DE102023209513A1 - System und verfahren zur vorhersageanalyse eines systems unter verwendung von maschinenlernnetzen - Google Patents

System und verfahren zur vorhersageanalyse eines systems unter verwendung von maschinenlernnetzen Download PDF

Info

Publication number
DE102023209513A1
DE102023209513A1 DE102023209513.0A DE102023209513A DE102023209513A1 DE 102023209513 A1 DE102023209513 A1 DE 102023209513A1 DE 102023209513 A DE102023209513 A DE 102023209513A DE 102023209513 A1 DE102023209513 A1 DE 102023209513A1
Authority
DE
Germany
Prior art keywords
prediction
information
noise
machine learning
computer
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
Application number
DE102023209513.0A
Other languages
English (en)
Inventor
Ivan BATALOV
Filipe Cabrita Condessa
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of DE102023209513A1 publication Critical patent/DE102023209513A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation

Abstract

Ein computer-implementiertes Verfahren beinhaltet Empfangen einer Kombination von aufgezeichneten Signalen, die Strom-, Spannungs-, Vibrations- und Geräuschinformationen in Verbindung mit einer Prüfvorrichtung in einer Prüfumgebung angeben, Erzeugen eines Trainingsdatensatzes unter Verwendung der Signale, wobei der Trainingsdatensatz an ein Maschinenlernmodell gesendet wird, und als Reaktion auf das Erfüllen einer Konvergenzschwelle des Maschinenlernmodells, Ausgeben eines trainierten Modells, das eine Vorhersage unter Verwendung der aufgezeichneten Signale aus der Kombination ausgibt. Die Vorhersage gibt eine vorhergesagte Signalcharakteristik an. Das Verfahren umfasst außerdem Vergleichen der Vorhersage und des Signals, die mit der Prüfvorrichtung assoziiert sind, um einen mit der Vorrichtung assoziierten Vorhersagefehler zu identifizieren, und Ausgeben einer Vorhersageanalyse, die Informationen angibt, die zumindest mit dem Vorhersagefehler assoziiert sind. Die Vorhersageanalyse beinhaltet Informationen, die eine Beziehung zwischen der Vorrichtung und ihren Signalen angeben.

Description

  • Technisches gebiet
  • Die vorliegende Offenbarung betrifft ein Maschinenlernnetz, darunter ein Maschinenlernnetz, das mit einer Vorrichtung mit einer elektrischen Antriebsmaschine assoziiert ist.
  • Hintergrund
  • Im Prozess der Produktanalyse und -entwicklung besteht eine gängige und zentrale Aufgabe darin, die Beziehung zwischen verschiedenen Struktur- und Funktionseigenschaften des Produkts zu bestimmen. Beispielsweise ist es bei der Optimierung des Entwurfs eines Produkts zur Verbesserung seiner NVH-Charakteristiken (Noise, Vibration, Harshness - Geräusche, Vibrationen, Rauheit) wichtig zu wissen, wie das Geräusch, das den Kunden erreicht, von den Vibrationen der verschiedenen internen Komponenten des Produkts (z. B. eines elektrischen Antriebs) abhängt. Kenntnis dieser Abhängigkeiten kann Produktentwicklern und Technikern Information und Anleitung darüber bieten, welche Komponenten modifiziert werden müssen, um die Charakteristiken des Produkts zu verbessern, und wie eine solche Verbesserung erreicht werden kann.
  • Es gibt keine Standardtechnik, die es einem System ermöglicht, diese Arten von Beziehungen zu detektieren und zu analysieren, und die meisten modernen Ansätze basieren auf physikalisch gestützten Modellen, die speziell für einzelne Anwendungen und oftmals von Grund auf entwickelt wurden. In der Vergangenheit wurden neuronale Netze verwendet, um die gegenseitigen Informationen zwischen verschiedenen Größen zu schätzen, jedoch wurden diese Ansätze nicht auf den Bereich der Produktentwicklung angewendet und beschränken sich auf die Schätzung lediglich der gegenseitigen Informationen selbst, was möglicherweise nicht immer die gewünschte Metrik ist.
  • Kurzdarstellung
  • Gemäß einer ersten Ausführungsform beinhaltet ein computer-implementiertes Verfahren Empfangen einer Kombination von zwei oder mehr aufgezeichneten Signalen, die Strominformationen, Spannungsinformationen, Vibrationsinformationen und Geräuschinformationen in Verbindung mit einer Prüfvorrichtung angeben, Erzeugen eines Trainingsdatensatzes unter Verwendung von mindestens Strominformationen, Spannungsinformationen, Vibrationsinformationen und Geräuschinformationen, wobei der Trainingsdatensatz in ein Maschinenlernmodell eingespeist wird, als Reaktion auf das Erfüllen einer Konvergenzschwelle des Maschinenlernmodells, Ausgeben eines trainierten Maschinenlernmodells, Ausgeben einer Vorhersage unter Verwendung des trainierten Maschinenlernmodells und mindestens eines aufgezeichneten Signals aus der Kombination, wobei die Vorhersage eine vorhergesagte Signalcharakteristik angibt, die mit einem der zwei oder mehr mit der Prüfvorrichtung assoziierten Signale assoziiert ist, Vergleichen der Vorhersage mit einem der zwei oder mehr mit der Prüfvorrichtung assoziierten Signale, um einen mit der Prüfvorrichtung assoziierten Vorhersagefehler zu identifizieren, und Ausgeben einer Vorhersageanalyse, die mit mindestens dem Vorhersagefehler assoziierte Informationen angibt, wobei die Vorhersageanalyse Informationen beinhaltet, die eine Beziehung zwischen sowohl den zwei oder mehr aufgezeichneten Signalen, die Strominformationen, Spannungsinformationen, Vibrationsinformationen und Geräuschinformationen angeben, als auch einem Ton und/oder einem Drehmoment und/oder einer Vibration, das/die von der Prüfvorrichtung im Betrieb abgegeben wird oder in dieser nicht vorhanden ist, angeben.
  • Gemäß einer zweiten Ausführungsform beinhaltet ein computer-implementiertes Verfahren Empfangen einer Kombination von zwei oder mehr Eingangssignalen, die Strominformationen, Spannungsinformationen, Vibrationsinformationen und Geräuschinformationen in Verbindung mit einer Prüfvorrichtung in einer Prüfumgebung angeben; Erzeugen eines Trainingsdatensatzes unter Verwendung von mindestens Strominformationen, Spannungsinformationen, Vibrationsinformationen und Geräuschinformationen, wobei der Trainingsdatensatz in ein Maschinenlernmodell eingespeist wird; als Reaktion auf das Erfüllen einer Konvergenzschwelle des Maschinenlernmodells, Ausgeben eines trainierten Maschinenlernmodells; Ausgeben einer Vorhersage unter Verwendung des trainierten Maschinenlernmodells und der Kombination, wobei die Vorhersage eine mit der Prüfvorrichtung assoziierte Signalcharakteristikvorhersage angibt; Verarbeiten der Vorhersage, um eine nachbearbeitete Vorhersage zu erhalten; und als Reaktion auf einen Vergleich der nachbearbeiteten Vorhersage und eines Vorhersagefehlers, Ausgeben einer Vorhersageanalyse, die mit der Vorhersage assoziierte Informationen beinhaltet, wobei die Vorhersageanalyse Informationen beinhaltet, die eine Beziehung zwischen sowohl einem der zwei oder mehr aufgezeichneten Signale, die Strominformationen, Spannungsinformationen, Vibrationsinformationen und Geräuschinformationen angeben, als auch einem Ton und/oder einem Drehmoment und/oder einer Vibration, das/die von der Prüfvorrichtung im Betrieb abgegeben wird oder in dieser nicht vorhanden ist, angeben.
  • Gemäß einer dritten Ausführungsform beinhaltet ein System einen Prozessor in Kommunikation mit einem oder mehreren Sensoren. Der Prozessor ist programmiert zum Empfangen einer Kombination von zwei oder mehr aufgezeichneten Signalen, die Strominformationen, Spannungsinformationen, Vibrationsinformationen und Geräuschinformationen in Verbindung mit einer Prüfvorrichtung angeben, Erzeugen eines Trainingsdatensatzes unter Verwendung von mindestens Strominformationen, Spannungsinformationen, Vibrationsinformationen und Geräuschinformationen, wobei der Trainingsdatensatz in ein Maschinenlernmodell eingespeist wird, als Reaktion auf das Erfüllen einer Konvergenzschwelle des Maschinenlernmodells, Ausgeben eines trainierten Maschinenlernmodells, Ausgeben einer Vorhersage unter Verwendung des trainierten Maschinenlernmodells und mindestens einer Eingangsinformation aus der Kombination, wobei die Vorhersage eine vorhergesagte Signalcharakteristik angibt, die mit einem der zwei oder mehr mit der Prüfvorrichtung assoziierten aufgezeichneten Signale assoziiert ist, Vergleichen der Vorhersage mit einem assoziierten aufgezeichneten Signal der Prüfvorrichtung, um einen Vorhersagefehler zu identifizieren, und Ausgeben einer Vorhersageanalyse, die mit der Vorhersage und dem Vorhersagefehler assoziierte Informationen angibt, wobei die Vorhersageanalyse Informationen beinhaltet, die eine Beziehung zwischen sowohl einem der zwei oder mehr aufgezeichneten Signale, die Strominformationen, Spannungsinformationen, Vibrationsinformationen und Geräuschinformationen angeben, als auch einem Ton und/oder einem Drehmoment und/oder einer Vibration, das/die von der Prüfvorrichtung im Betrieb abgegeben wird oder in dieser nicht vorhanden ist, angeben.
  • Kurze Beschreibung der Zeichnungen
    • 1 zeigt ein System 100 zum Trainieren eines neuronalen Netzes.
    • 2 zeigt ein Datenannotationssystem 200 zum Implementieren eines Systems zum Annotieren von Daten.
    • 3 offenbart ein Flussdiagramm einer Ausführungsform, bei dem Geräuschinformationen zum Trainieren eines Maschinenlernmodells verwendet werden.
    • 4A offenbart ein Flussdiagramm, bei dem eine direkte Vorhersage verwendet wird.
    • 4B offenbart ein Flussdiagramm, bei dem eine indirekte Vorhersage verwendet wird.
    • 5 zeigt ein schematisches Diagramm einer Interaktion zwischen einer computergesteuerten Maschine 10 und einem Steuersystem 12.
    • 6 zeigt ein schematisches Diagramm des Steuersystems, ausgelegt zum Steuern eines Fahrzeugs, bei dem es sich um ein teilweise autonomes Fahrzeug oder einen teilweise autonomen Roboter handeln kann.
    • 7 zeigt ein schematisches Diagramm des Steuersystems, ausgelegt zum Steuern einer Fertigungsmaschine, wie etwa einer Stanz-Schneidvorrichtung, einer Schneidvorrichtung oder eines Kanonenbohrers, eines Fertigungssystems, wie etwa Teil einer Fertigungsstraße.
    • 8 zeigt ein schematisches Diagramm des Steuersystems, ausgelegt zum Steuern eines Elektrowerkzeugs, wie etwa einer Bohrmaschine oder eines Akkubohrers, das einen zumindest teilweise autonomen Modus aufweist.
    • 9 zeigt ein schematisches Diagramm des Steuersystems, ausgelegt zum Steuern eines automatisierten persönlichen Assistenten.
    • 10 offenbart ein Beispiel eines Flussdiagramms eines virtuellen Erfassungsmodells in einem Szenario.
    • 11 offenbart ein Diagramm eines Systems, das die Endprüfung im Zusammenhang mit verschiedenen Sensordaten überwacht, um eine Vorhersage auszugeben, die eine Drehmoment- oder Tonvorhersage umfassen kann.
    • 12 offenbart ein Flussdiagramm, das mit einem Vorhersageanalysemodell assoziiert 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 notwendigerweise maßstabsgetreu; einige Merkmale könnten übertrieben oder minimiert sein, um Einzelheiten bestimmter Komponenten zu zeigen. Hier offenbarte spezifische strukturelle und funktionale Einzelheiten sind daher nicht als beschränkend aufzufassen, sondern lediglich als eine repräsentative Basis, um Fachleute zu lehren, die Ausführungsformen verschiedentlich einzusetzen. Durchschnittsfachleute erkennen, dass verschiedene unter Bezugnahme auf eine beliebige der Figuren veranschaulichte und beschriebene Merkmale mit in einer oder mehreren anderen Figuren veranschaulichten Merkmalen kombiniert werden können, um Ausführungsformen zu produzieren, die nicht explizit veranschaulicht oder beschrieben werden. Die Kombinationen veranschaulichter Merkmale stellen repräsentative Ausführungsformen für typische Anwendungen bereit. Verschiedene Kombinationen und Modifikationen der mit den Lehren dieser im Einklang stehenden Merkmale könnten jedoch für bestimmte Anwendungen oder Implementierungen erwünscht sein.
  • Das vorgeschlagene Verfahren kann sich auf die Analyse des Zielvorhersagefehlers stützen, die auf verschiedene Weisen erfolgen kann, und ist daher ein vielseitiger Ansatz, der sich relativ einfach anwenden lässt, um die Produktentwicklung und -analyse zu verbessern und zu lenken. Das System und das Verfahren schlagen ein Verfahren zum Analysieren der Beziehung zwischen verschiedenen Sensorsignalen von Eigenschaften eines physischen Systems vor, indem das Verhalten von neuronalen Netzen analysiert wird, die zur Vorhersage der Zielgrößen unter Verwendung der Quellgrößen als Eingabe trainiert sind. Dieses Verfahren bietet eine Reihe von Vorteilen gegenüber den bestehenden Ansätzen, die die Entwicklung eines physikalisch gestützten Modells oder die direkte Schätzung gegenseitiger Informationen unter Verwendung neuronaler Netze beinhalten.
  • Das System und das Verfahren können in einer Ausführungsform rein datengestützt sein und erfordern möglicherweise kein tiefes Domänenwissen für jede einzelne Aufgabe. Darüber hinaus kann es leicht auf verschiedene Systeme und verschiedene Signale oder Eigenschaften des untersuchten Systems angewendet werden. Aufgrund der Repräsentationskraft neuronaler Netze kann dieses Verfahren komplexe systemspezifische nichtlineare Beziehungen modellieren, die mit physikalisch gestützten Modellen nur schwer zu entwickeln wären. Die Vorhersagefehleranalyse kann je nach anstehender Aufgabe geändert werden, um das gewünschte Ergebnis zu erzielen, was diesen Ansatz vielseitiger als eine direkte Schätzung der gegenseitigen Informationen zwischen der Quelle und dem Zielsignal macht.
  • Bei der Analyse eines komplexen physischen Systems, wie etwa eines Prototyps der nächsten Generation eines Mehrkomponentenprodukts, ist es oft äußerst schwierig zu bestimmen, wie die verschiedenen Funktionseigenschaften des Produkts mit seinen Entwurfsparametern, darunter spezifische Struktur- und Funktionseigenschaften der Komponenten des Produkts, zusammenhängen, was auf die Komplexität solcher Beziehungen zurückzuführen ist. Ein Maß für die „Stärke“ einer solchen Beziehung zwischen zwei physikalischen Größen S (Quelle) und T (Ziel) sind gegenseitige Informationen: I ( S , T ) = H ( T ) − H ( T | S ) = D K L ( p ( S , T ) ‖ p ( S ) ∗ p ( T ) ) > 0
    Figure DE102023209513A1_0001
    wobei H(T) die Entropie des Ziels ist, H(T|S) die Entropie des an der Quelle konditionierten Ziels ist, und DKL(p(S,T)||p(S) ∗ p(T)) die Kullback-Leibler-Divergenz zwischen der gemeinsamen Verteilung und dem Produkt der Randverteilungen von S und T. I(S,T) = 0 bedeutet, dass die Messung von S die Unsicherheit von T nicht verringert, d. h. H(T) = H(T|S). I(S,T) = 1 T kann mit einer Konfidenz von 100 % bestimmt werden, wenn S gegeben ist, d. h. H(T|S) = 0.
  • Die Schätzung gegenseitiger Informationen in realen Systemen ist jedoch mit klassischen Methoden schwierig, da sowohl S als auch T hochdimensionale kontinuierliche Variablen sein können (z. B. bei Zeitreihensignalen wie Geräusche, Ultraschall, Radar oder Lidar oder sogar Bildern oder Videosequenzen). Frühere Studien haben gezeigt, dass neuronale Netze verwendet werden können, um gegenseitige Informationen zwischen Zufallsvariablen direkt zu schätzen, was aufgrund ihrer Fähigkeit zur Modellierung eines breiten Spektrums komplexer nichtlinearer Beziehungen möglich ist. Eine direkte Schätzung der gegenseitigen Informationen ist jedoch oftmals nicht das gewünschte Ziel bei der Systemanalyse. Ein nützlicheres Maß für die Produktentwickler ist der erwartete Wert der Zielgröße bei gegebener Eingangsgröße, der von den gegenseitigen Informationen abhängt und auch mit Hilfe neuronaler Netze geschätzt werden kann: f(S) = E(TIS). Gilt I(S,T) = 1, so gelten H(T|S) = 0 und E(TIS) = T, d. h. der Vorhersagefehler beträgt null. Gilt I(S,T) = 0, so gelten H(T|S) = H(T) und E(TIS) = E(T), z. B. ist die Vorhersage der erwartete Wert des Ziels, der im Kontext neuronaler Netze dem mittleren Zielwert über die beobachteten Daten entspricht. Durch die Beobachtung des Vorhersagefehlers des neuronalen Netzes lässt sich somit die Beziehung zwischen der Quelle und dem Ziel detektieren und analysieren. Darüber hinaus muss das vorhergesagte Signal nicht mit dem Zielsignal in seiner Rohform verglichen werden, Nachverarbeitung kann verwendet werden, um verschiedene Eigenschaften des Zielsignals für den Vergleich abzuleiten (z. B. Fourier-Transformation, Geräuschlautstärke-, Härte- oder Rauigkeitsberechnung, Berechnung einer Amplitude einer bestimmten Ordnung usw.), wodurch eine solche Analyse wesentlich vielseitiger wird.
  • Das vorgeschlagene Verfahren ist zur Verwendung bei der Analyse komplexer physischer Systeme, wie etwa von Mehrkomponentenfabrikaten, vorgesehen. Erstens werden die Größen gewählt, zwischen denen eine Beziehung untersucht werden muss. Beispielsweise die Vibrationen des Elektromotors, der Fensterheber in einem Auto betätigt, und das Geräusch im Insassenraum. Zweitens werden die gewählten Größen in der entsprechenden Umgebung gemessen, z. B. so, dass die vermutete Beziehung zwischen den gemessenen Größen bestimmt werden kann. Im obigen Beispiel würde dies bedeuten, dass sowohl der Beschleunigungsmesser als auch die Mikrofondaten gleichzeitig im selben Fahrzeug aufgezeichnet werden. Drittens wird ein neuronales Netz trainiert, um eine der Größen unter Verwendung der anderen vorherzusagen, z. B. ein Signal-zu-Signal-Modell, das die Beschleunigungsmesser-Zeitreihe als Eingabe verwendet und Geräuschzeitreihen vorhersagt. Und schließlich wird das Verhalten des Netzes analysiert, um das Vorhandensein/Fehlen der Beziehung und ihrer Eigenschaften zu bestimmen. Im obigen Beispiel kann der Vorhersagefehler im Zeitbereich analysiert werden, um die gegenseitigen Informationen zwischen Motorvibrationen und dem Geräusch im Insassenraum zu schätzen, und im Frequenzbereich analysiert werden, um zu bestimmen, welche Geräuschfrequenzen aus Motorvibrationen entstehen. Für letzteres wird eine Fourier-Transformation sowohl auf das vorhergesagte als auch auf das aufgezeichnete Signal angewendet, um die Frequenzinformationen zu erhalten, und der Fehler wird zwischen den resultierenden Fourier-Koeffizienten berechnet.
  • 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. Zum Beispiel kann, wie in 1 dargestellt, die Eingabeschnittstelle aus einer Datenspeicherungsschnittstelle 180 bestehen, die auf die Trainingsdaten 192 aus einer Datenspeicherung 190 zugreifen kann. Beispielsweise kann die Datenspeicherungsschnittstelle 180 eine Speicherschnittstelle oder eine persistente Speicherungsschnittstelle sein, z. B. eine Festplatte oder eine SSD-Schnittstelle, aber auch eine persönliche, lokale oder WAN-Schnittstelle wie eine Bluetooth-, Zigbee- oder Wi-Fi-Schnittstelle oder eine Ethernet- oder Glasfaser-Schnittstelle. Die Datenspeicherung 190 kann eine interne Datenspeicherung des Systems 100 sein, wie etwa eine Festplatte oder SSD, aber auch eine externe Datenspeicherung, z. B. eine über ein Netzwerk zugängliche Datenspeicherung.
  • In einigen Ausführungsformen kann die Datenspeicherung 190 ferner eine Datenrepräsentation 194 einer untrainierten Version des neuronalen Netzes umfassen, auf die das System 100 aus der Datenspeicherung 190 zugreifen kann. Es versteht sich jedoch, dass die Trainingsdaten 192 und die Datenrepräsentation 194 des untrainierten neuronalen Netzes auch jeweils aus einer anderen Datenspeicherung abgerufen werden können, z. B. über ein anderes Subsystem der Datenspeicherungsschnittstelle 180. Die Art jedes Subsystems kann wie die oben für die Datenspeicherungsschnittstelle 180 beschrieben sein. In anderen Ausführungsformen kann die Datenrepräsentation 194 des untrainierten neuronalen Netzes intern durch das System 100 auf der Grundlage von Entwurfsparametern für das neuronale Netz erzeugt werden und wird daher möglicherweise nicht explizit in der Datenspeicherung 190 gespeichert. Das System 100 kann ferner ein Prozessorsubsystem 160 umfassen, das dazu ausgelegt sein kann, während des Betriebs des Systems 100 eine iterative Funktion als Ersatz für einen Schichtstapel des zu trainierenden neuronalen Netzes bereitzustellen. In einer Ausführungsform können die jeweiligen Schichten des Schichtstapels, der ersetzt wird, wechselseitig geteilte Gewichte aufweisen und als Eingabe eine Ausgabe einer vorherigen Schicht oder für eine erste Schicht des Schichtstapels eine Erstaktivierung und einen Teil der Eingabe des Schichtstapels empfangen. Das System kann auch mehrere Schichten umfassen. Das Prozessorsubsystem 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 Prozessorsubsystem 160 einen Vorwärtspropagierungsteil und einen Rückwärtspropagierungsteil umfassen. Das Prozessorsubsystem 160 kann ausgelegt sein zum Durchführen des Vorwärtspropagierungsteils durch, unter anderen den Vorwärtspropagierungsteil definierenden Operationen, die durchgeführt werden können, Bestimmen eines Gleichgewichtspunkts der iterativen Funktion, an dem die iterative Funktion zu einem festen Punkt konvergiert, wobei das Bestimmen des Gleichgewichtspunkts die Verwendung eines numerischen Wurzelfindungsalgorithmus umfasst, um eine Wurzellösung für die iterative Funktion minus deren Eingabe zu finden, und durch Bereitstellen des Gleichgewichtspunkts als Ersatz für eine Ausgabe des Schichtstapels in dem neuronalen Netz. Das System 100 kann ferner eine Ausgabeschnittstelle zum Ausgeben einer Datenrepräsentation 196 des trainierten neuronalen Netzes umfassen, diese Daten können auch als trainierte Modelldaten 196 bezeichnet werden. Zum Beispiel, wie auch in 1 dargestellt, kann die Ausgabeschnittstelle durch die Datenspeicherungsschnittstelle 180 gebildet werden, wobei die Schnittstelle in diesen Ausführungsformen eine Eingabe/Ausgabe-Schnittstelle („E/A“) ist, über die die trainierten Modelldaten 196 in der Datenspeicherung 190 gespeichert werden können. Beispielsweise kann die Datenrepräsentation 194, die das „untrainierte“ neuronale Netz definiert, während oder nach dem Training zumindest teilweise durch die Datenrepräsentation 196 des trainierten neuronalen Netzes ersetzt werden, indem die Parameter des neuronalen Netzes, wie etwa Gewichte, Hyper-Parameter und andere Arten von Parametern neuronaler Netze angepasst werden können, um das Training an den Trainingsdaten 192 widerzuspiegeln. Dies ist auch in 1 durch die Bezugsziffern 194, 196 dargestellt, die sich auf denselben Datensatz in der Datenspeicherung 190 beziehen. In anderen Ausführungsformen kann die Datenrepräsentation 196 getrennt von der Datenrepräsentation 194, die das „untrainierte“ neuronale Netz definiert, gespeichert werden. In einigen Ausführungsformen kann die Ausgabeschnittstelle von der Datenspeicherungsschnittstelle 180 getrennt sein, kann aber im Allgemeinen von einer Art sein, wie oben für die Datenspeicherungsschnittstelle 180 beschrieben.
  • 2 zeigt ein Datenannotationssystem 200 zum Implementieren eines Systems zum Annotieren von Daten. Das Datenannotationssystem 200 kann mindestens ein Rechensystem 202 beinhalten. Das Rechensystem 202 kann mindestens einen Prozessor 204 beinhalten, der mit einer Speichereinheit 208 betriebsverbunden ist. Der Prozessor 204 kann eine oder mehrere integrierte Schaltungen beinhalten, die die Funktionalität einer zentralen Verarbeitungseinheit (CPU) 206 implementieren. Die CPU 206 kann eine kommerziell erhältliche Verarbeitungseinheit sein, die einen Befehlssatz, wie etwa einen 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 beinhalten, die den Betrieb der CPU 206 dahingehend steuert, die hier beschriebene Operation durchzuführen. Bei 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 von Eingabe/Ausgabe-Schnittstellen in einer einzigen integrierten Vorrichtung integriert. Das Rechensystem 202 kann ein Betriebssystem zum Verwalten verschiedener Aspekte des Betriebs implementieren.
  • Die Speichereinheit 208 kann einen flüchtigen Speicher und einen nichtflüchtigen Speicher zum Speichern von Anweisungen und Daten beinhalten. Der nichtflüchtige Speicher kann Festkörperspeicher, wie etwa NAND-Flash-Speicher, magnetische und optische Speicherungsmedien oder eine beliebige andere geeignete Datenspeicherungsvorrichtung, die Daten beibehält, wenn das Rechensystem 202 deaktiviert oder vom Strom getrennt wird, beinhalten. Der flüchtige Speicher kann einen statischen oder dynamischen Direktzugriffsspeicher (RAM) beinhalten, der Programmanweisungen und Daten speichert. Beispielsweise kann die Speichereinheit 208 ein(en) Maschinenlernmodell 210 oder -algorithmus, einen Trainingsdatensatz 212 für das Maschinenlernmodell 210, unverarbeiteten Quellendatensatz 215 speichern.
  • Das Rechensystem 202 kann eine Netzwerkschnittstellenvorrichtung 222 beinhalten, die zum Bereitstellen einer Kommunikation mit externen Systemen und Vorrichtungen ausgelegt ist. Beispielsweise kann die Netzwerkschnittstellenvorrichtung 222 eine drahtgebundene und/oder drahtlose Ethernet-Schnittstelle gemäß der Institute-of-Electrical-and-Electronics-Engineers(IEEE)802.11-Standardfamilie beinhalten. Die Netzwerkschnittstellenvorrichtung 222 kann eine Mobilfunkkommunikationsschnittstelle zum Kommunizieren mit einem Mobilfunknetz (z. B. 3G, 4G, 5G) beinhalten. Die Netzwerkschnittstellenvorrichtung 222 kann zum Bereitstellen einer Kommunikationsschnittstelle mit einem externen Netzwerk 224 oder einer Cloud ausgelegt sein.
  • Das externe Netzwerk 224 kann als das World Wide Web oder das Internet bezeichnet werden. Das externe Netzwerk 224 kann ein Standardkommunikationsprotokoll zwischen Rechenvorrichtungen einrichten. Das externe Netzwerk 224 kann ermöglichen, dass Informationen und Daten leicht zwischen Rechenvorrichtungen und Netzwerken ausgetauscht werden können. Ein oder mehrere Server 230 können mit dem externen Netzwerk 224 in Kommunikation stehen.
  • Das Rechensystem 202 kann eine Eingabe/Ausgabe(E/A)-Schnittstelle 220 beinhalten, die zum Bereitstellen digitaler und/oder analoger Eingaben und Ausgaben ausgelegt sein kann. Die E/A-Schnittstelle 220 kann zusätzliche serielle Schnittstellen zum Kommunizieren mit externen Vorrichtungen beinhalten (z. B. die Universal-Serial-Bus(USB)-Schnittstelle).
  • Das Rechensystem 202 kann eine Mensch-Maschine-Schnittstellen(HMI)-Vorrichtung 218 beinhalten, die jede Vorrichtung beinhalten kann, die ermöglicht, dass das System 200 eine Steuereingabe empfängt. Zu Beispielen für Eingabevorrichtungen können Mensch-Schnittstelle-Eingaben wie etwa Tastaturen, Mäuse, Berührungsbildschirme, Spracheingabevorrichtungen und andere ähnliche Vorrichtungen gehören. Das Rechensystem 202 kann eine Anzeigevorrichtung 232 beinhalten. Das Rechensystem 202 kann Hardware und Software zum Ausgeben von Grafik- und Textinformationen an die Anzeigevorrichtung 232 beinhalten. Die Anzeigevorrichtung 232 kann einen elektronischen Anzeigebildschirm, einen Projektor, einen Drucker oder eine andere geeignete Vorrichtung, um einem Benutzer Informationen anzuzeigen, beinhalten. Das Rechensystem 202 kann ferner dazu ausgelegt sein, eine Interaktion mit Fern-HMI- und Fernanzeigevorrichtungen über die Netzwerkschnittstellenvorrichtung 222 zu ermöglichen.
  • Das System 200 kann unter Verwendung eines oder mehrerer Rechensysteme implementiert werden. Obgleich das Beispiel ein einziges Rechensystem 202, das alle beschriebenen Merkmale implementiert, darstellt, wird beabsichtigt, dass verschiedene Merkmale und Funktionen getrennt und durch mehrere miteinander in Kommunikation stehende Recheneinheiten implementiert werden können. Die ausgewählte spezielle Systemarchitektur kann von einer Vielzahl von Faktoren abhängen.
  • Das System 200 kann einen Maschinenlernalgorithmen 210 implementieren, der zum Analysieren des unverarbeiteten Quellendatensatzes 215 ausgelegt ist. Der unverarbeitete Quellendatensatz 215 kann rohe oder unverarbeitete Sensordaten beinhalten, die einen Eingangsdatensatz für ein Maschinenlernsystem repräsentieren können. Der unverarbeitete Quellendatensatz 215 kann Video, Videosegmente, Bilder, textbasierte Informationen und unverarbeitete oder teilweise verarbeitete Sensordaten (z. B. Radarkarte von Objekten) beinhalten. In einigen Beispielen kann es sich bei dem Maschinenlernalgorithmus 210 um einen Neuronalnetzalgorithmus handeln, der zum Durchführen einer vorbestimmten Funktion ausgestaltet ist. Beispielsweise kann der Neuronalnetzalgorithmus in Automobilanwendungen dazu ausgelegt sein, Fußgänger in Videobildern zu identifizieren.
  • Das Computersystem 200 kann einen Trainingsdatensatz 212 für den Maschinenlernalgorithmus 210 speichern. Der Trainingsdatensatz 212 kann einen Satz zuvor erstellter Daten für zum Trainieren des Maschinenlernalgorithmus 210 repräsentieren. Der Trainingsdatensatz 212 kann durch den Maschinenlernalgorithmus 210 verwendet werden, um mit einem Neuronalnetzalgorithmus assoziierte Gewichtungsfaktoren zu lernen. Der Trainingsdatensatz 212 kann einen Satz von Quellendaten beinhalten, die entsprechende Resultate oder Ergebnisse aufweisen, die der Maschinenlernalgorithmus 210 über den Lernprozess zu duplizieren versucht. In diesem Beispiel kann der Trainingsdatensatz 212 Quellenvideos mit und ohne Fußgänger sowie entsprechende Präsenz- und Standortinformationen enthalten. Die Quellenvideos können verschiedene Szenarien beinhalten, in denen Fußgänger identifiziert werden.
  • Der Maschinenlernalgorithmus 210 kann in einem Lernmodus unter Verwendung des Trainingsdatensatzes 212 als Eingabe betrieben werden. Der Maschinenlernalgorithmus 210 kann unter Verwendung der Daten aus dem Trainingsdatensatz 212 über eine Reihe von Iterationen ausgeführt werden. Bei jeder Iteration kann der Maschinenlernalgorithmus 210 interne Gewichtungsfaktoren basierend auf den erzielten Ergebnissen aktualisieren. Beispielsweise kann der Maschinenlernalgorithmus 210 die ausgegebenen Ergebnisse (z. B. Annotationen) mit den im Trainingsdatensatz 212 enthaltenen vergleichen. Da der Trainingsdatensatz 212 die erwarteten Ergebnisse beinhaltet, kann der Maschinenlernalgorithmus 210 bestimmen, wann die Leistung akzeptabel ist. Nachdem der Maschinenlernalgorithmus 210 ein vorbestimmtes Leistungsniveau erreicht hat (z. B. 100 % Übereinstimmung mit den mit dem Trainingsdatensatz 212 assoziierten Resultaten), kann der Maschinenlernalgorithmus 210 unter Verwendung von Daten ausgeführt werden, die nicht im Trainingsdatensatz 212 enthalten sind. Der trainierte Maschinenlernalgorithmus 210 kann auf neue Datensätze angewendet werden, um annotierte Daten zu erzeugen.
  • Der Maschinenlernalgorithmus 210 kann dazu ausgelegt sein, ein bestimmtes Merkmal in dem unverarbeiteten Quellendatensatz 215 zu identifizieren. Der unverarbeitete Quellendatensatz 215 kann eine Mehrzahl von Instanzen oder Eingabedatensatz beinhalten, für die Annotationsergebnisse erwünscht sind. Beispielsweise kann der Maschinenlernalgorithmus 210 dazu ausgelegt sein, die Präsenz eines Fußgängers in Videobildern zu identifizieren und die Vorkommnisse zu annotieren. Der Maschinenlernalgorithmus 210 kann dazu programmiert sein, die unverarbeiteten Quellendaten 215 zu verarbeiten, um das Vorhandensein der bestimmten Merkmale zu identifizieren. Der Maschinenlernalgorithmus 210 kann dazu ausgelegt sein, ein Merkmal in den unverarbeiteten Quellendaten 215 als ein vorbestimmtes Merkmal (z. B. Fußgänger) zu identifizieren. Die unverarbeiteten Quellendaten 215 können aus einer Vielzahl von Quellen stammen. Beispielsweise können die unverarbeiteten Quellendaten 215 tatsächliche Eingabedaten sein, die durch ein Maschinenlernsystem erfasst werden. Die unverarbeiteten Quellendaten 215 können zum Testen des Systems durch eine Maschine erzeugt werden. Beispielsweise können die unverarbeiteten Quellendaten 215 unverarbeitete Videobilder von einer Kamera beinhalten.
  • In dem Beispiel kann der Maschinenlernalgorithmus 210 unverarbeitete Quellendaten 215 verarbeiten und eine Angabe einer Repräsentation eines Bilds ausgeben. Die Ausgabe kann auch eine erweiterte Repräsentation des Bilds beinhalten. Ein Maschinenlernalgorithmus 210 kann für jede erzeugte Ausgabe ein Konfidenzniveau oder einen Konfidenzfaktor erzeugen. Ein Konfidenzwert, der einen vorbestimmten Schwellenwert für hohe Konfidenz überschreitet, kann beispielsweise darauf hinweisen, dass sich der Maschinenlernalgorithmus 210 sicher ist, dass das identifizierte Merkmal dem bestimmten Merkmal entspricht. Ein Konfidenzwert, der kleiner als ein Schwellenwert für niedrige Konfidenz ist, kann darauf hinweisen, dass der Maschinenlernalgorithmus 210 eine gewisse Unsicherheit hinsichtlich des Vorhandenseins des bestimmten Merkmals aufweist.
  • 3 offenbart ein Flussdiagramm einer Ausführungsform, bei dem Geräuschinformationen zum Trainieren eines Maschinenlernmodells verwendet werden. Die elektronische Vorrichtung kann eine beliebige Art von Vorrichtung sein. Bei der elektronischen Vorrichtung kann es sich beispielsweise um ein Fahrzeug, ein Elektrowerkzeug oder beliebige Art von Vorrichtung handeln, die ein Geräusch von einem elektrischen Antrieb abgibt. Der elektrische Antrieb kann in einer Ausführungsform entweder ein AC-Motorantrieb oder ein DC-Motorantrieb sein. Beispielsweise kann ein AC-Antrieb eine Vorrichtung sein, die verwendet wird, um die Drehzahl eines Elektromotors, wie etwa eines dreiphasigen Induktionsmotors, zu steuern, indem die Frequenz der Stromversorgung an den Motor geändert wird. Der AC-Antrieb kann auch als Frequenzumrichter (VFD - Variable Frequency Drive) oder Variable Speed Drive (VSD) bezeichnet werden. Der DC-Motor-Antrieb kann ein Drehzahlsteuersystem eines DC-Elektromotors sein, das den Motor mit Spannung für den Betrieb mit der gewünschten Drehzahl versorgt. DC-Antriebe können auch als analoge DC-Antriebe und digitale DC-Antriebe klassifiziert werden.
  • Der elektrische Antrieb 301 kann einen oder mehrere Sensoren beinhalten, die Geräusche abgeben. Der elektrische Antrieb 301 kann einen Prozessor, eine Steuerung oder ein elektronisches Steuergerät 303 beinhalten. Der Sensor kann beispielsweise einen Beschleunigungsmesser 305 beinhalten. Das Geräusch 307 kann von dem elektrischen Antrieb (EDs) abgegeben und durch ein Mikrofon 313 aufgenommen werden. Um die Daten zu trainieren, kann das Geräusch in einer Laborumgebung ausgegeben und verwendet werden. Somit können Trainingsdaten 311 aus einer Laborumgebung verwendet werden. Das Labor kann eine störgeräuschfreie Umgebung mit einem Mikrofon 313 umfassen, um das Geräusch zu erfassen. Mit den Trainingsdaten 311 können menschliche Wahrnehmungsbewertungen aus den Mikrofondaten unter Verwendung eines Bewertungsvorhersagenetzes geschätzt werden.
  • Die Geräuschinformationen 307 können in einem Aspekt manuell von einem Menschen bestimmt werden 309, um eine Bewertung 315 abzuleiten. Beispielsweise können der Mensch oder die Menschen die mit verschiedenen Einstellungen der elektrischen Vorrichtung assoziierten Geräuschinformationen hören und ihnen eine Wahrnehmungsbewertung zuordnen. Die Wahrnehmungsbewertung kann in anderen Ausführungsformen auch automatisch programmiert werden. Das System kann beispielsweise verschiedene Charakteristiken des Geräuschs (z. B. Dezibel, Schallfrequenz, Ausmaß an untypischen Geräuschen usw.) verwenden, um eine Geräuschwahrnehmungsbewertung 319 zuzuordnen. Es kann ein hybrider Ansatz verwendet werden, bei dem beide verwendet werden. Die Bewertungen können jedoch in das Maschinenlernmodell eingespeist werden, das verwendet werden kann, um Geräusche aus anderen Prüfungen zu trainieren.
  • Das Maschinenlernnetz kann die Trainingsdaten nutzen, um das Maschinenlernnetz zu dahingehend zu trainieren, das von den EDs abgegebene Geräusch zu identifizieren. Die Trainingsdaten können mindestens die darin verwendeten Beschleunigungsmesserdaten beinhalten. Die Beschleunigungsmesserdaten können Informationen über mehrere Achsen beinhalten, darunter Informationen über die x-Achse, die y-Achse und die z-Achse. Das Maschinenlernmodell kann das Modell mit einem direkten Verfahren oder einem indirekten Verfahren trainieren. Das direkte Verfahren und das indirekte Verfahren werden in 4A bzw. 4B unten näher erläutert. In einigen Ausführungsformen kann eine Kombination beider Verfahren verwendet werden, um das Maschinenlernmodell zu trainieren.
  • Als Nächstes kann das System in einer End-Of-Line-Test-Umgebung betrieben werden. Da in der EOL-Umgebung Störgeräusche vorhanden sind, sind die Geräuschinformationen möglicherweise nicht verfügbar. Das System kann die Echtzeit-Vibrationsdaten (z. B. Beschleunigungsmesserdaten) in der EOL-Umgebung nutzen. Somit kann das trainierte Maschinenlernmodell selbst dann, wenn in bestimmten Umgebungen keine Geräuschinformationen verfügbar sind, die Vibrationsdaten von der Vorrichtung verwenden, um eine Wahrnehmungsbewertung bezüglich der Geräusche der verschiedenen Komponenten der Vorrichtung zu identifizieren. Das System kann dann unter Verwendung der Vibrationsdaten eine mit der EOL-Vorrichtung assoziierte Wahrnehmungsbewertung ausgeben. Basierend auf der Wahrnehmungsbewertung kann das System bestimmen, ob das
  • Das oben beschriebene Verfahren macht es nicht mehr erforderlich, menschliche Wahrnehmungsbewertungen unter Verwendung von Jury-Tests auszuwerten. Darüber hinaus können im Vergleich zu einem herkömmlichen Modell weniger Daten benötigt werden.
  • 4A offenbart ein Flussdiagramm, in dem eine direkte Vorhersage 401 verwendet wird. Das Direktvorhersageverfahren 401 kann zum Trainieren des Maschinenlernmodells verwendet werden. Das Maschinenlernmodell kann auf einen Konvergenzschwellenwert trainiert werden. Das Maschinenlernmodellnetz kann dahingehend trainiert werden, die menschliche Wahrnehmungsbewertung 407 direkt aus den Beschleunigungsmesserdaten 403 auszugeben oder vorherzusagen, indem der Bewertungsvorhersagefehler minimiert wird. Die Beschleunigungsmesserdaten 403 können aus den End-Of-Line-Tests oder aus einer anderen Art von Umgebung erhalten und in ein neuronales Netz 405 eingespeist werden. Wenn also ein Schwellenwert für einen bestimmten Bewertungsvorhersagefehler erreicht wird, kann das System ein trainiertes Modell ausgeben. Das trainierte Modell kann in einer End-of-Line-Umgebung oder einer beliebigen anderen Art von Umgebung eingesetzt werden.
  • 4B offenbart ein Flussdiagramm, in dem eine indirekte Vorhersage 450 verwendet wird. Das indirekte Verfahren kann ein oder mehrere neuronale Netze 453, 457 beinhalten. Das neuronale Netz 453 kann dahingehend trainiert sein, ein gemessenes Geräusch anhand der Beschleunigungsmesserdaten vorherzusagen. Ein anderes neuronales Netz 457 kann dahingehend trainiert sein, eine menschliche Wahrnehmungsbewertung 461 anhand Geräuschinformationen/-daten vorherzusagen. Das zweite neuronale Netz 457 kann eine mit dem Geräusch assoziierte Projektion 459 ausgeben. Die Projektion 459 kann verwendet werden, um eine Wahrnehmungsbewertung 461 zu identifizieren. Das vorhergesagte Geräusch 461 kann an ein Bewertungsvorhersagenetz gesendet werden. Das Bewertungsvorhersagenetz kann anhand der Probe eine menschliche Wahrnehmungsbewertung erzeugen. Die menschliche Wahrnehmungsbewertung 461 kann verschiedene Charakteristiken des Geräuschs 455 widerspiegeln, wie etwa ob das Geräusch angenehm, unangenehm, hoch, tief usw. ist, oder nicht. Während des Trainings des Geräuschvorhersagenetzes die Gewichte des Bewertungsvorhersagenetz eingefroren werden, und die Gewichte des Geräuschvorhersagenetzes werden trainiert, um eine gewichtete Summe von Geräusch- und Bewertungsvorhersagefehlern zu minimieren. Wenn sich das System einem Konvergenzschwellenwert nähert oder diesen erreicht, kann es ein trainiertes Netz ausgeben, und das trainierte Netz kann eingesetzt werden.
  • 5 zeigt ein schematisches Diagramm einer Interaktion zwischen einer computergesteuerten Maschine 10 und einem Steuersystem 12. Die computergesteuerte Maschine 10 kann ein neuronales Netz wie oben beschrieben beinhalten, beispielsweise ein Netz, das ein Bewertungsvorhersagenetz beinhaltet. Die computergesteuerte Maschine 10 beinhaltet Aktuator 14 und Sensor 16. Der Aktuator 14 kann einen oder mehrere Aktuatoren beinhalten, und der Sensor 16 kann einen oder mehrere Sensoren beinhalten. 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 Sensorsignale 18 an das Steuersystem 12 zu übertragen. Zu nichteinschränkenden Beispielen des Sensors 16 gehören 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 Steuersystem 12 ist dazu ausgelegt, Sensorsignale 18 von der computergesteuerten Maschine 10 zu empfangen. Wie im Folgenden dargelegt, kann das Steuersystem 12 ferner dazu ausgelegt sein, Aktuatorsteuerbefehle 20 abhängig von den Sensorsignalen zu berechnen und die Aktuatorsteuerbefehle 20 an den Aktuator 14 der computergesteuerten Maschine 10 zu übertragen.
  • Wie in 5 gezeigt, beinhaltet das Steuersystem 12 eine Empfangseinheit 22. Die Empfangseinheit 22 kann dazu ausgelegt sein, Sensorsignale 18 vom Sensor 16 zu empfangen und Sensorsignale 18 in Eingangssignale x umzuwandeln. In einer alternativen Ausführungsform werden Sensorsignale 18 direkt als Eingangssignale x ohne die Empfangseinheit 22 empfangen. Jedes Eingangssignal x kann ein Teil jedes Sensorsignals 18 sein. Die Empfangseinheit 22 kann dazu ausgelegt sein, jedes Sensorsignal 18 zu verarbeiten, um jedes Eingangssignal x zu erzeugen. Das Eingangssignal x kann Daten beinhalten, die einem durch den Sensor 16 aufgezeichneten Bild entsprechen.
  • Das Steuersystem 12 beinhaltet einen Klassifikator 24. Der Klassifikator 24 kann dazu ausgelegt sein, Eingangssignale x unter Verwendung eines Maschinenlern(ML)-Algorithmus, wie etwa eines oben beschriebenen neuronalen Netzes, in ein oder mehrere Labels zu klassifizieren. Das Eingangssignal x kann Geräuschinformationen beinhalten. Der Klassifikator 24 ist dazu ausgelegt, durch Parameter, wie etwa die oben beschriebenen (z. B. Parameter θ), parametrisiert zu werden. Parameter θ kann in einer nichtflüchtigen Speicherung 26 gespeichert und durch diese bereitgestellt werden. Der Klassifikator 24 ist dazu ausgelegt, Ausgangssignale y anhand von Eingangssignalen x zu bestimmen. Jedes Ausgangssignal y beinhaltet Informationen, die jedem Eingangssignal x ein oder mehrere Labels zuweisen. Der Klassifikator 24 kann Ausgangssignale y an die Umwandlungseinheit 28 übertragen. Die Umwandlungseinheit 28 ist dazu ausgelegt, Ausgangssignale y in Aktuatorsteuerbefehle 20 umzuwandeln. Das Steuersystem 12 ist dazu ausgelegt, die Aktuatorsteuerbefehle 20 an den Aktuator 14 zu übertragen, der dazu ausgelegt ist, die computergesteuerte Maschine 10 als Reaktion auf Aktuatorsteuerbefehle 20 zu betätigen. In einer anderen Ausführungsform ist der Aktuator 14 dazu ausgelegt, die computergesteuerte Maschine 10 direkt auf der Grundlage der Ausgangssignale y zu betätigen.
  • Bei Empfang der Aktuatorsteuerbefehle 20 des durch den Aktuator 14 ist der Aktuator 14 dazu ausgelegt, eine dem verbundenen Aktuatorsteuerbefehl 20 entsprechende Aktion auszuführen. Der Aktuator 14 kann eine Steuerlogik beinhalten, die dazu ausgelegt ist, die Aktuatorsteuerbefehle 20 in einen zweiten Aktuatorsteuerbefehl umzuwandeln, der zum Steuern des Aktuators 14 verwendet wird. In einer oder mehreren Ausführungsformen können die Aktuatorsteuerbefehle 20 verwendet werden, um anstelle eines oder zusätzlich zu einem Aktuator eine Anzeige zu steuern.
  • In einer anderen Ausführungsform beinhaltet das Steuersystem 12 den Sensor 16 anstelle oder zusätzlich zu der den Sensor 16 enthaltenden computergesteuerten Maschine 10. Das Steuersystem 12 kann auch den Aktuator 14 anstelle oder zusätzlich zu der den Sensor 14 enthaltenden computergesteuerten Maschine 10 beinhalten.
  • Wie in 5 gezeigt, beinhaltet das Steuersystem 12 auch einen Prozessor 30 und einen Speicher 32. Der Prozessor 30 kann einen oder mehrere Prozessoren beinhalten. Der Speicher 32 kann ein oder mehrere Speichervorrichtungen beinhalten. Der Klassifikator 24 (z. B. ML-Algorithmen) einer oder mehrerer Ausführungsformen kann durch das Steuersystem 12 implementiert werden, das die nichtflüchtige Speicherung 26, den Prozessor 30 und den Speicher 32 beinhaltet.
  • Die nichtflüchtige Speicherung 26 kann eine oder mehrere beständige Datenspeicherungsvorrichtungen beinhalten, wie etwa eine Festplatte, ein optisches Laufwerk, ein Bandlaufwerk, eine nichtflüchtige Festkörpervorrichtung, eine Cloud-Speicherung oder eine beliebige andere Vorrichtung, die zum beständigen Speichern von Informationen in Lage ist. Der Prozessor 30 kann eine oder mehrere Vorrichtungen beinhalten, die aus Hochleistungsrechen(HPC: High-Performance Computing)-Systemen, einschließlich Hochleistungskernen, Mikroprozessoren, Mikrocontrollern, Digitalsignalprozessoren, Mikrocomputern, Zentralverarbeitungseinheiten feldprogrammierbarer Gatterarrays, programmierbarer Logikvorrichtungen, Zustandsmaschinen, Logikschaltkreisen, Analogschaltkreisen, Digitalschaltkreisen oder beliebiger anderer Vorrichtungen, die (analoge oder digitale) Signale basierend auf in einem Speicher 32 befindlichen computerausführbaren Anweisungen manipulieren, ausgewählt wird. Der Speicher 32 kann eine einzige Speichervorrichtung oder eine Reihe an Speichervorrichtungen beinhalten, einschließlich unter anderem Direktzugriffsspeicher (RAM), flüchtigen Speichers, nichtflüchtigen Speichers, statischen Direktzugriffsspeichers (SRAM), dynamischen Direktzugriffsspeichers (DRAM), Flash-Speicher, Cache-Speicher oder einer beliebigen anderen Vorrichtung, die zum Speichern von Informationen in der Lage ist.
  • Der Prozessor 30 kann dazu ausgelegt sein, in den Speicher 32 zu lesen und computerausführbare Anweisungen, die sich in der nichtflüchtigen Speicherung 26 befinden und einen oder mehrere MT-Algorithmen und/oder -methodologien einer oder mehrerer Ausführungsformen umsetzen, auszuführen. Die nichtflüchtige Speicherung 26 kann ein oder mehrere Betriebssysteme und Anwendungen beinhalten. Die nichtflüchtige Speicherung 26 kann von Computerprogrammen kompiliert und/oder interpretiert speichern, die unter Verwendung einer Vielzahl von Programmiersprachen und/oder -technologien erschaffen wurden, einschließlich unter anderem, 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 der nichtflüchtigen Speicherung 26 bewirken, dass das Steuersystem 12 eine(n) oder mehrere der hier offenbarten ML-Algorithmen und/oder Methodologien implementiert. Die nichtflüchtige Speicherung 26 kann auch ML-Daten (darunter Datenparameter) beinhalten, die Funktionen, Merkmale und Prozesse der einen oder mehreren hier beschriebenen Ausführungsformen unterstützen.
  • Der Programmcode, der die hier beschriebenen Algorithmen und/oder Methodologien umsetzt, ist dazu in der Lage, einzeln oder kollektiv in einer Vielfalt von unterschiedlichen Formen als ein Programmprodukt verteilt zu werden. Der Programmcode kann unter Verwendung eines computerlesbaren Speicherungsmediums mit computerlesbaren Programmanweisungen darauf zum Veranlassen, dass ein Prozessor Aspekte einer oder mehrerer Ausführungsformen ausführt, verteilt werden. Computerlesbare Speicherungsmedien, die inhärent nichttransitorisch sind, können flüchtige und nichtflüchtige und entfernbare und nichtentfernbare greifbare Medien beinhalten, die mit einem beliebigen Verfahren oder einer beliebigen Technologie zur Speicherung von Informationen, wie etwa computerlesbaren Anweisungen, Datenstrukturen, Programmmodulen oder anderen Daten, implementiert werden. Computerlesbare Speicherungsmedien können ferner RAM, ROM, löschbaren programmierbaren Nurlesespeicher (EPROM), elektrisch löschbaren programmierbaren Nurlesespeicher (EEPROM), Flash-Speicher oder eine andere Festkörperspeichertechnologie, tragbaren Compact-Disc-Read-Only-Speicher (CD-ROM) oder eine andere optische Speicherung, Magnetkassetten, Magnetband, Magnetplattenspeicherung oder andere Magnetspeicherungsvorrichtungen oder ein beliebiges anderes Medium beinhalten, das verwendet werden kann, um die gewünschten Informationen zu speichern, und das von einem Computer gelesen werden kann. Computerlesbare Programmanweisungen können von einem computerlesbaren Speicherungsmedium auf einen Computer, eine andere Art einer programmierbaren Datenverarbeitungseinrichtung oder eine andere Vorrichtung oder über ein Netzwerk auf einen externen Computer oder eine externe Speicherungsvorrichtung heruntergeladen werden.
  • Computerlesbare Programmanweisungen, die auf einem computerlesbaren Medium gespeichert sind, können dazu verwendet werden, einen Computer, andere Arten einer programmierbaren Datenverarbeitungseinrichtung oder andere Vorrichtungen dazu anzuweisen, auf eine spezielle Weise zu arbeiten, sodass die in dem computerlesbaren Medium gespeicherten Anweisungen einen Herstellungsgegenstand einschließlich Anweisungen produzieren, die die Funktionen, Handlungen und/oder Operationen implementieren, die in den Flussdiagrammen oder Diagrammen spezifiziert sind. Bei gewissen alternativen Ausführungsformen können die Funktionen, Handlungen und/oder Operationen, die in den Flussdiagrammen und Diagrammen spezifiziert sind, in Übereinstimmung mit einer oder mehreren Ausführungsformen umgeordnet, seriell verarbeitet und/oder gleichzeitig verarbeitet werden. Zudem können beliebige der Flussdiagramme und/oder Diagramme mehr oder weniger Knoten oder Blöcke als jene beinhalten, die in Übereinstimmung mit einer oder mehreren Ausführungsformen veranschaulicht sind. Die Prozesse, Verfahren oder Algorithmen können vollständig oder teilweise unter Verwendung geeigneter Hardware-Komponenten, wie etwa anwendungsspezifischer integrierter Schaltungen (ASICs), feldprogrammierbarer Gate-Arrays (FPGAs), Zustandsmaschinen, Steuerungen oder anderer Hardware-Komponenten oder -Vorrichtungen oder einer Kombination von Hardware-, Software- und Firmware-Komponenten umgesetzt werden.
  • 6 zeigt ein schematisches Diagramm eines Steuersystems 12, ausgelegt zum Steuern eines Fahrzeugs 50, bei dem es sich um ein zumindest teilweise autonomes Fahrzeug oder einen zumindest teilweise autonomen Roboter handeln kann. Wie in 5 gezeigt, beinhaltet das Fahrzeug 50 einen Aktuator 14 und einen Sensor 16. Der Sensor 16 kann einen oder mehrere Videosensoren, Radarsensoren, Ultraschallsensoren, LiDAR-Sensoren und/oder Positionssensoren (z. B. GPS) beinhalten. Einer oder mehrere des einen oder der mehreren spezifischen Sensoren können in dem Fahrzeug 50 integriert sein. Alternativ oder zusätzlich zu einem oder mehreren oben identifizierten spezifischen Sensoren kann der Sensor 16 ein Softwaremodul beinhalten, das dazu ausgelegt ist, bei Ausführung einen Zustand des Aktuators 14 zu bestimmen. Zu einem nichteinschränkenden Beispiel eines Softwaremoduls gehört ein Softwaremodul für Wetterinformationen, das dazu ausgelegt ist, aktuelle oder zukünftige Wetterbedingungen in der Nähe des Fahrzeugs 50 oder eines anderen Standorts zu bestimmen.
  • Der Klassifikator 24 des Steuersystems 12 des Fahrzeugs 50 kann dazu ausgelegt sein, Objekte in der Nähe des Fahrzeugs 50 abhängig von Eingangssignalen x zu detektieren. In einer solchen Ausführungsform kann das Ausgangssignal y Informationen beinhalten, die die Umgebung von Objekten des Fahrzeugs 50 charakterisieren. Der Aktuatorsteuerbefehl 20 kann gemäß diesen Informationen bestimmt werden. Der Aktuatorsteuerbefehl 20 kann verwendet werden, um Kollisionen mit den detektierten Objekten zu vermeiden.
  • In Ausführungsformen, in denen das Fahrzeug 50 ein zumindest teilweise autonomes Fahrzeug ist, kann der Aktuator 14 als Bremse, Antriebssystem, Motor, Antriebsstrang oder Lenkung des Fahrzeugs 50 umgesetzt sein. Die Aktuatorsteuerbefehle 20 können derart bestimmt werden, dass der Aktuator 14 derart gesteuert wird, dass das Fahrzeug 50 Kollisionen mit detektierten Objekten vermeidet. Detektierte Objekte können auch danach klassifiziert werden, worum es sich bei ihnen laut dem Klassifikator 24 am wahrscheinlichsten handelt, wie etwa Fußgänger oder Bäume. Die Aktuatorsteuerbefehle 20 können je nach Klassifizierung bestimmt werden. Das Steuersystem 12 kann den Robustifier verwenden, um zu helfen, das Netz für nachteilige Bedingungen zu trainieren, wie etwa bei schlechten Lichtverhältnissen oder schlechten Wetterbedingungen in der Fahrzeugumgebung sowie bei einem Angriff.
  • In anderen Ausführungsformen, in denen das Fahrzeug 50 ein zumindest teilweise autonomer Roboter ist, kann das Fahrzeug 50 ein mobiler Roboter sein, der dazu ausgelegt ist, eine oder mehrere Funktionen, wie etwa Fliegen, Schwimmen, Tauchen und Schreiten, auszuführen. Der mobile Roboter kann ein zumindest teilweise autonomer Rasenmäher oder ein zumindest teilweise autonomer 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 werden kann, dass der mobile Roboter Kollisionen mit identifizierten Objekten vermeiden kann.
  • In einer anderen Ausführungsform ist das Fahrzeug 50 ein zumindest teilweise autonomer Roboter in Form eines Gartenroboters. In einer solchen Ausführungsform kann das Fahrzeug 50 einen optischen Sensor als Sensor 16 verwenden, um einen Zustand von Pflanzen in einer Umgebung in der Nähe des Fahrzeugs 50 zu bestimmen. Der Aktuator 14 kann eine Düse sein, die zum Versprühen von Chemikalien ausgelegt ist. Das Fahrzeug 50 kann basierend auf einem elektrischen Antrieb betrieben und bewegt werden. Abhängig von einer identifizierten Spezies und/oder einem identifizierten Zustand der Pflanzen kann der Aktuatorsteuerbefehl 20 bestimmt werden, um zu bewirken, dass der Aktuator 14 die Pflanzen mit einer geeigneten Menge geeigneter Chemikalien besprüht.
  • Das Fahrzeug 50 kann ein zumindest teilweise autonomer Roboter in Form eines Haushaltsgeräts sein. Zu nichteinschränkenden Beispielen für Haushaltsgeräte gehören eine Waschmaschine, ein Herd, ein Backofen, eine Mikrowelle oder eine Geschirrspülmaschine. In einem solchen Fahrzeug 50 kann der Sensor 16 ein optischer Sensor sein, der dazu ausgelegt ist, einen Zustand eines Objekts zu detektieren, das vom Haushaltsgerät verarbeitet werden soll. Handelt es sich bei dem Haushaltsgerät beispielsweise um eine Waschmaschine, so kann der Sensor 16 einen Zustand der Wäsche in der Waschmaschine detektieren. Der Aktuatorsteuerbefehl 20 kann basierend auf dem detektierten Zustand der Wäsche bestimmt werden.
  • 7 zeigt ein schematisches Diagramm eines Steuersystems 12, ausgelegt zum Steuern eines Systems 100 (z. B. Fertigungsmaschine), wie etwa einer Stanz-Schneidvorrichtung, einer Schneidvorrichtung oder eines Kanonenbohrers, eines Fertigungssystems 102, wie etwa Teil einer Fertigungsstraße. Das Steuersystem 12 kann dazu ausgelegt sein, einen Aktuator 14 zu steuern, der zum Steuern des System 100 (z. B. Fertigungsmaschine) ausgelegt ist.
  • Ein Sensor 16 des Systems 100 (z. B. Fertigungsmaschine) kann ein optischer Sensor sein, der dazu ausgelegt ist, eine oder mehrere Eigenschaften eines Fabrikats 104 zu erfassen, oder der Sensor kann ein Beschleunigungsmesser sein. Ein Klassifikator 24 kann dazu ausgelegt sein, einen Zustand des Fabrikats 104 anhand einer oder mehrerer der erfassten Eigenschaften zu bestimmen. Der Aktuator 14 kann dazu ausgelegt sein, das System 100 (z. B. Fertigungsmaschine) abhängig vom bestimmten Zustand des Fabrikats 104 für einen nachfolgenden Fertigungsschritt des Fabrikats 104 zu steuern. Der Aktuator 14 kann dazu ausgelegt sein, Funktionen des Systems 100 (z. B. Fertigungsmaschine) an einem nächsten Fabrikat 106 des Systems 100 (z. B. Fertigungsmaschine) abhängig vom bestimmten Zustand des Fabrikats 104 zu steuern. Das Steuersystem 12 kann das System nutzen, um das Maschinenlernnetz für nachteilige Bedingungen im Zusammenhang mit Geräuschen, die durch den Aktuator oder einen elektrischen Antrieb verwendet werden, zu trainieren, wie etwa mechanische Defekte an mit der Fertigungsstraße assoziierten Teilen.
  • 8 zeigt ein schematisches Diagramm eines Steuersystems 12, ausgelegt zum Steuern eines Elektrowerkzeugs 150, wie etwa einer Bohrmaschine oder eines Akkubohrers, das einen zumindest teilweise autonomen Modus aufweist. Das Steuersystem 12 kann dazu ausgelegt sein, einen 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 eine Geräusch abgeben, genauso 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 eines Befestigungselements 154, das in die Arbeitsfläche 152 getrieben werden, zu erfassen. Der Klassifikator 24 kann verwendet werden, um ein mit der Bedienung des Werkzeugs assoziiertes Geräusch zu klassifizieren. Darüber hinaus kann der Klassifikator 24 dazu ausgelegt sein, einen Zustand der Arbeitsfläche 152 und/oder des Befestigungselements 154 relativ zur Arbeitsfläche 152 anhand einer oder mehrerer der erfassten Eigenschaften zu bestimmen. Der Zustand kann sein, dass das Befestigungselement 154 bündig mit der Arbeitsfläche 152 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 Treibfunktion des Elektrowerkzeugs 150 in Abhängigkeit von dem bestimmten Zustand des Befestigungselements 154 relativ zur Arbeitsfläche 152 oder einer oder mehreren erfassten Eigenschaften der Arbeitsfläche 152 angepasst wird. Beispielsweise kann der Aktuator 14 die Treibfunktion unterbrechen, wenn der Zustand des Befestigungselements 154 bündig zur Arbeitsfläche 152. Als weiteres nichteinschränkendes Beispiel kann der Aktuator 14 abhängig von der Härte der Arbeitsfläche 152 ein zusätzliches oder geringeres Drehmoment anlegen. Das Steuersystem 12 kann den Robustifier verwenden, um zu helfen, das Maschinenlernnetzwerk für nachteilige Bedingungen zu trainieren, wie etwa bei schlechten Lichtverhältnissen oder schlechten Wetterbedingungen. Somit kann das Steuersystem 12 in der Lage sein, die Umgebungsbedingungen des Elektrowerkzeugs 150 zu identifizieren.
  • 9 zeigt ein schematisches Diagramm des Steuersystems 12, ausgelegt zum Steuern eines automatisierten persönlichen Assistenten 900. Das Steuersystem 12 kann dazu ausgelegt sein, einen Aktuator 14 zu steuern, der zum Steuern des automatisierten persönlichen Assistenten 900 ausgelegt ist. Der automatische persönliche Assistent 900 kann zum Steuern eines Haushaltsgeräts, wie etwa einer Waschmaschine, eines Herds, eines Ofens, einer Mikrowelle oder eines Geschirrspülers, ausgelegt sein. Ein Sensor 16 kann ein optischer Sensor und/oder ein Audiosensor, wie etwa ein Mikrofon, sein. Der optische Sensor kann dazu ausgelegt sein, Videobilder von Gesten 904 eines Benutzers 902 zu empfangen. Der Audiosensor kann dazu ausgelegt sein, einen Sprachbefehl des Benutzers 902 zu empfangen.
  • Das Steuersystem 12 des automatisierten persönlichen Assistenten 900 kann dazu ausgelegt sein, Aktuatorsteuerbefehle 20, die zum Steuern des Systems 12 ausgelegt sind, zu bestimmen. Das Steuersystem 12 kann dazu ausgelegt sein, die Aktuatorsteuerbefehle 20 gemäß Sensorsignalen 18 des Sensors 16 zu bestimmen. Der automatisierte persönliche Assistent 900 ist zum Übertragen der Sensorsignale 18 an das Steuersystem 12 ausgelegt. Der Klassifikator 24 des Steuersystems 12 kann dazu ausgelegt sein, einen Gestenerkennungsalgorithmus auszuführen, um die vom Benutzer 902 ausgeführte Geste 904 zu identifizieren, um Aktuatorsteuerbefehle 20 zu bestimmen und um die Aktuatorsteuerbefehle 20 an den Aktuator 14 zu übertragen. Der Aktuator kann durch eine elektrische Antriebsstrangmaschine angetrieben werden. Der Klassifikator 24 kann dazu ausgelegt sein, als Reaktion darauf, dass der Antriebsstrang den Aktuator aktiviert, zu ertönen und die abgerufenen Geräuschinformationen in einer für den Empfang durch den Benutzer 902 geeigneten Form auszugeben. Das Steuersystem 12 kann den Klassifikator verwenden, um zu helfen, das Maschinenlernnetz basierend auf dem Geräusch auf nachteilige Bedingungen zu trainieren, wie etwa eine Fehlfunktion des Aktuators oder eine Fehlfunktion einer anderen Komponente. Somit kann das Steuersystem 12 in einem solchen Szenario möglicherweise Schäden mindern.
  • 10 offenbart ein Beispiel eines Flussdiagramms eines virtuellen Erfassungsmodells in einem Szenario. Das System kann zunächst in einer Laborumgebung oder in einer störgeräuschfreien oder relativ störgeräuscharmen Umgebung initiiert werden (z. B. wirken sich Störgeräusche nicht auf das von der elektronischen Vorrichtung 1005 abgegebene Geräusch aus). Beispielsweise kann die Umgebung ein schalltoter Raum oder ein Labor sein, in dem Hintergrundgeräusche oder Schall gedämpft werden. Das System kann eine elektronische Vorrichtung 1003 beinhalten. Die elektronische Vorrichtung kann einen Motor, ein Aktuator, einen elektrischen Antrieb, ein Antriebssystem oder eine ähnliche Komponente beinhalten, 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 Beschleunigungsmesser 1005 oder einen anderen Sensor, der Vibrationsinformationen abgibt, wie etwa Beschleunigungsmesserdaten, die von einem Aktuator oder einem elektrischen Antrieb einer Vorrichtung abgegeben werden. Das Drehmoment 1009 kann durch einen Antrieb der Vorrichtung oder von einer anderen Komponente erzeugt werden. Ein Mikrofon kann das Geräusch 1007 empfangen, das vom Gerät abgegeben wird. Das Mikrofon kann sich in der Laborumgebung befinden oder mit der Vorrichtung 1005 assoziiert sein.
  • Das Geräusch (z. B. Geräuschinformationen) kann mit den Vibrationsdaten gekoppelt werden, um einen Trainingsdatensatz 1011 zu erzeugen. Die Vibrationsdaten können Beschleunigungsmesserdaten beinhalten, die Informationen zur x-Achse, y-Achse und z-Achse beinhalten. Die gemeinsamen Daten können gekoppelt werden, um einen Trainingsdatensatz zu erzeugen, der in ein Maschinenlernmodell 1013 eingespeist wird. Das Maschinenlernmodell 1013 kann ein trainiertes oder untrainiertes Modell sein. Wenn es sich also um ein untrainiertes Modell handelt, kann es von Anfang an beginnen, ein trainiertes Modell unter Verwendung der Trainingsdaten 1011 zu entwickeln, bis durch Reduzieren eines Geräuschvorhersagefehlers ein Konvergenzschwellenwert erreicht wird. Soweit das untrainierte Modell verwendet wird, kann es den Trainingsdatensatz verwenden, um ein trainiertes Modell zu erstellen, wenn ein Konvergenzschwellenwert erreicht ist und Fehler minimiert sind. Wenn das Modell bereits trainiert oder teilweise trainiert ist, können die Trainingsdaten zur Verbesserung der Geräuschvorhersage verwendet werden.
  • Als Nächstes kann eine elektronische Vorrichtung 1015 in einer anderen Umgebung, wie etwa einer Fabrikumgebung oder einer End-of-Line-Umgebung, verwendet werden. Die elektrische Vorrichtung 1015 kann ein oder mehrere ECUs 1019 beinhalten, die unter anderem zum Betrieb der Vorrichtung oder zur Überwachung von Sensormesswerten verwendet werden. Die elektrische Vorrichtung 1015 kann Sensoren, wie etwa einen Beschleunigungsmesser 1017, beinhalten, die Vibrationsinformationen/-daten oder andere Arten von Informationen/Daten beinhalten, die von einem elektrischem Antrieb, einem Aktuator oder einer ähnlichen Komponente abgegeben werden. 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 Hintergrundgeräuschen schwer zu verwenden sein.
  • Die Echtzeit-Vibrationsinformationen 1021 können an das trainierte Maschinenlernmodell 1013 gesendet werden. In einem Szenario können die Vibrationsdaten Beschleunigungsmesserdaten sein. Die Echtzeit-Vibrationsinformationen 1021 können Beschleunigungsmesserdaten sein, die Informationen zur x-Achse, y-Achse und z-Achse beinhalten. Die Echtzeitdaten können entweder in Form von Zeitreihen, Spektrogrammen oder Ordnungsspektrogrammen an das Maschinenlernmodell 1013 gesendet werden. Die Form der Eingabe, die in das Modell eingespeist wird, kann gleich der Form der Ausgabe (z. B. 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 der Vorrichtung ausgehen würde. In einer Ausführungsform kann dies ohne andere Daten erfolgen und nur unter Verwendung der Vibrationsdaten erfolgen.
  • 11 offenbart ein Diagramm eines Systems, das die Endprüfung im Zusammenhang mit verschiedenen Sensordaten überwacht, um eine Vorhersage auszugeben, die eine Drehmoment- oder Tonvorhersage umfassen kann. Das System kann ein Maschinenlernmodell 1115 beinhalten. Das Maschinenlernmodell 1115 kann ein tiefes neuronales Netz sein. Das tiefe neuronale Netz (U-Net oder Transformer) empfängt eine Reihe von Sensorsignalen von 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. beinhaltet. Die elektrische Vorrichtung 1107 kann eine Komponente beinhalten, 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 Charakteristiken in einer bestimmten Umgebung, wie etwa in einem Labor, zu messen. Bei den Sensoren kann es sich um eine beliebige Art von Sensor handeln, beispielsweise 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, wie etwa Drehmoment-, Geräusch- oder Beschleunigungsmesserdaten (falls nicht in der Eingabe enthalten). Das Zielsignal wird in demselben Format wie die Eingabe vorhergesagt. Liegt die Eingabe beispielsweise in Form eines Spektrogramms vor, so 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, Resonanzdetektion, Analyse der menschlichen Wahrnehmung des Geräuschs, Fehlerdetektion usw.
  • In der Testumgebung können Strom-, Spannungs-, Geräusch- und Drehmomentinformationen erfasst werden, um Trainingsdaten 1113 zu erzeugen. Die Trainingsdaten 1113 können an das trainierte Maschinenlernmodell gesendet werden. In einem Szenario können die Vibrationsinformationen Beschleunigungsmesserdaten sein. Die Echtzeit-Vibrationsinformationen können Beschleunigungsmesserdaten sein, die Informationen zur x-Achse, y-Achse und z-Achse beinhalten. Die Echtzeitinformationen/-daten können entweder in Form von Zeitreihen, Spektrogrammen oder Ordnungsspektrogrammen an das Maschinenlernmodell gesendet werden. Die Form der Eingabe, die in das Modell eingespeist wird, kann gleich der Ausgabe des Modells 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 von Sensoren verwenden, um ein entsprechendes Geräusch oder Drehmoment vorherzusagen, das mit der elektrischen Vorrichtung assoziiert 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 beinhalten, die Strommessungen (z. B. Eingangsstrom) von einem Stromsensor 1119, Spannung (z. B. Eingangsspannung) von einem Spannungssensor 1118 und Vibrationsinformationen von einem Vibrationssensor 1120 (z. B. Beschleunigungsmesser) oder andere Arten von Daten, die von einem elektrischen Antrieb, Aktuator oder einer ähnlichen Komponente abgegeben werden, beinhalten. Die Vibrationsinformationen in der EOL-Umgebung können zum Beispiel Echtzeit-Vibrationsinformationen sein. Die Umgebung erlaubt möglicherweise keine genaue Nutzung 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 beinhalten (falls nicht in der Eingabe enthalten). So kann das Modell 1115 ein vorhergesagtes Signal 1125 ausgeben, das auf einer Kombination der von 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 erwartete Geräuschvorhersage handeln, die angesichts der mit der Vorrichtung assoziierten Werte mit den an der elektrischen Vorrichtung 1121 betriebenen Komponenten assoziiert ist. Bei der Vorhersage 1125 kann es sich auch um eine erwartete Drehmomentvorhersage handeln, die angesichts der mit der Vorrichtung assoziierten Werte mit den an der elektrischen Vorrichtung 1121 betriebenen Komponenten assoziiert 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 Erstellung der Vorhersage möglicherweise nicht erforderlich. Das Modell kann alle verfügbaren Daten oder Informationen zur Ausgabe der Vorhersage verwenden. Darüber hinaus können bestimmte Messwerte vorteilhafter sein als andere. 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 erzeugen. In einem anderen Beispiel können eine Spannungsmessung und eine Vibrationsmessung allein ausreichen. In einem anderen Beispiel kann es sich bei einer Strommessung um sekundäre Informationen handeln, die zur Entwicklung der Vorhersage oder zur Verbesserung der Vorhersage beitragen.
  • 12 offenbart ein Flussdiagramm, das mit einem Vorhersageanalysemodell assoziiert ist. Das System kann ein Maschinenlernmodell 1217 beinhalten. Das Maschinenlernmodell 1217 kann ein tiefes neuronales Netz sein. Das tiefe neuronale Netz (U-Net oder Transformer) empfängt eine Reihe von Sensorsignalen von 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. beinhaltet. Die elektrische Vorrichtung 1203 kann eine Komponente beinhalten, 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 Charakteristiken in einer bestimmten Umgebung, wie etwa in einem Labor, zu messen. Bei den Sensoren kann es sich um eine beliebige Art von Sensor handeln, beispielsweise 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 ein Geräusch 1211 aus einer elektrischen Vorrichtung 1201 aufzunehmen. Ein Prozessor oder ein ECU (z. B. 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 von 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 zur Verwendung bei der Analyse komplexer physikalischer Systeme, wie etwa von Mehrkomponentenfabrikaten, vorgesehen sein. Die Größen, zwischen denen eine Beziehung untersucht werden muss, können gewählt werden. Beispielsweise können die Vibrationen des Elektromotors, der Fensterheber in einem Auto betätigt, und das Geräusch im Insassenraum ein bestimmtes Beispiel sein. Zweitens werden die gewählten Größen in der entsprechenden Umgebung gemessen, d. h. so, dass die vermutete Beziehung zwischen den gemessenen Größen bestimmt werden kann. Im obigen Beispiel würde dies bedeuten, dass sowohl der Beschleunigungsmesser als auch die Mikrofondaten gleichzeitig im selben Fahrzeug aufgezeichnet werden. Es kann ein Maschinenlernmodell 1217 verwendet werden, in das die Trainingsdaten 1215 eingespeist werden können. Die Trainingsdaten 1215 können Spannungssignale, Stromsignale, Beschleunigungsmessersignale, Drehmomentsignale, Mikrofonsignale usw. umfassen. Das Maschinenlernmodell 1217 kann ein neuronales Netz sein, dass trainiert wird, um eine der Größen unter Verwendung der anderen vorherzusagen, z. B. ein Signal-zu-Signal-Modell, das die Beschleunigungsmesser-Zeitreihe als Eingabe verwendet und Geräuschzeitreihen vorhersagt.
  • Und schließlich kann das Verhalten des Netzes analysiert werden, um das Vorhandensein und/oder Fehlen der Beziehung und ihrer Eigenschaften zu bestimmen. So kann die Vorhersageanalyse 1221 verwendet werden, um das Netz und die zugehörigen Vorhersagen zu bewerten. Beispielsweise kann der Vorhersagefehler im Zeitbereich analysiert werden, um die gegenseitigen Informationen zwischen Motorvibrationen und dem Geräusch im Insassenraum zu schätzen, und im Frequenzbereich analysiert werden, um zu bestimmen, welche Geräuschfrequenzen aus Motorvibrationen entstehen. Für letzteres kann eine Fourier-Transformation sowohl auf das vorhergesagte als auch auf das aufgezeichnete Signal angewendet 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, einer Bewertung oder einer anderen Ausgabeart vorliegen. Die Vorhersageanalyse kann in einer veranschaulichenden Ausführungsform eine Vorhersagegenauigkeit anhand ihrer Quellen- oder Eingabeinformationen analysieren. Eine Vorhersageanalyse kann beispielsweise eine Leistung der Vorhersage von Vibrationsinformationen (z. B. Beschleunigungsmesserdaten) anhand nur einer Spannungs- und Stromeingabe angeben.
  • In einem Beispiel kann das System eine Geräuschvorhersage mit einem aufgezeichneten Geräuschsignal vergleichen. Die Geräuschvorhersage kann basierend auf dem Beschleunigungsmessersignal und dem Drehmomentsignal abgeleitet worden sein. Die Geräuschvorhersage kann dann mit dem aufgezeichneten Geräuschsignal verglichen werden, um eine Bewertung oder eine Farbcodierung anzugeben, die in einer Heatmap verwendet werden kann. In einem anderen Beispiel kann es sich bei der Vorhersage um eine Beschleunigungsmessersignalvorhersage handeln, bei der das Spannungssignal und das Stromsignal verwendet werden. Die Beschleunigungsmesservorhersage (z. B. Vibrationssignal)
  • Als Referenz kann V/U ein Voltmeter/Spannungssignal angeben. A/I kann ein Amperemeter/Stromsignal angeben. τ kann ein Drehmomentsignal oder ein anderes Vibrationssignal angeben. s kann ein Mikrofonsignal oder ein Geräuschsignal angeben.
  • Die hier offenbarten Prozesse, Verfahren oder Algorithmen können lieferbar sein an/implementiert werden durch eine Verarbeitungsvorrichtung, eine Steuerung oder einen Computer, die/der eine beliebige existierende programmierbare elektronische Steuereinheit oder dedizierte elektronische Steuereinheit beinhalten kann. Gleichermaßen können die Prozesse, Verfahren oder Algorithmen als Daten und durch eine Steuerung oder einen Computer ausführbare Anweisungen in vielen Formen gespeichert werden, darunter unter anderem Informationen, die auf nichtbeschreibbaren Speicherungsmedien wie etwa ROM-Vorrichtungen permanent gespeichert sind, und Informationen, die auf beschreibbaren Speicherungsmedien wie etwa Disketten, Magnetbändern, CDs, RAM-Vorrichtungen und anderen magnetischen und optischen Medien änderbar gespeichert sind. Die Prozesse, Verfahren oder Algorithmen können auch in einem ausführbaren Software-Objekt implementiert sein. Alternativ können die Prozesse, Verfahren oder Algorithmen in Gänze oder teilweise unter Verwendung geeigneter Hardware-Komponenten umgesetzt werden, wie etwa anwendungsspezifischer integrierter Schaltungen (ASICs), feldprogrammierbarer Gate-Arrays (FPGAs), Zustandsmaschinen, Steuerungen oder anderer Hardware-Komponenten oder -Vorrichtungen oder einer Kombination von Hardware-, Software- und Firmware-Komponenten.
  • Obgleich oben beispielhafte Ausführungsformen beschrieben sind, ist nicht beabsichtigt, dass diese Ausführungsformen alle möglichen durch die Ansprüche eingeschlossenen Formen beschreiben. Die in der Patentschrift verwendeten Ausdrücke sind Ausdrücke der Beschreibung und nicht der Beschränkung, und es versteht sich, dass verschiedene Änderungen vorgenommen werden können, ohne von der Idee und dem Schutzumfang 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 veranschaulicht sind. Obgleich verschiedene Ausführungsformen als Vorteile bereitstellend oder gegenüber anderen Ausführungsformen oder Implementierungen nach dem Stand der Technik bezüglich einer oder mehrerer erwünschter Charakteristiken bevorzugt beschrieben worden sein können, erkennen Durchschnittsfachleute, dass ein(e) oder mehrere Merkmale oder Charakteristiken beeinträchtigt werden können, um erwünschte Gesamtsystemattribute zu erzielen, die von der speziellen Anwendung und Implementierung abhängen. Zu diesen Attributen können unter anderem Kosten, Festigkeit, Haltbarkeit, Lebenszykluskosten, Vermarktungsfähigkeit, Erscheinungsbild, Verpackung, Größe, Wartbarkeit, Gewicht, Herstellbarkeit, Montagefreundlichkeit usw. gehören. Soweit Ausführungsformen hinsichtlich einer oder mehrerer Eigenschaften als weniger wünschenswert als andere Ausführungsformen oder Implementierungen nach dem Stand der Technik beschrieben sind, liegen diese Ausführungsformen als solche nicht außerhalb des Schutzumfangs der Offenbarung und können für bestimmte Anwendungen wünschenswert sein.

Claims (20)

  1. Computer-implementiertes Verfahren, das Folgendes umfasst: Empfangen einer Kombination von zwei oder mehr aufgezeichneten Signalen, die Strominformationen, Spannungsinformationen, Vibrationsinformationen und Geräuschinformationen in Verbindung mit einer Prüfvorrichtung angeben; Erzeugen eines Trainingsdatensatzes unter Verwendung von mindestens Strominformationen, Spannungsinformationen, Vibrationsinformationen und Geräuschinformationen, wobei der Trainingsdatensatz an ein Maschinenlernmodell gesendet wird; als Reaktion auf das Erfüllen einer Konvergenzschwelle des Maschinenlernmodells, Ausgeben eines trainierten Maschinenlernmodells; Ausgeben einer Vorhersage unter Verwendung des trainierten Maschinenlernmodells und mindestens eines aufgezeichneten Signals aus der Kombination, wobei die Vorhersage eine vorhergesagte Signalcharakteristik angibt, die mit einem der zwei oder mehr mit der Prüfvorrichtung assoziierten Signale assoziiert ist; Vergleichen der Vorhersage mit einem der zwei oder mehr mit der Prüfvorrichtung assoziierten Signale, um einen mit der Prüfvorrichtung assoziierten Vorhersagefehler zu identifizieren; und Ausgeben einer Vorhersageanalyse, die mit mindestens dem Vorhersagefehler assoziierte Informationen angibt, wobei die Vorhersageanalyse Informationen beinhaltet, die eine Beziehung zwischen (i) den zwei oder mehr aufgezeichneten Signalen, die Strominformationen, Spannungsinformationen, Vibrationsinformationen und Geräuschinformationen angeben, und (ii) einem Geräusch und/oder einem Drehmoment und/oder einer Vibration, das/die von der Prüfvorrichtung im Betrieb abgegeben wird oder in dieser nicht vorhanden ist, angeben.
  2. Computer-implementiertes Verfahren nach Anspruch 1, wobei das Verfahren Folgendes beinhaltet: Anwenden einer Fourier-Transformation sowohl auf die Vorhersage als auch auf das aufgezeichnete Signal, um Frequenzinformationen zu erhalten; und Identifizieren des Vorhersagefehlers als Reaktion auf die Berechnung resultierender Fourier-Koeffizienten anhand der Frequenzinformationen.
  3. Computer-implementiertes Verfahren nach Anspruch 1, wobei die Vorhersage eine Geräuschvorhersage, Vibrationsvorhersage oder Drehmomentvorhersage beinhaltet.
  4. Computer-implementiertes Verfahren nach Anspruch 1, wobei die Vorhersageanalyse in Form einer Heatmap ausgegeben wird.
  5. Computer-implementiertes Verfahren nach Anspruch 1, wobei das Verfahren die Nachverarbeitung der Vorhersage durch Anwendung einer Fourier-Transformation auf die Vorhersage beinhaltet.
  6. Computer-implementiertes Verfahren nach Anspruch 1, wobei das trainierte Maschinenlernmodell ein tiefes neuronales Netz ist.
  7. Computer-implementiertes Verfahren nach Anspruch 6, wobei das tiefe neuronale Netz ein U-Net oder ein Transformer-Netz ist.
  8. Computer-implementiertes Verfahren nach Anspruch 1, wobei die Vorhersageanalyse eine mit der Vorhersage assoziierte Bewertung beinhaltet.
  9. Computer-implementiertes Verfahren nach Anspruch 1, wobei die Vorhersage mit Informationen assoziiert ist, die nicht in dem aufgezeichneten Signal erhalten werden.
  10. Computer-implementiertes Verfahren, das Folgendes umfasst: Empfangen einer Kombination von zwei oder mehr Eingangssignalen, die Strominformationen, Spannungsinformationen, Vibrationsinformationen und Geräuschinformationen in Verbindung mit einer Prüfvorrichtung in einer Prüfumgebung angeben; Erzeugen eines Trainingsdatensatzes unter Verwendung von mindestens Strominformationen, Spannungsinformationen, Vibrationsinformationen und Geräuschinformationen, wobei der Trainingsdatensatz an ein Maschinenlernmodell gesendet wird; als Reaktion auf das Erfüllen einer Konvergenzschwelle des Maschinenlernmodells, Ausgeben eines trainierten Maschinenlernmodells; Ausgeben einer Vorhersage unter Verwendung des trainierten Maschinenlernmodells und der Kombination, wobei die Vorhersage eine mit der Prüfvorrichtung assoziierte Signalcharakteristikvorhersage angibt; Verarbeiten der Vorhersage, um eine nachbearbeitete Vorhersage zu erhalten; und als Reaktion auf einen Vergleich der nachbearbeiteten Vorhersage und eines Vorhersagefehlers, Ausgeben einer Vorhersageanalyse, die mit der Vorhersage assoziierte Informationen beinhaltet, wobei die Vorhersageanalyse Informationen beinhaltet, die eine Beziehung zwischen (i) einem der zwei oder mehr aufgezeichneten Signale, die Strominformationen, Spannungsinformationen, Vibrationsinformationen und Geräuschinformationen angeben, und (ii) einem Geräusch und/oder einem Drehmoment und/oder einer Vibration, das/die von der Prüfvorrichtung im Betrieb abgegeben wird oder in dieser nicht vorhanden ist, angeben.
  11. Computer-implementiertes Verfahren nach Anspruch 10, wobei die Vibrationsinformationen Beschleunigungsmesserdaten einschließlich mit der Prüfvorrichtung assoziierter Dreiachseninformationen beinhalten.
  12. Computer-implementiertes Verfahren nach Anspruch 10, wobei die Vorhersageanalyse Informationen beinhaltet, die mit einer Mehrzahl von Vorhersagen im Vergleich zu assoziierten Eingangssignalen assoziiert sind.
  13. Computer-implementiertes Verfahren nach Anspruch 10, wobei die Vorhersageanalyse Informationen beinhaltet, die mit einer Mehrzahl von Vorhersagen assoziiert sind.
  14. Computer-implementiertes Verfahren nach Anspruch 10, wobei die Vorhersageanalyse Informationen beinhaltet, die mit einer Geräuschvorhersage, Drehmomentvorhersage oder Beschleunigungsmesservorhersage assoziiert sind.
  15. Computer-implementiertes Verfahren nach Anspruch 10, wobei die Kombination Eingangssignale beinhaltet, die mit einem Drehmomentsignal assoziiert sind.
  16. System, das Folgendes umfasst: einen Prozessor in Kommunikation mit einem oder mehreren Sensoren, wobei der Prozessor für Folgendes programmiert ist: Empfangen einer Kombination von zwei oder mehr aufgezeichneten Signalen, die Strominformationen, Spannungsinformationen, Vibrationsinformationen und Geräuschinformationen in Verbindung mit einer Prüfvorrichtung angeben; Erzeugen eines Trainingsdatensatzes unter Verwendung von mindestens Strominformationen, Spannungsinformationen, Vibrationsinformationen und Geräuschinformationen, wobei der Trainingsdatensatz an ein Maschinenlernmodell gesendet wird; als Reaktion auf das Erfüllen einer Konvergenzschwelle des Maschinenlernmodells, Ausgeben eines trainierten Maschinenlernmodells; Ausgeben einer Vorhersage unter Verwendung des trainierten Maschinenlernmodells und mindestens einer eingegebenen Information aus der Kombination, wobei die Vorhersage eine vorhergesagte Signalcharakteristik angibt, die mit einem der zwei oder mehr mit der Prüfvorrichtung assoziierten aufgezeichneten Signale assoziiert ist; Vergleichen der Vorhersage mit einem assoziierten aufgezeichneten Signal der Prüfvorrichtung, um einen Vorhersagefehler zu identifizieren; und Ausgeben einer Vorhersageanalyse, die mit der Vorhersage und dem Vorhersagefehler assoziierte Informationen angibt, wobei die Vorhersageanalyse Informationen beinhaltet, die eine Beziehung zwischen (i) einem der zwei oder mehr aufgezeichneten Signale, die Strominformationen, Spannungsinformationen, Vibrationsinformationen und Geräuschinformationen angeben, und (ii) einem Geräusch und/oder einem Drehmoment und/oder einer Vibration, das/die von der Prüfvorrichtung im Betrieb abgegeben wird oder in dieser nicht vorhanden ist, angeben.
  17. System nach Anspruch 16, wobei die Vorhersageanalyse in Form einer Heatmap vorliegt, die Abstufungen identifiziert, die mit mit Beziehungen zwischen den zwei oder mehr Signalen assoziierten Vorhersagen assoziiert sind.
  18. System nach Anspruch 16, wobei die Vorhersageanalyse eine mit der Vorhersage assoziierte Bewertung beinhaltet.
  19. System nach Anspruch 16, wobei das Vergleichen der Vorhersage mit dem assoziierten aufgezeichneten Signal der Prüfvorrichtung zum Identifizieren des Vorhersagefehlers Vergleichen einer Geräuschvorhersage mit einem aufgezeichneten Geräuschsignal, das mit der Prüfvorrichtung assoziiert ist, beinhaltet.
  20. System nach Anspruch 16, wobei das Vergleichen der Vorhersage mit dem assoziierten aufgezeichneten Signal der Prüfvorrichtung zum Identifizieren des Vorhersagefehlers Vergleichen einer Vibrationsvorhersage mit einem aufgezeichneten Vibrationssignal, das mit der Prüfvorrichtung assoziiert ist, beinhaltet.
DE102023209513.0A 2022-09-30 2023-09-28 System und verfahren zur vorhersageanalyse eines systems unter verwendung von maschinenlernnetzen Pending DE102023209513A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/957574 2022-09-30
US17/957,574 US20240110996A1 (en) 2022-09-30 2022-09-30 System and method for prediction analysis of a system utilizing machine learning networks

Publications (1)

Publication Number Publication Date
DE102023209513A1 true DE102023209513A1 (de) 2024-04-04

Family

ID=90246587

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102023209513.0A Pending DE102023209513A1 (de) 2022-09-30 2023-09-28 System und verfahren zur vorhersageanalyse eines systems unter verwendung von maschinenlernnetzen

Country Status (3)

Country Link
US (1) US20240110996A1 (de)
CN (1) CN117807483A (de)
DE (1) DE102023209513A1 (de)

Also Published As

Publication number Publication date
US20240110996A1 (en) 2024-04-04
CN117807483A (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
EP3688537A1 (de) Verfahren, vorrichtung und computerprogramm zum betreiben eines roboter-steuerungssystems
DE112019000340T5 (de) Epistemische und aleatorische tiefe plastizität auf grundlage vontonrückmeldungen
DE112021004261T5 (de) Dualmodale beziehungsnetzwerke zur audiovisuellen ereignislokalisierung
AT511577A2 (de) Maschinell umgesetztes verfahren zum erhalten von daten aus einem nicht linearen dynamischen echtsystem während eines testlaufs
DE102018108778A1 (de) Beschleunigungs- und Verzögerungssteuereinheit
DE102021207269A1 (de) Verfahren und system zum erlernen von perturbationsmengen beim maschinenlernen
EP3767403B1 (de) Machine-learning gestützte form- und oberflächenmessung zur produktionsüberwachung
DE102021109382A1 (de) System und verfahren eines monotonen neuronalen operatornetzes technisches gebiet
DE102020212502A1 (de) Bayessche kontext-aggregation für neuronale prozesse
DE102021213118A1 (de) Verfahren und ein system für black-box-universalangriffe mit geringer abfrage
EP3757792A2 (de) Verfahren und vorrichtung zum prüfen eines systems, zur auswahl realer tests und zum testen von systemen mit komponenten maschinellen lernens
DE102020214596A1 (de) Verfahren zum Erzeugen von Trainingsdaten für ein Erkennungsmodell zum Erkennen von Objekten in Sensordaten einer Umfeldsensorik eines Fahrzeugs, Verfahren zum Erzeugen eines solchen Erkennungsmodells und Verfahren zum Ansteuern einer Aktorik eines Fahrzeugs
DE102023207516A1 (de) Systeme und Verfahren zur Experten-geführten Halbüberwachung mit Contrastive Loss für Maschinenlernmodelle
DE102023209513A1 (de) System und verfahren zur vorhersageanalyse eines systems unter verwendung von maschinenlernnetzen
DE102020201939A1 (de) Verfahren und Vorrichtung zur Bewertung eines Bildklassifikators
DE102020200499A1 (de) Verfahren zum Generieren von gelabelten Daten, insbesondere für das Training eines neuronalen Netzes, unter Verwendung ungelabelter, partitionierter Stichproben
DE102023209511A1 (de) System und Verfahren für ein Modell zur Vorhersage der Tonwahrnehmung unter Verwendung von Beschleunigungsmesserdaten
DE102019209457A1 (de) Verfahren zum Trainieren eines künstlichen neuronalen Netzes, künstliches neuronales Netz, Verwendung eines künstlichen neuronalen Netzes sowie entsprechendes Computerprogramm, maschinenlesbares Speichermedium und entsprechende Vorrichtung
DE102023209444A1 (de) System und Verfahren zur Geräuschvorhersage basierend auf tiefem Lernen unter Verwendung von Beschleunigungsmesserdaten
DE102023209443A1 (de) System und Verfahren für Deep-Learning-basierte Tonvorhersage unter Verwendung von Beschleunigungsmesserdaten
DE102021210721A1 (de) Verfahren und system zum adversarischen training unter verwendung metagelernter initialisierung
DE102021210415A1 (de) Verfahren und system zum erlernen des gemeinsamen latenten adversarischen trainings
DE102023207515A1 (de) Systeme und Verfahren für expertengeführte Semiüberwachung mit Label-Propagation für maschinelle Lernmodelle
DE102023206752A1 (de) Verfahren und System auf Crown-Basis für gegnerische Angriffe
DE102021210392A1 (de) System und verfahren zum verwenden von störeffekten in einer mehrmodalen umgebung

Legal Events

Date Code Title Description
R012 Request for examination validly filed