wetters in der Nähe des Fahrzeugs 50 oder einer anderen Position zu bestimmen.
Der Klassifikator 24 des Steuerungssystems 12 des Fahrzeugs 50 kann dazu ausgelegt sein, Objekte in der Umgebung des Fahrzeugs 50 in Abhängigkeit von Eingabesignalen x zu erfassen. In einer solchen Ausführungsform kann das Ausgabesignal y Informationen enthalten, die die Nähe von Objekten zum Fahrzeug 50 charakterisieren. Anhand dieser Informationen kann der Steuerbefehl 20 für den Aktuator bestimmt werden. Der Steuerbefehl 20 für den Aktuator kann dazu verwendet werden, Kollisionen mit den erfassten Objekten zu vermeiden.
In Ausführungsformen, in denen das Fahrzeug 50 ein mindestens teilautonomes Fahrzeug ist, kann der Aktuator 14 in einer Bremse, einem Antriebssystem, einem Motor, einem Antriebsstrang oder einer Lenkung des Fahrzeugs 50 verkörpert sein. Die Steuerbefehle 20 für den Aktuator können derart bestimmt werden, dass der Aktuator 14 so gesteuert wird, dass das Fahrzeug 50 Kollisionen mit erfassten Objekten vermeidet. Erfasste Objekte können auch danach klassifiziert werden, was sie nach Ansicht des Klassifikators 24 am wahrscheinlichsten sind, z. B. Fußgänger oder Bäume. Die Aktuatorsteuerbefehle 20 können in Abhängigkeit von der Klassifizierung bestimmt werden. Das Steuerungssystem 12 kann den Robustifizierer zum Trainieren des Netzes auf ungünstige Bedingungen, z. B. schlechte Lichtverhältnisse oder schlechte Wetterbedingungen in der Fahrzeugumgebung sowie auf einen Angriff, verwenden.
In anderen Ausführungsformen, in denen das Fahrzeug 50 ein mindestens teilautonomer Roboter ist, kann das Fahrzeug 50 ein mobiler Roboter sein, der dazu ausgelegt ist, eine oder mehrere Funktionen, z. B. Fliegen, Schwimmen, Tauchen und Laufen, auszuführen. Der mobile Roboter kann ein mindestens teilautonomer Rasenmäher oder ein mindestens teilautonomer Reinigungsroboter sein. In solchen Ausführungsformen kann der Aktuatorsteuerbefehl 20 so bestimmt werden, dass ein elektrischer Antrieb, eine Antriebseinheit, eine Lenkeinheit und/oder eine Bremseinheit des mobilen Roboters so gesteuert wird, dass der mobile Roboter Kollisionen mit identifizierten Objekten vermeiden kann.
In einer anderen Ausführungsform ist das Fahrzeug 50 ein mindestens teilautonomer Roboter in Form eines Gartenroboters. In dieser Ausführungsform kann das Fahrzeug 50 einen optischen Sensor als Sensor 16 verwenden, um den Zustand der Pflanzen in der Umgebung des Fahrzeugs 50 zu bestimmen. Der Aktuator 14 kann eine Düse sein, die zum Versprühen von Chemikalien ausgelegt ist. Das Fahrzeug 50 kann durch einen elektrischen Antrieb betrieben und bewegt werden. Je nach der identifizierten Art und/oder dem identifiziertem Zustand der Pflanzen kann der Steuerbefehl 20 für den Aktuator 14 so bestimmt werden, dass dieser die Pflanzen mit einer geeigneten Menge geeigneter Chemikalien besprüht.
Das Fahrzeug 50 kann ein mindestens teilautonomer Roboter in Form eines Haushaltsgeräts sein. Nichteinschränkende Beispiele für Haushaltsgeräte umfassen eine Waschmaschine, einen Herd, einen Backofen, eine Mikrowelle oder eine Geschirrspülmaschine. In einem solchen Fahrzeug 50 kann der Sensor 16 ein optischer Sensor sein, der dazu ausgelegt ist, den Zustand eines Objekts zu erfassen, das durch das Haushaltsgerät verarbeitet werden soll. Ist das Haushaltsgerät beispielsweise eine Waschmaschine, kann der Sensor 16 den Zustand der Wäsche in der Waschmaschine erfassen. Der Steuerbefehl 20 für den Aktuator kann basierend auf dem festgestellten Zustand der Wäsche bestimmt werden.
7 zeigt ein schematisches Diagramm des Steuerungssystems 12, das dazu ausgelegt ist, das System 100 (z. B. eine Fertigungsmaschine), wie z. B. eine Stanzmaschine, eine Fräsmaschine oder eine Bohrmaschine, des Fertigungssystems 102, z. B. als Teil einer Fertigungsstraße, zu steuern. Das Steuerungssystem 12 kann dazu ausgelegt sein, den Aktuator 14 zu steuern, der zum Steuern des Systems 100 (z. B. der Fertigungsmaschine) ausgelegt ist.
Der Sensor 16 des Systems 100 (z. B. der Fertigungsmaschine) kann ein optischer Sensor sein, der dazu ausgelegt ist, eine oder mehrere Eigenschaften des hergestellten Produkts 104 zu erfassen, oder der Sensor kann ein Beschleunigungsmesser sein. Der Klassifikator 24 kann dazu ausgelegt sein, aus einer oder mehreren der erfassten Eigenschaften einen Zustand des hergestellten Produkts 104 zu bestimmen. Der Aktuator 14 kann dazu ausgelegt sein, das Steuerungssystem 100 (z. B. die Fertigungsmaschine) in Abhängigkeit von dem ermittelten Zustand des hergestellten Produkts 104 für einen nachfolgenden Fertigungsschritt des hergestellten Produkts 104 zu steuern. Der Aktuator 14 kann dazu ausgelegt sein, Funktionen des Systems 100 (z. B. der Fertigungsmaschine) am nachfolgenden hergestellten Produkt 106 des Systems 100 (z. B. der Fertigungsmaschine) in Abhängigkeit von dem ermittelten Zustand des hergestellten Produkts 104 zu steuern. Das Steuerungssystem 12 kann das System nutzen, um das maschinelle Lernnetzwerk für ungünstige Bedingungen zu trainieren, die dem durch den Aktuator oder einen elektrischen Antrieb verwendeten Geräusch zugeordnet sind, wie z. B. mechanisches Versagen von Teilen im Zusammenhang mit der Fertigungsstraße.
8 zeigt ein schematisches Diagramm des Steuerungssystems 12, das zum Steuern des Elektrowerkzeugs 150, z. B. einer Bohrmaschine oder eines Schraubers, ausgelegt ist und eine mindestens teilautonome Betriebsart aufweist. Das Steuerungssystem 12 kann dazu ausgelegt sein, den Aktuator 14 zu steuern, der zum Steuern des Elektrowerkzeugs 150 ausgelegt ist. Der Aktuator kann durch einen Motor oder einen elektrischen Antriebsstrang angetrieben werden. Der Aktuator kann ein Geräusch abgeben, ebenso wie der Motor oder der elektrische Antrieb.
Der Sensor 16 des Elektrowerkzeugs 150 kann ein optischer Sensor sein, der dazu ausgelegt ist, eine oder mehrere Eigenschaften der Arbeitsfläche 152 und/oder des Befestigungselements 154, das in die Arbeitsfläche 152 eingebracht wird, zu erfassen. Der Klassifikator 24 kann zur Klassifizierung eines Geräuschs verwendet werden, das dem Betrieb des Werkzeugs zugeordnet ist. Zusätzlich kann der Klassifikator 24 dazu ausgelegt sein, einen Zustand der Arbeitsfläche 152 und/oder des Befestigungselements 154 relativ zur Arbeitsfläche 152 aus einer oder mehreren der erfassten Eigenschaften zu bestimmen. Der Zustand kann darin bestehen, dass das Befestigungselement 154 mit der Arbeitsfläche 152 bündig ist. Der Zustand kann alternativ die Härte der Arbeitsfläche 152 sein. Der Aktuator 14 kann dazu ausgelegt sein, das Elektrowerkzeug 150 so zu steuern, dass die Antriebsfunktion des Elektrowerkzeugs 150 in Abhängigkeit vom ermittelten Zustand des Befestigungselements 154 relativ zur Arbeitsfläche 152 oder einer oder mehrerer erfasster Eigenschaften der Arbeitsfläche 152 angepasst wird. Beispielsweise kann der Aktuator 14 die Antriebsfunktion unterbrechen, wenn der Zustand des Befestigungselements 154 relativ zur Arbeitsfläche 152 bündig ist. Als weiteres nichteinschränkendes Beispiel kann der Aktuator 14 je nach Härte der Arbeitsfläche 152 mehr oder weniger Drehmoment aufbringen. Das Steuerungssystem 12 kann den Robustifizierer zum Trainieren des maschinellen Lernnetzwerks auf ungünstige Bedingungen, z. B. schlechte Lichtverhältnisse oder schlechte Wetterbedingungen, verwenden. So kann das Steuerungssystem 12 die Umgebungsbedingungen des Elektrowerkzeugs 150 erkennen.
9 zeigt ein schematisches Diagramm des Steuerungssystems 12, das zum Steuern des automatisierten persönlichen Assistenten 900 ausgelegt ist. Das Steuerungssystem 12 kann dazu ausgelegt sein, den Aktuator 14 zu steuern, der zum Steuern des automatisierten persönlichen Assistenten 900 ausgelegt ist. Der automatisierte persönliche Assistent 900 kann dazu ausgelegt sein, ein Haushaltsgerät, wie z. B. eine Waschmaschine, einen Herd, einen Ofen, eine Mikrowelle oder eine Geschirrspülmaschine, zu steuern. Der Sensor 16 kann ein optischer Sensor und/oder ein Audiosensor, z. B. ein Mikrofon, sein. Der optische Sensor kann dazu ausgelegt sein, Videobilder von Gesten 904 des Benutzers 902 zu empfangen. Der Audiosensor kann dazu ausgelegt sein, einen Sprachbefehl des Benutzers 902 zu empfangen.
Das Steuerungssystem 12 des automatisierten persönlichen Assistenten 900 kann dazu ausgelegt sein, die Steuerbefehle 20 für die Aktuatoren zu bestimmen, die das System 12 steuern. Das Steuerungssystem 12 kann dazu ausgelegt sein, in Abhängigkeit von den Sensorsignalen 18 des Sensors 16 Steuerbefehle 20 für den Aktuator zu bestimmen. Der automatisierte persönliche Assistent 900 ist dazu ausgelegt, Sensorsignale 18 an das Steuerungssystem 12 zu übertragen. Der Klassifikator 24 des Steuerungssystems 12 kann dazu ausgelegt sein, einen Gestenerkennungsalgorithmus auszuführen, um die durch den Benutzer 902 ausgeführten Gesten 904 zu identifizieren, die Steuerbefehle 20 für den Aktor zu bestimmen und die Steuerbefehle 20 für den Aktor an den Aktuator 14 zu übertragen. Der Aktuator kann durch eine elektrische Antriebsstrangmaschine angetrieben werden. Der Klassifikator 24 dazu ausgelegt sein, als Reaktion auf die Aktivierung des Aktuators durch den Antriebsstrang ein Geräusch abzugeben und die abgerufenen Geräuschinformationen in einer für den Empfang durch den Benutzer 902 geeigneten Form auszugeben. Das Steuerungssystem 12 kann den Klassifikator dazu verwenden, das maschinelle Lernnetzwerk für ungünstige Bedingungen basierend auf dem Geräusch zu trainieren, wie z. B. eine Fehlfunktion des Aktuators oder eine andere Fehlfunktion einer Komponente. Auf diese Weise kann das Steuerungssystem 12 den Schaden in einem solchen Szenario begrenzen.
10 offenbart ein Beispiel für ein Flussdiagramm eines virtuellen Erfassungsmodells in einem Szenario. Das System kann zunächst in einer Laborumgebung oder einer Umgebung gestartet werden, die lärmfrei oder relativ lärmarm ist (z. B. hat Lärm keinen Einfluss auf das aus der elektronischen Vorrichtung 1005 abgegebene Geräusch). Die Umgebung kann zum Beispiel ein schalltoter Raum oder ein Labor sein, in dem Hintergrundgeräusch oder -schall gedämpft werden. Das System kann eine elektronische Vorrichtung 1003 enthalten. Die elektronische Vorrichtung kann einen Motor, einen Aktuator, einen elektrischen Antrieb, ein Antriebssystem oder eine ähnliche Komponente enthalten, die ein Drehmoment 1009 erzeugt. Die Vorrichtung 1003 kann mit einem ECU 1001 kommunizieren, das zur Verarbeitung von Informationen und Daten verwendet wird. Die elektronische Vorrichtung 1003 kann einen Beschleunigungssensor 1005 oder einen anderen Sensor enthalten, der Vibrationsinformationen aussendet, wie z. B. Beschleunigungsmesserdaten, die aus einem Aktuator oder elektrischen Antrieb einer Vorrichtung ausgesendet werden. Das Drehmoment 1009 kann durch einen Antrieb der Vorrichtung oder eine andere Komponente erzeugt werden. Ein Mikrofon kann das aus der Vorrichtung abgegebene Geräusch 1007 aufnehmen. Das Mikrofon kann sich in der Laborumgebung befinden oder der Vorrichtung 1005 zugeordnet sein.
Das Geräusch (z. B. die Geräuschinformationen) kann mit den Vibrationsdaten gepaart werden, um einen Trainingsdatensatz 1011 zu erzeugen. Die Vibrationsdaten können Beschleunigungsmesserdaten mit Informationen zur X-Achse, Y-Achse und Z-Achse umfassen. Die gemeinsamen Daten können gepaart werden, um einen Trainingsdatensatz zu erzeugen, der in ein maschinelles Lernmodell 1013 eingespeist wird. Das maschinelle Lernmodell 1013 kann ein trainiertes oder untrainiertes Modell sein. Wenn es sich also um ein untrainiertes Modell handelt, kann mit der Entwicklung eines trainierten Modells unter Verwendung der Trainingsdaten 1011 begonnen werden, bis durch Reduzieren eines Geräuschvorhersagefehlers ein Konvergenzschwellenwert erreicht ist. Soweit das untrainierte Modell verwendet wird, kann es den Trainingsdatensatz verwenden, um ein trainiertes Modell zu erstellen, wenn ein Konvergenzschwellenwert erreicht ist und die Fehler minimiert sind. Ist das Modell bereits trainiert oder teilweise trainiert, können die Trainingsdaten verwendet werden, um die Geräuschvorhersage zu verbessern.
Als Nächstes kann eine elektronische Vorrichtung 1015 in einer anderen Umgebung, z. B. in einer Fabrikumgebung oder einer End-of-Line-Umgebung, verwendet werden. Die elektrische Vorrichtung 1015 kann ein oder mehrere Steuergeräte 1019 enthalten, die u. a. zum Betrieb der Vorrichtung oder zur Überwachung von Sensormesswerten verwendet werden. Die elektrische Vorrichtung 1015 kann Sensoren, wie z. B. einen Beschleunigungsmesser 1017, enthalten, die Vibrationsinformationen/-daten oder andere Arten von Informationen/Daten, die aus einem elektrischen Antrieb, Aktuator oder einer ähnlichen Komponente abgegeben werden, erfassen. Die Vibrationsdaten in der EOL-Umgebung können zum Beispiel Echtzeit-Vibrationsdaten sein. Die Umgebung erlaubt möglicherweise keine genaue Nutzung von Geräuschinformationen, sodass nur die Vibrationsdaten ausreichen, um ein vorhergesagtes Geräusch zu erhalten. Insbesondere kann in einer solchen Umgebung ein Mikrofon fehlen, oder das Mikrofon kann aufgrund von Hintergrundlärm schwer zu verwenden sein.
Die Echtzeit-Vibrationsinformationen 1021 können an das trainierte maschinelle Lernmodell 1013 gesendet werden. In einem Szenario können die Vibrationsdaten Beschleunigungsmesserdaten sein. Die Echtzeit-Vibrationsdaten 1021 können Beschleunigungsmesserdaten sein, die Informationen zur X-Achse, Y-Achse und Z-Achse umfassen. Die Echtzeitdaten können dem maschinellen Lernmodell 1013 entweder in Form von Zeitreihen, Spektrogrammen oder Ordnungsspektrogrammen übermittelt werden. Die Form der Eingabe, die in das Modell eingespeist wird, kann gleich wie die Form der Ausgabe (z. B. die Geräuschvorhersage 1023) des Modells sein, und somit kann die Eingabeart die Ausgabeart vorgeben. Wird beispielsweise ein Spektrogramm als Eingabe für das Modell verwendet, so wird ein Spektrogramm der gleichen Dimensionalität vorhergesagt. So kann das Modell die Vibrationsinformationen nutzen, um ein entsprechendes Geräusch 1023 vorherzusagen. Die Geräuschvorhersage 1023 kann ein Geräusch angeben, das beim Betrieb des Motors, des elektrischen Antriebs, des Aktuators oder einer anderen Komponente der Vorrichtung von diesem ausgehen würde. In einer Ausführungsform kann dies ohne andere Daten und nur unter Verwendung der Vibrationsdaten erfolgen.
11 offenbart ein Diagramm eines Systems, das die End-of-Line-Prüfung in Bezug auf verschiedene Sensordaten überwacht, um eine Vorhersage auszugeben, die eine Drehmomentvorhersage oder eine Geräuschvorhersage beinhalten kann. Das System kann ein maschinelles Lernmodell 1115 enthalten. Das maschinelle Lernmodell 1115 kann ein tiefes neuronales Netz sein. Das tiefe neuronale Netz (U-Net oder Transformer) empfängt eine Reihe von Sensorsignalen aus Sensoren, die an einem elektrischen Antrieb installiert sind. Die elektrische Vorrichtung 1107 kann jede Art von Vorrichtung sein, die einen Prozessor oder ein ECU 1101, einen Motor, einen Aktuator, einen elektrischen Antrieb, ein Antriebssystem usw. enthält. Die elektrische Vorrichtung 1107 kann eine Komponente enthalten, die ein Drehmoment 1111 an eine Komponente abgibt. Mit dieser Komponente kann ein Sensor verbunden werden, um einen Drehmomentwert zu ermitteln. Die elektrische Vorrichtung 1107 kann Sensoren enthalten, die dazu dienen, verschiedene Eigenschaften in einer bestimmten Umgebung, z. B. in einem Labor, zu messen. Bei den Sensoren kann es sich um eine beliebige Art von Sensoren handeln, z. B. um einen Geschwindigkeitssensor, einen Beschleunigungsmesser 1109, einen Spannungssensor (z. B. Eingangsspannungssensor) 1103, einen Stromsensor (z. B. Eingangsstromsensor) 1105, einen Drehmomentsensor usw. Die Signale können die Form von Zeitreihen, Spektrogrammen, Ordnungsspektrogrammen oder anderen aufweisen. Das Modell führt eine Signal-zu-Signal-Umsetzung durch, um die Signale des Zielsensors vorherzusagen, z. B. Drehmoment-, Geräusch- oder Beschleunigungsmesserdaten (falls nicht in der Eingabe enthalten). Das Zielsignal wird in demselben Format wie das Eingangssignal vorhergesagt. Liegt die Eingabe beispielsweise in Form eines Spektrogramms vor, kann ein Spektrogramm der gleichen Dimensionalität vorhergesagt werden. Sobald die Vorhersage erstellt ist, kann sie in den entsprechenden Analyseansätzen verwendet werden, so wie die Daten eines Zielsensors verwendet werden würden, z. B. für eine NVH-Analyse, Resonanzerkennung, Analyse der menschlichen Wahrnehmung des Geräuschs, Fehlererkennung usw.
In der Testumgebung können Strom-, Spannungs-, Geräusch- und Drehmomentinformationen gesammelt werden, um Trainingsdaten 1113 zu erzeugen. Die Trainingsdaten 1113 können an das trainierte maschinelle Lernmodell gesendet werden. In einem Szenario können die Vibrationsinformationen Beschleunigungsmesserdaten sein. Die Echtzeit-Vibrationsdaten können Beschleunigungsmesserdaten sein, die Informationen zur X-Achse, Y-Achse und Z-Achse umfassen. Die Echtzeit-Informationen/Daten können dem maschinellen Lernmodell entweder in Form von Zeitreihen, Spektrogrammen oder Ordnungsspektrogrammen übermittelt werden. Die Form der Eingabe, die in das Modell eingespeist wird, kann mit der Ausgabe des Modells identisch sein. Wird beispielsweise ein Spektrogramm als Eingabe für das Modell verwendet, so wird ein Spektrogramm der gleichen Dimensionalität vorhergesagt. So kann das Modell eine Kombination verschiedener Eingangsmesswerte aus Sensoren verwenden, um ein entsprechendes Geräusch oder Drehmoment vorherzusagen, das der elektrischen Vorrichtung zugeordnet ist.
Als Nächstes kann eine elektronische Vorrichtung 1121 in einer anderen Umgebung eingesetzt werden, z. B. in einer Fabrikumgebung oder in einer End-of-Line-Testumgebung usw. Die elektrische Vorrichtung 1121 kann Sensoren enthalten, die Strommessungen (z. B. Eingangsstrom) aus einem Stromsensor 1119, Spannung (z. B. Eingangsspannung) aus einem Spannungssensor 1118 und Vibrationsinformationen aus einem Vibrationssensor 1120 (z. B. Beschleunigungsmesser) oder andere Arten von Daten, die aus einem elektrischen Antrieb, Aktuator oder einer ähnlichen Komponente ausgegeben werden, erfassen. Die Vibrationsinformationen in der EOL-Umgebung können zum Beispiel Echtzeit-Vibrationsdaten sein. Die Umgebung erlaubt möglicherweise keine genaue Verwendung von Geräuschinformationen, sodass nur die Vibrationsinformationen ausreichen, um eine Vorhersage 1125 zu erhalten. Die Vorhersage 1125 kann ein vorhergesagtes Geräusch, ein vorhergesagtes Drehmoment oder vorhergesagte Beschleunigungsmesserdaten enthalten (falls nicht in der Eingabe enthalten). So kann das Modell 1115 ein vorhergesagtes Signal 1125 ausgeben, das auf einer Kombination der aus den verschiedenen Sensoren erfassten Eingaben 1123 basiert. Zum Beispiel kann das Modell 1115 nur Echtzeit-Strominformationen und Echtzeit-Spannungsinformationen als Eingabe 1123 verwenden, um eine Vorhersage 1125 auszugeben. Bei der Vorhersage 1125 kann es sich um eine voraussichtliche Geräuschvorhersage handeln, die angesichts der der Vorrichtung zugeordneten Werte den an der elektrischen Vorrichtung 1121 betriebenen Komponenten zugeordnet ist. Bei der Vorhersage 1125 kann es sich auch um eine voraussichtliche Drehmomentvorhersage handeln, die angesichts der der Vorrichtung zugeordneten Werte den an der elektrischen Vorrichtung 1121 betriebenen Komponenten zugeordnet ist.
Die Vorhersage 1125 kann jeden verfügbaren Datensatz zum Erstellen der Vorhersage verwenden. Wenn also ein bestimmter Sensor ausfällt oder nicht verfügbar ist, ist der Messwert für die Vorhersage möglicherweise nicht erforderlich. Das Modell kann beliebige verfügbare Daten oder Informationen zum Erstellen der Vorhersage verwenden. Ferner können bestimmte Messwerte vorteilhafter als andere sein. Für eine Spannungsmessung sind beispielsweise keine gleichzeitigen Messungen erforderlich, während für eine Strommessung andere Informationen (z. B. Spannungs- oder Vibrationsinformationen) erforderlich sein können, um eine Vorhersage zu treffen. In einem anderen Beispiel können eine Spannungsmessung und eine Vibrationsmessung allein ausreichen. In einem anderen Beispiel kann eine Strommessung eine sekundäre Information sein, die zur Entwicklung der Vorhersage oder zur Verbesserung der Vorhersage beiträgt.
12 offenbart ein Flussdiagramm, das einem Vorhersageanalysemodell zugeordnet ist. Das System kann ein maschinelles Lernmodell 1217 enthalten. Das maschinelle Lernmodell 1217 kann ein tiefes neuronales Netz sein. Das tiefe neuronale Netz (U-Net oder Transformer) empfängt eine Reihe von Sensorsignalen aus Sensoren, die mit einem elektrischen Antrieb 1201 kommunizieren bzw. verbunden sind. Die elektrische Vorrichtung 1201 kann jede Art von Vorrichtung sein, die einen Prozessor oder ein ECU 1203, einen Motor, einen Aktuator, einen elektrischen Antrieb, ein Antriebssystem usw. umfasst. Die elektrische Vorrichtung 1203 kann eine Komponente umfassen, die ein Drehmoment 1213 an eine Komponente abgibt. Mit dieser Komponente kann ein Sensor verbunden werden, um einen Drehmomentwert zu ermitteln. Die elektrische Vorrichtung 1201 kann Sensoren enthalten, die dazu dienen, verschiedene Eigenschaften in einer bestimmten Umgebung, z. B. in einem Labor, zu messen. Bei den Sensoren kann es sich um jede Art von Sensoren handeln, z. B. um einen Geschwindigkeitssensor, einen Beschleunigungsmesser 1209, einen Spannungssensor (z. B. Eingangsspannungssensor) 1205, einen Stromsensor (z. B. Eingangsstromsensor) 1207, einen Drehmomentsensor usw.
Ein Mikrofon kann verwendet werden, um das Geräusch 1211 aus einer elektrischen Vorrichtung 1201 aufzunehmen. Ein Prozessor oder ein ECU (z. B. ein elektronisches Steuergerät) 1203 der elektrischen Vorrichtung 1201 kann mit Sensoren verbunden sein und in Kommunikation stehen, die die Eingangsspannung 1205 und den Strom 1207 der Vorrichtung im Betrieb messen. Ferner können Vibrationsdaten 1209 aus einem oder mehreren Sensoren erfasst werden. Die Vibrationsinformationen 1209 können ein Beschleunigungsmessersignal von drei Achsen enthalten. Beispielsweise können die Beschleunigungsmesserinformationen der X-Achse, die Beschleunigungsmesserinformationen der Y-Achse und die Beschleunigungsmesserinformationen der Z-Achse verwendet werden.
Das vorgeschlagene Verfahren kann bei der Analyse komplexer physikalischer Systeme, wie z. B. von Mehrkomponenten-Produkten, eingesetzt werden. Es kann gewählt werden, welches Größenverhältnis zwischen den zu untersuchenden Größen besteht. Ein Beispiel dafür sind die Vibrationen des Elektromotors, der die Fensterheber in einem Kraftfahrzeug betätigt, sowie die Geräusche im Innenraum. Zweitens werden die ausgewählten Größen in einem geeigneten Umfeld gemessen, d. h. in einer Weise, die es ermöglicht, die hypothetische Beziehung zwischen den gemessenen Größen zu bestimmen. Im obigen Beispiel würde das bedeuten, dass sowohl die Beschleunigungsmesserdaten als auch die Mikrofondaten gleichzeitig im selben Fahrzeug aufgezeichnet werden. Ein maschinelles Lernmodell 1217 kann verwendet und mit den Trainingsdaten 1215 gefüttert werden. Die Trainingsdaten 1215 können Spannungssignale, Stromsignale, Beschleunigungsmessersignale, Drehmomentsignale, Mikrofonsignale usw. umfassen. Das maschinelle Lernmodell 1217 kann ein neuronales Netz sein, das so trainiert wird, dass es eine der Größen anhand der anderen vorhersagt, z. B. ein Signal-zu-Signal-Modell, das die Zeitreihe des Beschleunigungsmessers als Eingangssignal verwendet und die Geräuschzeitreihe vorhersagt.
Und schließlich kann die Leistung des Netzwerks analysiert werden, um das Vorhandensein bzw. Nichtvorhandensein der Beziehung und ihrer Eigenschaften festzustellen. So kann die Vorhersageanalyse 1221 dazu verwendet werden, das Netzwerk und die zugehörigen Vorhersagen zu bewerten. Der Vorhersagefehler kann beispielsweise im Zeitbereich analysiert werden, um die gegenseitigen Informationen zwischen den Motorvibrationen und dem Geräusch im Innenraum abzuschätzen, und im Frequenzbereich, um festzustellen, welche Geräuschfrequenzen von den Motorvibrationen herrühren. Im letzteren Fall kann eine Fourier-Transformation sowohl auf das vorhergesagte als auch auf das aufgezeichnete Signal angewandt werden, um die Frequenzinformationen zu erhalten, und der Fehler kann zwischen den resultierenden Fourier-Koeffizienten berechnet werden. Die Vorhersageanalyse 1211 kann in Form einer Heatmap, eines Zahlenwertes oder einer anderen Art von Ausgabe erfolgen. Die Vorhersageanalyse kann in einer beispielhaften Ausführungsform die Vorhersagegenauigkeit anhand der Quell- oder Eingabeinformationen analysieren. Eine Vorhersageanalyse kann beispielsweise zeigen, wie gut die Vorhersage von Vibrationsinformationen (z. B. Beschleunigungsmesserdaten) ist, wenn nur eine Spannung und ein Strom eingegeben werden.
Die hier offenbarten Prozesse, Verfahren oder Algorithmen sind an eine Verarbeitungsvorrichtung, eine Steuervorrichtung oder einen Computer lieferbar bzw. durch diese implementierbar, wozu jedes vorhandene programmierbare elektronische Steuergerät oder dediziertes elektronisches Steuergerät gehören kann. Auf ähnliche Weise können die Prozesse, Verfahren oder Algorithmen als Daten und Anweisungen gespeichert sein, die durch eine Steuervorrichtung oder einen Computer in vielen Formen ausführbar sind, einschließlich unter anderem Informationen, die dauerhaft auf nicht beschreibbaren Speichermedien wie ROM-Vorrichtungen gespeichert sind, und Informationen, die veränderbar auf beschreibbaren Speichermedien wie Disketten, Magnetbändern, CDs, RAM-Vorrichtungen und anderen magnetischen und optischen Medien gespeichert sind. Die Prozesse, Verfahren oder Algorithmen können auch in einem ausführbaren Software-Objekt implementiert sein. Alternativ können die Prozesse, Verfahren oder Algorithmen ganz oder teilweise durch geeignete Hardwarekomponenten realisiert sein, wie z. B. durch anwendungsspezifische integrierte Schaltungen (ASICs), feldprogrammierbare Gate-Arrays (FPGAs), Zustandsautomaten, Steuervorrichtungen oder andere Hardwarekomponenten oder -vorrichtungen oder durch eine Kombination von Hardware-, Software- und Firmwarekomponenten.
Obwohl oben beispielhafte Ausführungsformen beschrieben sind, ist nicht beabsichtigt, dass diese Ausführungsformen alle möglichen Formen beschreiben, die durch die Ansprüche umfasst werden. Die in der Spezifikation verwendeten Worte sind eher beschreibende als einschränkende Worte, und es versteht sich, dass verschiedene Änderungen vorgenommen werden können, ohne vom Geist und Schutzbereich der Offenbarung abzuweichen. Wie zuvor beschrieben, können die Merkmale verschiedener Ausführungsformen kombiniert werden, um weitere Ausführungsformen der Erfindung zu bilden, die möglicherweise nicht explizit beschrieben oder abgebildet sind. Obwohl verschiedene Ausführungsformen hinsichtlich eines oder mehrerer gewünschter Merkmale möglicherweise als vorteilhaft oder bevorzugt gegenüber anderen Ausführungsformen oder Implementierungen nach dem Stand der Technik beschrieben sein können, wird der Fachmann erkennen, dass ein oder mehrere Merkmale oder Eigenschaften einen Kompromiss eingehen können, um gewünschte Eigenschaften des Gesamtsystems zu erreichen, die von der konkreten Anwendung und Implementierung abhängen. Diese Eigenschaften können unter anderem Kosten, Festigkeit, Haltbarkeit, Lebensdauerkosten, Marktfähigkeit, Aussehen, Verpackung, Größe, Wartungsfreundlichkeit, Gewicht, Herstellbarkeit, Montagefreundlichkeit usw. umfassen. Soweit Ausführungsformen in Bezug auf ein oder mehrere Merkmale als weniger wünschenswert als andere Ausführungsformen oder Ausführungsformen nach dem Stand der Technik beschrieben sind, fallen diese Ausführungsformen nicht aus dem Schutzbereich der Offenbarung und können für bestimmte Anwendungen wünschenswert sein.

Claims

Computer-implementiertes Verfahren, umfassend: Empfangen von Strom-, Spannungs-, Vibrations- und Geräuschinformationen aus einer ersten Mehrzahl von Sensoren, die einer Prüfvorrichtung zugeordnet sind; Erzeugen eines Trainingsdatensatzes unter Verwendung der Strominformationen, der Spannungsinformationen, der Vibrationsinformationen und der Geräuschinformationen; Eingeben des Trainingsdatensatzes in ein maschinelles Lernmodell; als Reaktion auf einen Konvergenzschwellenwert des maschinellen Lernmodells, der durch den Trainingsdatensatz erreicht wird, Ausgeben eines trainierten maschinellen Lernmodells, das zum Ausgeben von Drehmomentvorhersagen ausgelegt ist; Empfangen einer Kombination von entweder Echtzeit-Strominformationen, Echtzeit-Spannungsinformationen oder Echtzeit-Vibrationsinformationen aus einer zweiten Mehrzahl von Sensoren, die einer Laufzeitvorrichtung zugeordnet sind; und Ausgeben einer Drehmomentvorhersage, die der Laufzeitvorrichtung zugeordnet ist, basierend auf (i) dem trainierten maschinellen Lernmodell und (ii) der Kombination von entweder Echtzeit-Strominformationen, Echtzeit-Spannungsinformationen oder Echtzeit-Vibrationsinformationen als Eingabe für das trainierte maschinelle Lernmodell.
Computer-implementiertes Verfahren gemäß Anspruch 1, wobei das trainierte maschinelle Lernmodell dazu ausgelegt ist, eine Geräuschvorhersage unter Verwendung der Kombination von entweder Echtzeit-Strominformationen, Echtzeit-Spannungsinformationen oder Echtzeit-Vibrationsinformationen als Eingabe auszugeben, wobei die Geräuschvorhersage dem wahrgenommenen Geräusch zugeordnet ist, das dem Betrieb der Laufzeitvorrichtung zugeordnet ist.
Computer-implementiertes Verfahren gemäß Anspruch 1, wobei die Kombination mindestens Echtzeit-Spannungsinformationen enthält.
Computer-implementiertes Verfahren gemäß Anspruch 1, wobei das trainierte maschinelle Lernmodell ein tiefes neuronales Netzwerk ist.
Computer-implementiertes Verfahren gemäß Anspruch 4, wobei das tiefe neuronale Netz ein U-Netz oder Transformer-Netzwerk ist.
Computer-implementiertes Verfahren gemäß Anspruch 1, wobei die Kombination sowohl Echtzeit-Strominformationen als auch Echtzeit-Spannungsinformationen zur Ausgabe der Drehmomentvorhersage enthält.
Computer-implementiertes Verfahren gemäß Anspruch 6, wobei die Kombination sowohl Echtzeit-Strominformationen als auch Echtzeit-Spannungsinformationen enthält, um eine Geräuschvorhersage auszugeben, die mit dem wahrgenommenen Geräusch im Zusammenhang mit dem Betrieb der Laufzeitvorrichtung verbunden ist.
Computer-implementiertes Verfahren gemäß Anspruch 1, wobei die Echtzeit-Strominformationen ein Eingangsstrommesswert sind und die Echtzeit-Spannungsinformationen ein Eingangsspannungsmesswert sind.
Computer-implementiertes Verfahren gemäß Anspruch 1, wobei die Drehmomentvorhersage entweder in Form von Zeitreihen-, Spektrogramm- oder Ordnungsspektrogrammdaten vorliegt.
Computer-implementiertes Verfahren, umfassend: Empfangen von Strom-, Spannungs-, Vibrations- und Geräuschinformationen aus einer Mehrzahl von Sensoren, die einer Prüfvorrichtung zugeordnet sind; Erzeugen eines Trainingsdatensatzes unter Verwendung der Strominformationen, der Spannungsinformationen, der Vibrationsinformationen und der Geräuschinformationen; Eingeben des Trainingsdatensatzes in ein maschinelles Lernmodell; als Reaktion auf einen Konvergenzschwellenwert des maschinellen Lernmodells, der durch den Trainingsdatensatz erreicht wird, Ausgeben eines trainierten maschinellen Lernmodells, das zum Ausgeben von Drehmomentvorhersagen ausgelegt ist; Empfangen einer Kombination von entweder Echtzeit-Strominformationen, Echtzeit-Spannungsinformationen oder Echtzeit-Vibrationsinformationen aus einer Laufzeitvorrichtung; und basierend auf (i) dem trainierten maschinellen Lernmodell und (ii) der Kombination mindestens der Echtzeit-Strominformationen und der Echtzeit-Spannungsinformationen als Eingabe in das trainierte maschinelle Lernmodell Ausgeben einer Drehmomentvorhersage, die ein vorhergesagtes Drehmoment anzeigt, das der Laufzeitvorrichtung während des Betriebs zugeordnet ist.
Computer-implementiertes Verfahren gemäß Anspruch 10, wobei das Verfahren die Verwendung des trainierten maschinellen Lernmodells und der Kombination mindestens der Echtzeit-Strominformationen und der Echtzeit-Spannungsinformationen als Eingabe für das trainierte maschinelle Lernmodell und das Ausgeben einer Geräuschvorhersage umfasst, die ein vorhergesagtes Geräusch anzeigt, das der Laufzeitvorrichtung zugeordnet ist.
Computer-implementiertes Verfahren gemäß Anspruch 10, wobei die Kombination die Verwendung der Echtzeit-Vibrationsinformationen zum Ausgeben der Drehmomentvorhersage umfasst.
Computer-implementiertes Verfahren gemäß Anspruch 10, wobei die Kombination keine Echtzeit-Vibrationsinformationen enthält.
Computer-implementiertes Verfahren gemäß Anspruch 10, wobei das maschinelle Lernmodell ein tiefes Lernnetzwerk ist, das ein U-Net- oder ein Transformer-Netzwerk ist.
Computer-implementiertes Verfahren gemäß Anspruch 10, wobei die Kombination die Verwendung der Echtzeit-Strominformationen, der Echtzeit-Spannungsinformationen und der Echtzeit-Vibrationsinformationen enthält, um eine Geräuschvorhersage auszugeben, die ein der Laufzeitvorrichtung zugeordnetes vorhergesagtes Geräusch anzeigt.
System, umfassend: einen Prozessor in Kommunikation mit einem oder mehreren Sensoren, wobei der Prozessor dazu programmiert ist: Daten zu empfangen, die eine oder mehrere Echtzeit-Strominformationen, Echtzeit-Spannungsinformationen oder Echtzeit-Vibrationsinformationen aus einer Laufzeitvorrichtung enthalten, wobei die Laufzeitvorrichtung ein Aktuator oder ein elektrischer Antrieb ist; und unter Verwendung eines trainierten maschinellen Lernmodells und der Daten als Eingabe für das trainierte maschinelle Lernmodell eine Geräuschvorhersage auszugeben, die dem geschätzten Geräusch, das aus der Laufzeitvorrichtung abgegeben wird, zugeordnet ist.
System gemäß Anspruch 16, wobei der Prozessor ferner dazu programmiert ist, unter Verwendung des trainierten maschinellen Lernmodells und der Kombination als Eingabe für das trainierte maschinelle Lernmodell eine Drehmomentvorhersage auszugeben, die der Laufzeitvorrichtung zugeordnet ist.
System gemäß Anspruch 16, wobei die Kombination Echtzeit-Strominformationen und Echtzeit-Spannungsinformationen enthält.
System gemäß Anspruch 16, wobei die Kombination keine Echtzeit-Strominformationen enthält.
System gemäß Anspruch 16, wobei die Kombination Echtzeit-Strominformationen und entweder Echtzeit-Spannungsinformationen oder Echtzeit-Vibrationsinformationen enthält.