DE112016003963T5

DE112016003963T5 - Vorhersagen von Soll-Kenndaten

Info

Publication number: DE112016003963T5
Application number: DE112016003963.8T
Authority: DE
Inventors: Takayuki Katsuki; Raymond Harry Rudy
Original assignee: International Business Machines Corp
Current assignee: International Business Machines Corp
Priority date: 2015-12-30
Filing date: 2016-12-20
Publication date: 2018-05-30
Also published as: WO2017115218A1; JP2019507411A; US10599788B2; JP6803115B2; US11200357B2; US20200151374A1; US20170193138A1

Abstract

Soll-Kenndaten können unter Verwendung einer Vorrichtung vorhergesagt werden, die einen Prozessor und ein oder mehrere computerlesbare Medien enthält, die gemeinschaftlich Anweisungen enthalten. Beim Ausführen durch den Prozessor bewirken die Anweisungen, dass der Prozessor eine Mehrzahl von Daten einer physischen Struktur und eine Mehrzahl von Kenndaten erhält, wenigstens eine strukturelle Ähnlichkeit zwischen wenigstens zwei physischen Strukturen schätzt, die den Daten einer physischen Struktur aus der Mehrzahl von Daten der physischen Struktur entsprechen, und ein Schätzmodell zum Schätzen eines Soll-Kenndatenwertes aus einem Soll-Datenwert der physischen Struktur unter Verwendung wenigstens eines Kenndatenwertes und gemäß wenigstens einer strukturellen Ähnlichkeit zwischen den Soll-Daten der physischen Struktur und jedem Datenwert aus der Mehrzahl von Daten des physischen Struktur berechnet.

Description

TECHNISCHER BEREICH
Die vorliegende Erfindung bezieht sich auf Vorhersagen von Soll-Kenndaten.
HINTERGRUND
Computer aided engineering (CAE) wurde für eine Vielfalt von Fertigungsindustrien wie beispielsweise bei Fahrzeugen und elektronischen Geräten verwendet.
Beispielsweise ist die Konstruktion von Fahrzeughauben eine der Anwendungsmöglichkeiten von CAE. Strenge Regulierungen gelten für Ausgestaltungen von Fahrzeughauben, damit Sicherheitsstandards eingehalten werden (z.B. Verletzungsbewertungen beim Aufprall Kopf-Haube). Die Verletzungsbewertungen werden aus Beschleunigung/Zeit-Kurven während des Aufpralls Kopf-Haube berechnet. Die Beschleunigung/Zeit-Kurven können aus kostenintensiven physischen Crash-Tests gemessen oder aus verhältnismäßig kostengünstigen Computersimulationen von Kollisionen geschätzt werden. Aufgrund des großen Aufwands an Speichern und Prozessoren, die zum Simulieren einer Kollision erforderlich sind, nimmt es jedoch gegenwärtig viel Zeit in Anspruch, eine Beschleunigung/Zeit-Kurve auf der Grundlage einer Computersimulation einer Kollision zu schätzen.
Es besteht daher in der Technik ein Bedarf, sich dem obenerwähnten Problem zu widmen.
KU RZDARSTELLU NG
Von einem ersten Aspekt ausgehend stellt die vorliegende Erfindung eine Vorrichtung zum Vorhersagen von Kenndaten bereit, wobei die Vorrichtung aufweist: einen Prozessor; und ein oder mehrere computerlesbare Medien, die gemeinschaftlich Befehle enthalten, die beim Ausführen durch den Prozessor veranlassen, dass der Prozessor Folgendes ausführt: Erhalten einer Mehrzahl von Daten einer physischen Struktur und einer Mehrzahl von Kenndaten, wobei jede physische Struktur Kenndaten aus der Mehrzahl von Kenndaten entspricht und die Kenndaten eine Mehrzahl von Kennwerten enthalten, wobei jeder Kennwert sich auf eine physische Struktur bezieht, die einem Datenwert der physischen Struktur aus der Mehrzahl von Daten der physischen Struktur entspricht; Schätzen wenigstens einer strukturellen Ähnlichkeit zwischen wenigstens zwei physischen Strukturen, die Daten der physischen Struktur aus der Mehrzahl von Daten der physischen Struktur entsprechen; und Erzeugen eines Schätzmodells zum Schätzen von Soll-Kenndaten aus Soll-Daten der physischen Struktur unter Verwendung von wenigstens einem Kenndatenwert und gemäß wenigstens einer strukturellen Ähnlichkeit zwischen den Soll-Daten der physischen Struktur und allen Datenwerten der physischen Struktur aus der Mehrzahl von Daten der physischen Struktur.
Von einem weiteren Aspekt ausgehend stellt die vorliegende Erfindung ein durch einen Computer umgesetztes Verfahren zum Vorhersagen von Kenndaten bereit, wobei das Verfahren aufweist: Erhalten einer Mehrzahl von Daten einer physischen Struktur und einer Mehrzahl von Kenndaten, wobei jede physische Struktur Kenndaten aus der Mehrzahl von Kenndaten entspricht und die Kenndaten eine Mehrzahl von Kennwerten enthalten, wobei jeder Kennwert sich auf eine physische Struktur bezieht, die Daten einer physischen Struktur aus der Mehrzahl von Daten der physischen Struktur entspricht; Schätzen wenigstens einer strukturellen Ähnlichkeit zwischen wenigstens zwei physischen Strukturen, die Daten der physischen Struktur aus der Mehrzahl von Daten der physischen Struktur entsprechen, und Erzeugen eines Schätzmodells zum Schätzen eines Soll-Datenwertes von einem Soll-Datenwert der physischen Struktur durch Verwenden wenigstens eines Kenndatenwertes und gemäß wenigstens einer strukturellen Ähnlichkeit zwischen den Soll-Daten der physischen Struktur und jedem Datenwert der Mehrzahl von Daten der physischen Struktur.
Von einem weiteren Aspekt ausgehend stellt die vorliegende Erfindung ein Computerprogrammprodukt zum Vorhersagen von Kenndaten bereit, wobei das Computerprogrammprodukt ein computerlesbares Speichermedium aufweist, das von einer Verarbeitungsschaltung gelesen werden kann und Anweisungen zum Ausführen durch die Verarbeitungsschaltung speichert, um ein Verfahren zum Ausführen der Schritte der Erfindung auszuführen.
Von einem weiteren Aspekt ausgehend stellt die vorliegende Erfindung ein Computerprogrammbereit, das in einem computerlesbaren Medium gespeichert ist und in den internen Speicher eines digitalen Computers geladen werden kann, und Software-Codeabschnitte zum Ausführen der Schritte der Erfindung aufweist, wenn das Programm in einem Computer abläuft.
Es ist daher eine Aufgabe eines Aspekts der hier genannten Neuerungen, Soll-Kenndaten in einer Weise vorherzusagen, so dass die oben genannten Nachteile, die mit dem Stand der Technik einhergehen, überwunden werden können. Die obengenannte sowie weitere Aufgaben können durch Kombinationen erreicht werden, die in den Ansprüchen beschrieben werden. Bei einem ersten Aspekt der Neuerungen kann es sich um eine Vorrichtung handelt, die einen Prozessor und ein oder mehrere computerlesbare Speichermedien enthält, die gemeinschaftlich Anweisungen enthalten. Wenn sie durch den Computer ausgeführt werden, können die Anweisungen bewirken, dass der Prozessor eine Mehrzahl von Daten der physischen Struktur und eine Mehrzahl von Kenndaten erhält, wobei jede physische Struktur einem Kenndatenwert aus der Mehrzahl von Kenndaten entspricht und die Kenndaten eine Mehrzahl von Kennwerten enthalten, wobei jeder Kennwert sich auf eine physische Struktur bezieht, die einem Datenwert der physischen Struktur aus der Mehrzahl von Daten der physischen Struktur entspricht, Schätzen wenigstens einer strukturellen Ähnlichkeit zwischen wenigstens zwei physischen Strukturen, die Daten der physischen Struktur aus der Mehrzahl von Daten der physischen Struktur entsprechen, und Erzeugen eines Schätzmodells zum Schätzen eines Soll-Kenndatenwertes aus einem Soll-Datenwert der physischen Struktur, wobei wenigstens ein Kenndatenwert verwendet wird und gemäß wenigstens einer strukturellen Ähnlichkeit zwischen den Soll-Daten der physischen Struktur und jedem Datenwert aus der Mehrzahl von Daten der physischen Struktur. Gemäß einem ersten Aspekt der Neuerungen kann die Vorrichtung Kenndaten wie beispielsweise eine Beschleunigung/Zeit-Kurve aus Daten der physischen Struktur direkt schätzen, ohne die Kollision zu simulieren.
Bei dem ersten Aspekt kann es sich außerdem um ein durch einen Computer umgesetztes Verfahren, das die Operationen der Vorrichtung ausführt, oder um ein Computerprogrammprodukt handeln, das ein computerlesbares Speichermedium mit darin verkörperten Programmanweisungen aufweist, wobei die Programmanweisungen ausführbar sind, um die Operationen der Vorrichtung auszuführen.
Der Abschnitt Kurzdarstellung beschreibt nicht notwendigerweise alle Merkmale der Ausführungsformen der vorliegenden Erfindung. Bei der vorliegenden Erfindung kann es sich außerdem um eine Teilkombination der oben beschriebenen Merkmale handeln. Die obigen und weitere Merkmale und Vorteile der vorliegenden Erfindung werden aus der folgenden Beschreibung von Ausführungsformen deutlicher, die in Verbindung mit den angefügten Zeichnungen erfolgt.
Figurenliste
Die vorliegende Erfindung wird nun lediglich beispielhaft unter Bezugnahme auf bevorzugte Ausführungsformen beschrieben, die in den folgenden Figuren veranschaulicht sind:

1 zeigt eine Anwendung zum Vorhersagen von Soll-Kenndaten gemäß einer Ausführungsform der vorliegenden Erfindung.
2 zeigt eine Beschleunigung/Zeit-Kurve, die durch Vorhersagen von Soll-Kenndaten gemäß einer Ausführungsform der vorliegenden Erfindung geschätzt wurde.
3 zeigt eine beispielhafte Konfiguration einer Vorrichtung 100 gemäß einer Ausführungsform der vorliegenden Erfindung.
4 zeigt einen Funktionsablauf einer Vorrichtung gemäß einer Ausführungsform der vorliegenden Erfindung.
5 zeigt ein Beispiel von Daten X_i einer physischen Struktur gemäß einer Ausführungsform der vorliegenden Erfindung.
6 zeigt ein Beispiel von Kenndaten Y_i gemäß einer Ausführungsform der vorliegenden Erfindung.
7 zeigt ein Beispiel des ersten Lernens gemäß einer Ausführungsform der vorliegenden Erfindung.
8 zeigt ein Beispiel von φ(X_i), gemäß einer Ausführungsform der vorliegenden Erfindung.
9 zeigt ein Beispiel von V(X_i, X_n) gemäß einer Ausführungsform der vorliegenden Erfindung.
10 zeigt ein Beispiel einer Wirkungsfläche (response surface) einer Beschleunigung/Zeit-Kurve gemäß einer Ausführungsform der vorliegenden Erfindung.
11 zeigt einen Computer gemäß einer Ausführungsform der vorliegenden Erfindung.

GENAUE BESCHREIBUNG
Im Folgenden werden einige Ausführungsformen der vorliegenden Erfindung beschrieben. Die Ausführungsformen beschränken die Erfindung nicht auf die Ansprüche, und die Kombinationen von Merkmalen, die in den Ausführungsformen beschrieben werden, sind nicht notwendigerweise wesentlich für Mittel, die durch Aspekte der Erfindung bereitgestellt werden.
1 zeigt eine Anwendung zum Vorhersagen von Soll-Kenndaten gemäß einer Ausführungsform der vorliegenden Erfindung. Eine Vorrichtung zum Vorhersagen von Soll-Kenndaten kann ein Schätzmodell zum Schätzen von Soll-Kenndaten aus Soll-Daten einer physischen Struktur erzeugen. Das Schätzmodell kann unter Verwendung von Trainingsdaten von physischen Strukturen erzeugt werden, die gemessene Kenndaten haben. Jede physische Struktur der Trainingsdaten kann ein Teil einer Karosserie eines beweglichen Objekts repräsentieren wie beispielsweise eine Fahrzeughaube 12 eines Fahrzeugs 10, das in 1 gezeigt ist.
Die Fahrzeughaube 12 hat in der Ausführungsform von 1 20 Punkte, wobei in eine Vorrichtung zum Vorhersagen von Soll-Kenndaten Daten der physischen Struktur dieser 20 Punkte eingegeben werden können und sie Soll-Kenndaten für diese 20 Punkte ausgeben kann. Einer der 20 Punkte ist in 1 als Punkt P_i angegeben. In einer Ausführungsform kann die Vorrichtung Daten X_i der physischen Struktur des Punkts P_i verwenden und Kenndaten Y_i des Punkts P_i ausgeben.
2 zeigt eine Beschleunigung/Zeit-Kurve, die zum Vorhersagen von Soll-Kenndaten gemäß einer Ausführungsform der vorliegenden Erfindung genutzt wird. Eine Vorrichtung zum Vorhersagen von Soll-Kenndaten kann eine Beschleunigung/Zeit-Kurve durch das Verwenden von Trainingsdaten schätzen wie beispielsweise die in 2 gezeigte Beschleunigung/Zeit-Kurve. Die Vorrichtung kann z.B. die Beschleunigung/Zeit-Kurven während einer Kollision für die 20 Punkte von 1 auf der Grundlage des Schätzmodells ausgeben, ohne den physischen Crash-Test oder die Computersimulation durchzuführen.
3 zeigt eine Blockdarstellung einer Vorrichtung 100 gemäß einer Ausführungsform der vorliegenden Erfindung. Die Vorrichtung 100 kann ein Schätzmodell erzeugen und auf der Grundlage des Schätzmodells Soll-Kenndaten vorhersagen. Die Vorrichtung 100 kann einen Prozessor und ein oder mehrere computerlesbare Medien aufweisen, die gemeinschaftlich Anweisungen enthalten. Die Anweisungen können bewirken, wenn sie durch den Prozessor ausgeführt werden, dass der Prozessor als eine Mehrzahl von Betriebsabschnitten arbeitet. Deswegen kann die Vorrichtung 100 so betrachtet werden, dass sie einen Abschnitt Erhalten 110, einen Abschnitt Berechnen 130, einen Abschnitt Erzeugen 150 und einen Abschnitt Vorhersagen 170 aufweist.
In dem Abschnitt Erhalten 110 kann eine Mehrzahl von Daten der physischen Struktur wie beispielsweise die Daten der physischen Struktur der Fahrzeughaube 12, die in 1 gezeigt ist, und eine Mehrzahl von Kenndaten wie beispielsweise die in 2 gezeigte Beschleunigung/Zeit-Kurve als Trainingsdaten erhalten werden. In dem Abschnitt Erhalten 110 können dem Abschnitt Erzeugen 150 die Mehrzahl von Daten der physischen Struktur und dem Abschnitt Berechnen 130 die Mehrzahl von Kenndaten als Trainingsdaten bereitstellt werden.
In dem Abschnitt Erhalten 110 können außerdem neue Daten der physischen Struktur erhalten werden und dem Abschnitt Vorhersagen 170 die neuen Soll-Daten der physischen Struktur zum Vorhersagen des Schätzmodells bereitstellt werden.
In dem Abschnitt Berechnen 130 kann eine charakteristische Ähnlichkeit zwischen einem ersten Kenndatenwert und einem zweiten Kenndatenwert aus der Mehrzahl von Kenndaten berechnet werden.
In dem Abschnitt Berechnen 130 können eine oder mehrere der charakteristischen Ähnlichkeiten aus einer Mehrzahl von Paaren von Kenndaten aus der Mehrzahl der Kenndaten berechnet werden. In dem Abschnitt Berechnen 130 können dem Abschnitt Erzeugen 150 die berechneten charakteristischen Ähnlichkeiten bereitstellt werden.
In dem Abschnitt Erzeugen 150 kann ein Schätzmodell zum Schätzen eines Soll-Datenwertes aus einem Soll-Datenwert der physischen Struktur erzeugt werden. Der Abschnitt Erzeugen 150 kann einen Abschnitt erstes Ermitteln 152 und einen Abschnitt zweites Ermitteln 154 aufweisen.
In dem Abschnitt erstes Ermitteln 152 kann ein erstes Lernen durchgeführt werden, um eine Ähnlichkeitsfunktion zu ermitteln, die eine Ähnlichkeit zwischen zwei physischen Strukturen der beiden Datenwerte der physischen Struktur schätzt.
In dem Abschnitt erstes Ermitteln 152 kann außerdem wenigstens eine strukturelle Ähnlichkeit zwischen wenigstens zwei physischen Strukturen geschätzt werden, die Daten der physischen Struktur aus der Mehrzahl von Daten der physischen Struktur entsprechen, auf der Grundlage der Ähnlichkeitsfunktion, die durch das erste Lernen ermittelt wurde. In dem Abschnitt erstes Ermitteln 152 kann dem Abschnitt zweites Ermitteln 154 eine oder mehrere geschätzte strukturelle Ähnlichkeiten bereitgestellt werden.
In dem Abschnitt zweites Ermitteln 154 kann ein zweites Lernen durchgeführt werden, um das Schätzmodell zu erzeugen. Das Schätzmodell kann das Vorhandensein einer Gewichtung und einer Sensibilität (sensitivity) aufweisen, und in dem Abschnitt zweites Ermitteln 154 können die Gewichtung und die Sensibilität bei dem zweiten Lernen optimiert werden. In dem Abschnitt zweites Ermitteln 154 kann dem Abschnitt Vorhersagen 170 das erzeugte Schätzmodell bereitgestellt werden.
In dem Abschnitt Vorhersagen 170 kann ein Soll-Kenndatenwert einer neuen physischen Soll-Struktur unter Verwendung des Schätzmodells geschätzt werden. In einer Ausführungsform kann in dem Abschnitt Vorhersagen 170 das Schätzen auf der Grundlage des Schätzmodells ausgeführt werden, indem wenigstens eine strukturelle Ähnlichkeit zwischen den Soll-Daten der physischen Struktur und allen Daten von der Mehrzahl von Daten der physischen Struktur in den Trainingsdaten verwendet wird. In einer Ausführungsform können in dem Abschnitt Vorhersagen 170 die neuen Soll-Daten der physischen Struktur eingegeben werden und die Kenndaten, die den neuen Soll-Daten der physischen Struktur entsprechen, auf der Grundlage des Schätzmodells geschätzt werden.
Wie oben beschrieben können in der Vorrichtung 100 Kenndaten auf der Grundlage von Daten der physischen Struktur geschätzt werden, indem das erste Lernen und das zweite Lernen durchgeführt werden, ohne tatsächlich eine Computersimulation der Daten der physischen Struktur zu erzeugen, wodurch Kosten und Zeit zum Herstellen von Produkten wie beispielsweise Fahrzeuge eingespart werden.
4 zeigt einen Funktionsablauf einer Vorrichtung gemäß einer Ausführungsform der vorliegenden Erfindung. Die vorliegende Erfindung beschreibt ein Beispiel, bei dem in einer Vorrichtung wie beispielsweise die Vorrichtung 100 die Operationen S410 bis S470 ausgeführt werden, die in 4 gezeigt sind. 4 zeigt ein Beispiel des Funktionsablaufs der Vorrichtung 100, die in 3 gezeigt ist, die in 3 gezeigte Vorrichtung 100 ist jedoch nicht auf eine Verwendung dieses Funktionsablaufs beschränkt.
Zunächst können bei S410 in einem Abschnitt Erhalten wie beispielsweise in dem Abschnitt Erhalten 110 Trainingsdaten von einem Speicher der Vorrichtung oder einer Datenbank außerhalb der Vorrichtung erhalten werden. Die Trainingsdaten können Daten von einer Mehrzahl von Punkten in einer physischen Struktur wie beispielsweise eine Fahrzeughaube enthalten.
In dem Abschnitt Erhalten können dem Abschnitt Erzeugen die Mehrzahl von Daten der physischen Struktur und dem Abschnitt Berechnen die Mehrzahl von Kenndaten bereitgestellt werden.
Anschließend kann bei S420 in einem Abschnitt Berechnen wie beispielsweise der Abschnitt Berechnen 130 eine charakteristische Ähnlichkeit zwischen einem ersten Kenndatenwert und einem zweiten Kenndatenwert aus der Mehrzahl von Kenndaten berechnet werden. In dem Abschnitt Berechnen können alle möglichen Paare oder einige aller möglichen Paare aus der Mehrzahl von Kenndaten erzeugt und die charakteristische Ähnlichkeit von den jeweils zwei Kenndatenwerten in jedem der Paare berechnet werden. In einer Ausführungsform können in dem Abschnitt Berechnen eine charakteristische Ähnlichkeit der Kenndatenwerte Y₁ und Y₂ (die als S(Y₁, Y₂) bezeichnet werden kann), eine charakteristische Ähnlichkeit S(Y₁, Y₃), eine charakteristische Ähnlichkeit S(Y₁, Y₄),..., eine charakteristische Ähnlichkeit S(Y_N-2, Y_N), eine charakteristische Ähnlichkeit S(Y_N-1, Y_N) berechnet werden, wobei eine Variable N eine Anzahl der Trainingsdaten repräsentiert wie beispielsweise die Anzahl von Punkten der Fahrzeughaube(n).
In dem Abschnitt Berechnen kann das Berechnen auf der Grundlage von wenigstens einer Differenz zwischen entsprechenden Kennwerten des ersten Kenndatenwertes und des zweiten Kenndatenwertes ausführt werden. In einer Ausführungsform kann in dem Abschnitt Berechnen die charakteristische Ähnlichkeit S(Y_i, Y_j) berechnet werden, indem der Euklidische Abstand zwischen den Vektoren Y_i und Y_j berechnet wird. In dem Abschnitt Berechnen können dem Abschnitt Erzeugen die berechneten charakteristischen Ähnlichkeiten bereitgestellt werden.
Anschließend kann bei S430 in einem Abschnitt erstes Ermitteln wie beispielsweise der Abschnitt erstes Ermitteln 152 ein erstes Lernen durchgeführt werden, um die Ähnlichkeitsfunktion zum Schätzen einer neuen strukturellen Ähnlichkeit von zwei physischen Strukturen der Daten der physischen Struktur zu ermitteln.
Anschließend kann bei S440 in dem Abschnitt erstes Ermitteln eine strukturelle Ähnlichkeit der physischen Strukturen, die Daten der physischen Struktur aus der Mehrzahl von Daten der physischen Struktur entsprechen, auf der Grundlage der erlernten Ähnlichkeitsfunktion geschätzt werden. Dadurch kann in dem Abschnitt erstes Ermitteln das Schätzen auf der Grundlage wenigstens einer charakteristischen Ähnlichkeit zwischen Kenndaten ausgeführt werden, die den wenigstens zwei physischen Strukturen entsprechen.
In dem Abschnitt erstes Ermitteln können die strukturellen Ähnlichkeiten der Paare von Vektoren der physischen Struktur (z.B. ein Paar (Xs₁, Xs₂), ein Paar (Xs₁, Xs₃), ein Paar (Xs₁, Xs₄),..., ein Paar (Xs_N-2, Xs_N), ein Paar (Xs_N-1, Xs_N)) durch Berechnen von Ausgabewerten der Ähnlichkeitsfunktion L₁(Xs₁, Xs₂), L₁(Xs₁, Xs₃), L₁(Xs₁, Xs₄),..., L₁(Xs_N-2, Xs_N), L₁(XS_N-1, Xs_N) geschätzt werden. In dem Abschnitt erstes Ermitteln können dem Abschnitt zweites Ermitteln die geschätzten strukturellen Ähnlichkeiten bereitgestellt werden.
Anschließend kann bei S450 in dem Abschnitt zweites Ermitteln wie beispielsweise der Abschnitt zweites Ermitteln 154 ein zweites Lernen durchgeführt werden, um eine Vorhersagefunktion zum Schätzen der Kenndaten von der physischen Struktur zu ermitteln. Bei dem zweiten Lernen kann der Abschnitt zweites Ermitteln 154 eine objektive Funktion optimieren, die in Formel (1) gezeigt ist: $Argmin \sum_{t}^{T} \sum_{i}^{N} L_{2} {(y_{it} - φ {(X_{i})}^{T} ω)}^{2} + λ {| ω |}^{2}$
wobei es sich bei φ(·) um eine Funktion handelt, die einen Typ des Gauss'schen Kerns repräsentiert, ω ist ein Gewichtungsvektor, der eine Mehrzahl von Gewichtungsvariablen enthält, λ ist ein Regularisierungs-Term (z.B. ein L2-Regularisierungs-Term), y_it ist ein Soll-Kennwert eines Soll-Kenndatenwertes V_i.
Wie oben erklärt kann in dem Abschnitt zweites Ermitteln die Vorhersagefunktion ermittelt werden, die eine Mehrzahl von Werten ausgibt wie beispielsweise Beschleunigungswerte in der Beschleunigung/Zeit-Kurve eines Objekts, das auf jeden Punkt auftrifft. Mit anderen Worten, in dem Abschnitt zweites Ermitteln wird eine Multi-Label Linear Regression ausgeführt. In dem Abschnitt zweites Ermitteln kann dem Abschnitt Vorhersagen das Schätzmodell bereitgestellt werden.
Anschließend kann bei S640 in dem Abschnitt Erhalten ein neuer Soll-Datenwert der physischen Struktur zum Vorhersagen eines Soll-Kenndatenwertes erhalten werden. In einer Ausführungsform kann in dem Abschnitt Erhalten ein neuer Soll-Datenwert X_i' der physischen Struktur einer neuen Soll-Fahrzeughaube erhalten werden. In dem Abschnitt Erhalten können dem Abschnitt Vorhersagen die neuen Soll-Daten der physischen Struktur bereitgestellt werden.
Anschließend können bei S470 in dem Abschnitt Vorhersagen wie beispielsweise der Abschnitt Vorhersagen 170 Kenndaten der neuen physischen Struktur unter Verwendung des Schätzmodells geschätzt werden. In einer Ausführungsform kann in dem Abschnitt Vorhersagen der Kenndatenwert V_i' der neuen Soll-Daten X_i'der physischen Struktur geschätzt werden, indem X_i' und Werte der Zeitvariablen t in das Schätzmodell φ(X_i)^Tω eingegeben werden. Der geschätzte Kenndatenwert V_i' kann Kennwerte enthalten, die jeweils einem Beschleunigungswert als Funktion der Zeit t in einer Beschleunigung/Zeit-Kurve entsprechen.
5 zeigt ein Beispiel von Daten X_i der physischen Struktur gemäß einer Ausführungsform der vorliegenden Erfindung. Jeder Datenwert der physischen Struktur aus der Mehrzahl von Daten der physischen Struktur, die durch einen Abschnitt Erhalten erhalten wurden, wie beispielsweise der Abschnitt Erhalten 110, kann ein Merkmal beinhalten, das die physische Struktur eines Punkts einer physischen Struktur repräsentiert, ein Merkmal, das den Ort (z.B. absolute Position oder relative Position) des Punkts der physischen Struktur, usw., und die Zeit repräsentiert.
In der Ausführungsform von 5 können die Daten X_i der physischen Struktur dem Punkt P_i auf der Fahrzeughaube von 1 entsprechen und können durch einen Vektor repräsentiert werden, der skalare Werte s_i1, s_i2,...,s_iS, p_i1, p_i2, . , p_iP, und t enthält. Die skalaren Werte s_i1, s_i2,...,s_iS können eine Form rund um den Punkt P_i auf der Fahrzeughaube repräsentieren. In einer Ausführungsform kann es sich bei den skalaren Werten s_i1, s_i2,...,s_iS um Werte handeln, die eine relative Höhe von S Punkten (z.B. 10 Punkten) auf der Fahrzeughaube rund um den Punkt P_i repräsentieren. Die skalaren Werte s_i1, s_i2,...,s_iS können einen Vektor Xs_i bilden.
Bei den skalaren Werten p_i1, p_i2,...,p_iP kann es sich um Werte handeln, die einen Ort des Punkts P_i repräsentieren. Der Wert von P kann in einer Ausführungsform 3 betragen, und p_i1 kann einem relativen Ort in einer ersten Dimension (x-Achse) des Punkts P_i entsprechen, p_i2 kann einem relativen Ort in einer zweiten Dimension (y-Achse) des Punkts P_i entsprechen und p_i3 kann einem relativen Ort in einer dritten Dimension (z-Achse) des Punkts P_i entsprechen.
Die skalaren Werte p_i1, p_i2, p_i3 and t können einen Ortsvektor Xp_i bilden. Zusätzlich oder anstelle von Xs_i und/oder Xp_i können in dem Abschnitt Erhalten die Daten der physischen Struktur erhalten werden, darunter Werte, die andere Merkmale des Punkts P_i repräsentieren wie beispielsweise die Dicke an einem oder mehreren Punkten in der Fahrzeughaube rund um den Punkt P_i. Der skalare Wert t kann der Zeit entsprechen. Der Großteil der Zeit, während der an der Beschleunigung/Zeit-Kurve Beschleunigungswerte erhalten werden, kann einer Variablen t in Xp_i entsprechen. Mit anderen Worten, in dem Abschnitt erstes Ermitteln kann eine Mehrzahl von Werten Xp_i mit unterschiedlichen Zeitwerten t für jede Beschleunigung/Zeit-Kurve erstellt werden, und jeder Wert von t entspricht dem Zeitpunkt, an dem in der Beschleunigung/Zeit-Kurve ein Beschleunigungswert erhalten wird.
6 zeigt ein Beispiel der Kenndaten Y_i. Jeder Kenndatenwert von der Mehrzahl von Kenndaten kann einer physischen Struktur aus der Mehrzahl von physischen Strukturen entsprechen. Jeder Kenndatenwert kann wenigstens einen Kennwert aus der Mehrzahl von Kennwerten enthalten, die eine zeitliche Änderung einer charakteristischen Eigenschaft repräsentieren. Bei der zeitlichen Änderung einer charakteristischen Eigenschaft kann es sich um eine charakteristische Eigenschaft handeln, die sich auf einen Aufprall auf die entsprechende physische Struktur bezieht (z.B. eine Beschleunigung eines Objekts, das an einem Punkt der physischen Struktur auftrifft) oder sie kann eine Verformung der entsprechenden physischen Struktur repräsentieren.
In einer Ausführungsform entsprechen die Kenndaten Y_i den Daten X_i der physischen Struktur zum Beispiel kann jeder Kenndatenwert Y_i einen Vektor repräsentieren, der eine Mehrzahl von Kennwerten y_i1, y_i2,..., und y_iT enthält. Jeder Kennwert y_it der Kenndaten Y_i kann eine charakteristische Eigenschaft einer physischen Struktur repräsentieren, die Daten X_i der physischen Struktur aus der Mehrzahl von Daten der physischen Struktur entspricht.
In einer Ausführungsform können die Kenndaten Y_i den Beschleunigungswerten in der Beschleunigung/Zeit-Kurve des Punkts P_i entsprechen, die wie in 2 gezeigt die Daten X_i der physischen Struktur enthalten. In der Ausführungsform entspricht jeder der Kennwerte y_i1, y_i2,...,y_iT einem Beschleunigungswert des Punkts P_i an dem jeweiligen Zeitpunkt t₁, t₂,...,t_T.
7 zeigt ein Beispiel eines ersten Lernens. In dem Abschnitt erstes Ermitteln kann eine Ähnlichkeitsfunktion L_{1,d}(·,·) erlernt werden. In einer Ausführungsform schätzt die Ähnlichkeitsfunktion L_{i,d}(Xs_i, Xs_j) die strukturelle Ähnlichkeit zwischen einem Vektor Xs_i der Daten X_i der physischen Struktur und einem Vektor Xs_j der Daten X_j der physischen Struktur. In dem Abschnitt erstes Ermitteln kann die Ähnlichkeitsfunktion L_{1,d}(·,·) erlernt werden, so dass Ausgabewerte der Ähnlichkeitsfunktion L_{1,d}(Xs_i, Xs_j) mit der Ähnlichkeit der Kenndaten (Y_a, Y_b) übereinstimmen, die den Daten (Xs_a, Xs_b) der physischen Struktur entsprechen.
Für das erste Lernen kann in dem Abschnitt erstes Ermitteln zunächst eine Mehrzahl von Vektorpaaren aus Xs aus der Mehrzahl von Daten der physischen Struktur in den Trainingsdaten erzeugt werden, die den Paaren aus Kenndaten entsprechen, die bei S420 erzeugt werden. In einer Ausführungsform können in dem Abschnitt erstes Ermitteln ein Paar (Xs₁, Xs₂), ein Paar (Xs₁, Xs₃), ein Paar (Xs₁, Xs₄),..., ein Paar (Xs_N-2, Xs_N), ein Paar (Xs_N-1, Xs_N) erzeugt werden.
Daraufhin kann in dem Abschnitt erstes Ermitteln die Ähnlichkeitsfunktion zum Schätzen einer neuen strukturellen Ähnlichkeit auf der Grundlage der wenigstens einen strukturellen Ähnlichkeit ermittelt werden. In einer Ausführungsform kann in dem Abschnitt erstes Ermitteln die Ähnlichkeitsfunktion auf der Grundlage der wenigstens einen charakteristischen Ähnlichkeit zwischen Kenndaten ermittelt werden, die den wenigstens zwei physischen Strukturen entsprechen. In der Ausführungsform können in dem Abschnitt erstes Ermitteln D Arten der Ähnlichkeitsfunktion L_{1,1}(Xs_i, Xs_j), L_{1,2}(Xs_i, Xs_j),..., L_{1,D}(Xs_i, Xs_j) unter Verwendung von Formel (2) ermittelt werden, die nachfolgend gezeigt ist: $L {1, d} (Xsi,Xsj) = \sum cgc,d (Xsi,Xsj) \cdot fc,d (Ytrain)$
wobei c eine Variable ist, die eine Perspektive der Ähnlichkeit repräsentiert, g_c,d(·,·) ist eine Funktion, die eine Divisionsregel des Baum-Modells auf der Grundlage von Eingabevektoren erzeugt, und f_c,d(Y_train) ist eine Funktion, die zwei Kenndatenwerte hervorbringt, wobei diese beiden Kenndatenwerte Xs_i und Xs_j entsprechen und im Hinblick auf die Perspektive der Ähnlichkeit c hervorgebracht werden.
In einer Ausführungsform bewertet die Funktion g_c,d(Xs_i, Xs_j) die Ähnlichkeit von Xs_i und Xs_j in einer Perspektive der Ähnlichkeit, die durch einen Wert der Variablen c repräsentiert wird. Daher bewertet die Funktion g_c,d(Xs_i, Xs_j) die Ähnlichkeit von Xs_i und Xs_j in unterschiedlichen Perspektiven für jeden Wert der Variablen c.
Die Funktion g_c,d(Xs_i, Xs_j) kann die Ähnlichkeit einer Teilmenge von Variablen aus skalaren Variablen in den Vektoren Xs_i and Xs_j bewerten. In einer Ausführungsform kann die Funktion g_1,d(Xs_i, Xs_j) die Ähnlichkeit der ersten drei Variablen in den Vektoren Xs_i and Xs_j (d.h. s_i1, s_i2, s_i3 in Xs_i und s_j1, s_j2, s_j3 in Xs_j) bewerten. Die Funktion g_2,d(Xs_i, Xs_j) kann die Ähnlichkeit der nächsten drei Variablen in den Vektoren Xs_i und Xs_j (d.h. s_i4, s_i5, s_i6 in Xs_i und s_j4, s_j5, s_j6 in Xs_j) bewerten. Dadurch bewerten die Funktionen g_1,d(Xs_i, Xs_j), g_2,d(Xs_i, Xs_j),..., g_C,d(Xs_i, Xs_j) die Vektoren Xs_i, Xs_j in C unterschiedlichen Perspektiven.
Wenn in der Ausführungsform ermittelt wird, dass s_i1, s_i2, s_i3 in Xs_i und s_j1, s_j2, s_j3 in Xs_j ähnlich sind, kann die Funktion g_1,d(Xs_i, Xs_j) 1 ausgeben und andere Funktionen g_2,d(Xs_i, Xs_j), g_3,d(Xs_i, Xs_j),..., g_C,d(Xs_i, Xs_j) können 0 ausgeben. Und wenn auf der Grundlage des Baum-Modells ermittelt wird, dass s_i4, s_i5, s_i6 in Xs_i und s_j4, s_j5, s_j6 in Xs_j ähnlich sind, kann die Funktion g_2,d(Xs_i, Xs_j) 1 ausgeben und andere Funktionen g_1,d(Xs_i, Xs_j), g_3.d(Xs_i, Xs_j),..., g_C,d(Xs_i, Xs_j) können 0 ausgeben.
In dem Abschnitt erstes Ermitteln können Funktionen g_c,d(·,·) beim ersten Lernen ermittelt werden. In dem Abschnitt erstes Ermitteln können Funktionen g_c,d(·,·) der Ähnlichkeitsfunktion L₁(·,·) unter Verwendung eines nichtlinearen Modells (z.B. ein Baum-Modell) ermittelt werden. In dem Abschnitt erstes Ermitteln kann anstelle des Baum-Modells ein Modell eines neuronalen Netzwerks verwendet werden.
Die Funktion f_c,d(Y_train) bringt zunächst aus einer Mehrzahl von Kenndaten der eingegebenen Trainingsdaten Y_train (z.B. alle Kenndaten Y₁, Y₂,...,Y_N) zwei Kenndatenwerte (z.B. Y_a und Y_b) hervor, von denen zwei entsprechende Datenwerte der physischen Struktur (z.B. X_a and X_b) durch die entsprechende Funktion g_c,d (X_a, X_b) als ähnlich bewertet werden, und bewertet anschließend die Ähnlichkeit dieser beiden Kenndatenwerte Y_a und Y_b.
8 zeigt ein Beispiel von φ(X_i). Wie in 8 gezeigt handelt es sich bei φ(X_i) um eine Funktion, bei der die Daten X_i der physischen Struktur eingegeben werden und ein Vektor ausgegeben wird, der eine Mehrzahl von Werten enthält, die auf der Grundlage von X_i geschätzt werden. Wie in 8 gezeigt kann der Vektor Ausgabewerte der Ähnlichkeitsfunktionen K(·,·) eines Eingabevektors V(X_i, X_n) der Daten X_i der physischen Struktur und alle Datenwerte der Daten X₁,...,X_N der physischen Struktur in den Trainingsdaten enthalten. In dem Abschnitt erstes Ermitteln können D Arten von Funktionen g_c,d(·,·) und Funktionen f_c,d(Y_train) erzeugt und dadurch D Arten der Ähnlichkeitsfunktionen ermittelt werden.
9 zeigt ein Beispiel von V(X_i, X_n) gemäß einer Ausführungsform der vorliegenden Erfindung. Wie in 9 gezeigt können in V(X_i, X_n) X_i und X_n eingegeben und davon ein Vektor ausgegeben werden, der Elemente von Ausgabewerten der Funktionen θ₁×L_{1,1}(X_i,X_n), θ₂×L_{1,2}(X_i,X_n),..., θ_D1×L_{1,D1}(X_i,X_n) und Ausgabewerte der Funktionen θ_{D1+1}×L_{2,1}(X_i,X_n), θ_{D1+2}×L_{2,2}(X_i,X_n),..., θ_{D1+D2}×L_{2,D2}(X_i,X_n) enthält.
In einer Ausführungsform kann die d1-te Funktion L_{1,d1}(X_i,X_n) in V(X_i, X_n) L_{1,d1}(Xs_i, Xs_j) der Formel (2) entsprechen.
Bei der {D1+d2}-ten Funktion L_{2,d2}(X_i,X_n) in V(X_i, X_n) kann es sich um eine Funktion des mittleren quadratischen Fehlers oder um eine Funktion des absoluten Fehlers von Werten der Ortsvektoren Xp_i und Xp_n handeln, und sie kann wie nachfolgend gezeigt repräsentiert werden: $L_{{2,d2}} (X_{i} {,X}_{n}) = {({Xp}_{i} - {Xp}_{n})}^{2}$
Alternativ kann die Funktion L_{2,d2}(X_i,X_n) lauten: $L_{{2,d2}} (X_{i} {,X}_{n}) = | {Xp}_{i} - {Xp}_{n} |$
Weitere Umsetzungen der D2 Arten der Funktionen L_{2,d2} sind außerdem möglich. Die Variablen θ₁, θ₂,...,θ_D1, θ_D1+1,...,θ_D1+d2 repräsentieren die Sensibilität aller Elemente im Vektor V(X_i, X_n). In dem Abschnitt Erzeugen können außerdem die D1 + D2 Variablen θ erlernt werden. Wie beschrieben können in dem Abschnitt Erzeugen D1 Arten von Funktionen L_{1,d1} und D2 Arten von Funktionen L_{2,d2} bereitgestellt werden.
Der Vektor φ(X_i) kann repräsentiert werden durch: $φ (X_{i}) = θ_{0} exp [- 1/2 \times \sum_{{j,k,d}} (θ_{d} \times L_{{j,k}} (X_{i} {,X}_{j}))]$
Der Gewichtungsvektor ω enthält Gewichtungsvariablen, die jeder der Funktionen K(V(X_i, X_n)) entsprechen. Die Gewichtungsvariablen w₁, w₂,...,w_N entsprechen in einer Ausführungsform K(V(X_i, X₁)), K(V(X_i, X₂)),..., K(V(X_i, X_N)).
In dem Abschnitt zweites Ermitteln können die Gewichtung ω und die Sensibilität θ eines geschätzten Kennwertes ermittelt werden, um eine Differenz zwischen dem geschätzten Kennwert φ(X_i)^Tω und einem Soll-Kennwert y_it eines Soll-Kenndatenwertes Y_i unter Verwendung der Formel (1) zu vermindern. Bei der Funktion L₂(·) in der objektiven Funktion in Formel (1) kann es sich um eine Verlustfunktion wie beispielsweise eine Funktion des mittleren quadratischen Fehlers oder eine Funktion des absoluten Fehlers handeln.
Während des zweiten Lernens können in dem Abschnitt des zweiten Ermittelns Werte des Gewichtungsvektors ω und Werte der Parameter θ₀, θ₁,...,θ_D1,..., θ_{D1+D2} in φ(X_i) erlernt werden. In dem Abschnitt zweites Ermitteln können der Gewichtungsvektors ω und Werte der Parameter θ₀, θ₁,...,θ_D1,.., θ_{D1+D2} auf eine alternative Weise ermittelt werden. In dem Abschnitt zweites Ermitteln kann die Gewichtung unter Verwendung eines Kern-Verfahrens (wie beispielsweise ARD-Kern) und einer Ridge-Regression ermittelt werden. In anderen Ausführungsformen kann der Gewichtungsvektor eine beliebige Anzahl von Gewichtungen enthalten.
In dem Abschnitt zweites Ermitteln kann φ(X_i)^Tω in dem optimierten Ergebnis der Formel (1) als Schätzmodell verwendet werden. Da φ(X_i)^Tω eine Synthese aus einer Mehrzahl von strukturellen Ähnlichkeiten der Soll-Daten der physischen Struktur und allen Daten der physischen Struktur aus der Mehrzahl von Daten der physischen Struktur und eine Synthese aus der Mehrzahl von Relativpositionen zwischen der Soll-Struktur und allen physischen Strukturen repräsentiert, kann der Kennwert auf der Grundlage dieser Synthesen durch das Schätzmodell geschätzt werden.
Wie oben in Bezug auf den Funktionsablauf der 4 bis 8 erläutert kann in der Vorrichtung ein höherwertiges Merkmal (wie beispielsweise die Beschleunigung/Zeit-Kurve) aus einem niederwertigem Merkmal (wie beispielsweise die Form der Fahrzeughaube) geschätzt werden, wobei ein hierarchisches Modell genutzt wird (wie beispielsweise das erste Lernen und das zweite Lernen). In einem Beispiel kann die Vorrichtung eine Beschleunigungskurve der Kollision Kopf-Haube eines neuen Entwurfs der Fahrzeughaube vorhersagen, ohne tatsächlich den physischen Test oder die Crash-Simulation durchzuführen.
10 zeigt ein Beispiel einer Wirkungsfläche der Beschleunigung/Zeit-Kurve. Eine Achse in der grafischen Darstellung von 10 entspricht dem Beschleunigungswert, eine weitere Achse in der grafischen Darstellung von 10 entspricht der Zeit, und die andere Achse in der grafischen Darstellung von 10 entspricht höheren Parametern, die aus der Simulation auf der Grundlage der Daten der physischen Struktur abgeleitet werden. Die Wirkungsfläche kann das Schätzmodell repräsentieren, das durch den Abschnitt zweites Ermitteln erzeugt wird, und eine Kurve, die aus der Wirkungsfläche abgeleitet wird, indem die Wirkungsfläche in einer Ebene der Zeitachse und der Beschleunigungsachse geschnitten wird, repräsentiert eine Beschleunigung/Zeit-Kurve.
Die Beschreibung in Bezug auf die 1 bis 10 behandelt hauptsächlich eine Fahrzeughaube als physische Struktur und eine Beschleunigung/Zeit-Kurve als Kenndaten. Es sind jedoch außerdem weitere Umsetzungen möglich.
11 zeigt eine beispielhafte Konfiguration eines Computers 1900 gemäß einer Ausführungsform der vorliegenden Erfindung. Der Computer 1900 gemäß der vorliegenden Erfindung enthält eine CPU 2000, einen RAM 2020, einen Grafik-Controller 2075 und eine Anzeigevorrichtung 2080, die untereinander durch einen Host-Controller 2082 verbunden sind. Der Computer 1900 enthält außerdem Eingabe/Ausgabeeinheiten wie beispielsweise eine Datenübertragungsschnittstelle 2030, ein Festplattenlaufwerk 2040 und ein DVD-ROM-Laufwerk 2060, die über einen Eingabe/Ausgabe-Controller 2084 mit dem Host-Controller 2082 verbunden sind. Der Computer enthält außerdem übliche Eingabe/Ausgabeeinheiten wie beispielsweise einen ROM 2010 und eine Tastatur 2050, die durch einen Eingabe/Ausgabe-Chip 2070 mit dem Eingabe/Ausgabe-Controller 2084 verbunden sind.
Der Host-Controller 2082 verbindet den RAM 2020 mit der CPU 200 und dem Grafik-Controller 2075, der auf den RAM 2020 mit einer hohen Transferrate zugreift. Die CPU 2000 arbeitet gemäß Programmen, die in dem ROM 2010 und dem RAM 2020 gespeichert sind, wodurch alle Einheiten gesteuert werden. Der Grafik-Controller 2075 erhält Bilddaten, die durch die CPU 200 in einem Rahmenpuffer oder dergleichen erzeugt werden, der in dem RAM 2020 bereitgestellt wird, und bewirkt, dass die Bilddaten an der Anzeigevorrichtung 2080 angezeigt werden. Alternativ kann der Grafik-Controller 2075 einen Rahmenpuffer oder dergleichen enthalten, um Bilddaten zu speichern, die durch die CPU 2000 erzeugt werden.
Der Eingabe/Ausgabe-Controller 2084 verbindet den Host-Controller 2082 mit der Datenübertragungsschnittstelle 2030, dem Festplattenlaufwerk 2040 und dem DVD-ROM-Laufwerk 2060, bei denen es sich um verhältnismäßig schnelle Eingabe/Ausgabe-Einheiten handelt. Datenübertragungen zwischen der Datenübertragungsschnittstelle 2030 und anderen elektronischen Einheiten erfolgen über ein Netzwerk. Das Festplattenlaufwerk 2040 speichert Programme und Daten, die von der CPU 2000 im Computer 1900 verwendet werden. Das DVD-ROM-Laufwerk 2060 liest die Programme oder die Daten von dem DVD-ROM 2095 und stellt dem Festplattenlaufwerk 2040 die Programme oder die Daten über den RAM 2020 bereit.
Der ROM 2010 und die Tastatur 2050 und der Eingabe/Ausgabe-Chip 2070, bei denen es sich um verhältnismäßig langsame Eingabe/Ausgabe-Einheiten handelt, sind mit dem Eingabe/Ausgabe-Controller 2084 verbunden. Der ROM 2010 speichert ein Boot-Programm oder dergleichen, das durch den Computer 1900 beim Aktivieren ausgeführt wird, ein Programm, das von der Hardware des Computers 1900 abhängig ist. Über die Tastatur 2050 werden von einem Benutzer Textdaten oder Befehle eingegeben, und die Textdaten oder die Befehle können über den RAM 2020 dem Festplattenlaufwerk 2040 bereitgestellt werden. Der Eingabe/Ausgabe-Chip 2070 verbindet eine Tastatur 2050 mit einem Eingabe/Ausgabe-Controller 2084 und kann verschiedene Eingabe/Ausgabe-Einheiten über einen Parallelanschluss, einen seriellen Anschluss, einen Tastaturanschluss, einen Mausanschluss und dergleichen mit dem Eingabe/Ausgabe-Controller 2084 verbinden.
Ein Programm, das auf dem Festplattenlaufwerk 2040 über den RAM 2020 gespeichert werden soll, wird durch ein Aufzeichnungsmedium wie der DVD-ROM 2095 und eine IC-Karte bereitgestellt. Das Programm wird von dem Aufzeichnungsmedium gelesen, über den RAM 2020 in dem Computer 1900 in dem Festplattenlaufwerk 2040 installiert und in der CPU 2000 ausgeführt.
Ein Programm, das in dem Computer 1900 installiert ist, kann bewirken, dass der Computer 1900 als eine Vorrichtung funktioniert wie beispielsweise die Vorrichtung 100 von 3. Das Programm oder Modul läuft in der CPU 2000, um zu bewirken, dass der Computer 1900 als ein Abschnitt, eine Komponente oder ein Element arbeitet wie beispielsweise jedes Element der Vorrichtung 100 von 3 (z.B. der Abschnitt Erhalten 110, der Abschnitt Berechnen 130, der Abschnitt Erzeugen 150, der Abschnitt Vorhersagen 170 und dergleichen).
Die in diesen Programmen beschriebene Datenverarbeitung wird in den Computer 1900 gelesen wie beispielsweise die Vorrichtung 100 von 3, um als Abschnitt Erhalten zu funktionieren, was das Ergebnis des Zusammenwirkens zwischen dem Programm oder Modul und den oben erwähnten verschiedenen Typen von Hardware-Ressourcen darstellt. Darüber hinaus wird die Vorrichtung durch Realisieren der Operation oder Verarbeiten von Daten gemäß der Nutzung des Computers 1900 gebildet.
In Reaktion auf den Datenaustausch zwischen dem Computer 1900 und einer externen Einheit kann beispielsweise die CPU 2000 ein Datenverarbeitungsprogramm ausführen, das in den RAM 2030 geladen wurde, um auf der Grundlage der in dem Datenverarbeitungsprogramm beschriebenen Verarbeitung eine Datenverarbeitung einer Datenübertragungsschnittstelle 2030 anzuweisen.
Die Datenübertragungsschnittstelle 2030 liest unter der Steuerung der CPU 200 die Übertragungsdaten, die in dem Übertragungspufferbereich gespeichert sind, der in dem Aufzeichnungsmedium bereitgestellt wird wie beispielsweise ein RAM 2020, ein Festplattenlaufwerk 2040 oder ein DVD-ROM 2095 und überträgt die gelesenen Übertragungsdaten zu einem Netzwerk oder schreibt Empfangsdaten, die von einem Netzwerk empfangen werden, in einen Empfangspufferbereich oder dergleichen, der in dem Aufzeichnungsmedium bereitgestellt wird. Auf diese Weise kann die Datenübertragungsschnittstelle 2030 Übertragungs/Empfangs-Daten mit dem Aufzeichnungsmedium durch ein DMA- (Direktspeicherzugriffs-) Verfahren austauschen oder durch eine Konfiguration, bei der die CPU 2000 die Daten von dem Aufzeichnungsmedium oder der Datenübertragungsschnittstelle 2030 eines Transferziels liest, um die Daten in die Datenübertragungsschnittstelle 2030 oder das Aufzeichnungsmedium des Transferziels zu schreiben, um die Übertragungs/Empfangsdaten zu übertragen.
Außerdem kann die CPU 2000 bewirken, dass die gesamte Datei oder ein erforderlicher Teil der Datei der Datenbank in den RAM 2020 beispielsweise durch DMA-Transfer gelesen wird, wobei die Datei oder die Datenbank in einem externen Aufzeichnungsmedium gespeichert wurde wie beispielsweise das Festplattenlaufwerk 2040, das DVD-ROM-Laufwerk 2060 (DVD-ROM 2095), um verschiedene Typen von Verarbeitung an den Daten in dem RAM 2020 auszuführen. Die CPU 2000 kann dann die verarbeiteten Daten mit Hilfe eines DMA-TransferVerfahrens oder dergleichen in das externe Aufzeichnungsmedium zurückschreiben. Bei dieser Verarbeitung kann der RAM 2020 so betrachtet werden, dass er die Inhalte des externen Aufzeichnungsmediums vorübergehend speichert, und daher werden der RAM 2020, die externe Aufzeichnungsvorrichtung und dergleichen gemeinschaftlich als ein Speicher, ein Speicherabschnitt, ein Aufzeichnungsmedium, ein computerlesbares Medium usw. bezeichnet.
Verschiedene Typen von Informationen wie beispielsweise verschiedene Typen von Programmen, Daten, Tabellen und Datenbanken können in der Aufzeichnungsvorrichtung gespeichert werden, damit sie einer Datenverarbeitung unterzogen werden. Es ist zu beachten, dass die CPU 2000 außerdem einen Teil des RAM 2020 verwendet, um Lese/Schreibvorgänge an dem Cache-Speicher auszuführen. In einer derartigen Ausführungsform wird der Cache-Speicher so betrachtet, dass er sich in dem RAM 2020, dem Speicher und/oder in dem Aufzeichnungsmedium befindet, falls nicht anders angegeben, da der Cache-Speicher einen Teil der Funktion des RAM 2020 ausführt.
Die CPU 2000 kann verschiedene Typen der Verarbeitung an den Daten ausführen, die aus einem Speicher gelesen werden, wie beispielsweise dem RAM 2020, darunter verschiedene Typen von Operationen, Verarbeitung von Informationen, Beurteilung von Bedingungen, Suchen/Ersetzen von Informationen usw., wie in der vorliegenden Ausführungsform beschrieben und durch eine Befehlsfolge von Programmen bezeichnet, und schreibt die Ergebnisse in den Speicher zurück wie etwa den RAM 2020. Wenn beispielsweise ein Beurteilen von Bedingungen ausgeführt wird, kann die CPU 2000 entscheiden, ob jeder Typ von Variablen, der in der vorliegenden Ausführungsform gezeigt ist, größer, kleiner, nicht kleiner als, nicht größer als oder gleich der anderen Variable oder Konstante ist, und wenn die Ergebnisse des Beurteilens von Bedingungen bejahend (oder verneinend) sind, zweigt der Prozess zu einer anderen Befehlsfolge ab oder ruft eine Unterroutine auf.
Außerdem kann die CPU 200 nach Daten in einer Datei, Datenbank usw. in dem Aufzeichnungsmedium suchen. Wenn beispielsweise eine Mehrzahl von Einträgen, von denen jeder einen Attributwert eines ersten Attributs hat, der einem Attributwert eines zweiten Attributs zugehörig ist, in einer Aufzeichnungsvorrichtung gespeichert ist, kann die CPU 2000 nach einem mit Bedingungen übereinstimmenden Eintrag, dessen Attributwert als erstes Attributs vorgesehen ist, unter der Mehrzahl von Einträgen suchen, die in dem Aufzeichnungsmedium gespeichert sind, und liest den Attributwert des zweiten Attributs, das in dem Eintrag gespeichert ist, wodurch der Attributwert des zweiten Attributs erhalten wird, das dem ersten Attribut zugehörig ist, das die im Voraus festgelegte Bedingung erfüllt.
Das oben erläuterte Programm oder Modul kann in einem externen Aufzeichnungsmedium gespeichert sein. Zu beispielhaften Aufzeichnungsmedien gehören ein DVD-ROM 2095 sowie ein optisches Aufzeichnungsmedium wie beispielsweise ein Blu-Ray-Disk oder eine CD, ein magnetooptisches Aufzeichnungsmedium wie ein MO, ein Bandmedium und ein Halbleiterspeicher wie eine IC-Karte. Außerdem kann ein Aufzeichnungsmedium wie beispielsweise eine Festplatte oder ein RAM, die bzw. der in einem Serversystem bereitgestellt wird, das mit einem speziellen Datenübertragungsnetzwerk oder dem Internet verbunden ist, als ein Aufzeichnungsmedium verwendet werden, wodurch das Programm dem Computer 1900 über das Netzwerk bereitgestellt wird.
Bei der vorliegenden Erfindung kann es sich um ein System, ein Verfahren und/oder ein Computerprogrammprodukt handeln. Das Computerprogrammprodukt kann (ein) durch einen Computer lesbare(s) Speichermedium (oder -medien) beinhalten, auf dem/denen durch einen Computer lesbare Programmanweisungen gespeichert ist/sind, um einen Prozessor dazu zu veranlassen, Aspekte der vorliegenden Erfindung auszuführen.
Bei dem durch einen Computer lesbaren Speichermedium kann es sich um eine physische Einheit handeln, die Anweisungen zur Verwendung durch ein System zur Ausführung von Anweisungen behalten und speichern kann. Bei dem durch einen Computer lesbaren Speichermedium kann es sich zum Beispiel um eine elektronische Speichereinheit, eine magnetische Speichereinheit, eine optische Speichereinheit, eine elektromagnetische Speichereinheit, eine Halbleiterspeichereinheit oder jede geeignete Kombination daraus handeln, ohne auf diese beschränkt zu sein.
Zu einer nicht erschöpfenden Liste spezifischerer Beispiele des durch einen Computer lesbaren Speichermediums gehören die Folgenden: eine tragbare Computerdiskette, eine Festplatte, ein Direktzugriffsspeicher (RAM), ein Nur-Lese-Speicher (ROM), ein löschbarer programmierbarer Nur-Lese-Speicher (EPROM bzw. Flash-Speicher), ein statischer Direktzugriffsspeicher (SRAM), ein tragbarer Kompaktspeicherplatte-Nur-Lese-Speicher (CD-ROM), eine DVD (digital versatile disc), ein Speicher-Stick, eine Diskette, eine mechanisch kodierte Einheit wie zum Beispiel Lochkarten oder gehobene Strukturen in einer Rille, auf denen Anweisungen gespeichert sind, und jede geeignete Kombination daraus. Ein durch einen Computer lesbares Speichermedium soll in der Verwendung hierin nicht als flüchtige Signale an sich aufgefasst werden, wie zum Beispiel Funkwellen oder andere sich frei ausbreitende elektromagnetische Wellen, elektromagnetische Wellen, die sich durch einen Wellenleiter oder ein anderes Übertragungsmedium ausbreiten (z.B. durch ein Glasfaserkabel geleitete Lichtimpulse) oder durch einen Draht übertragene elektrische Signale.
Hierin beschriebene, durch einen Computer lesbare Programmanweisungen können von einem durch einen Computer lesbaren Speichermedium auf jeweilige Datenverarbeitungs-/Verarbeitungseinheiten oder über ein Netzwerk wie zum Beispiel das Internet, ein lokales Netzwerk, ein Weitverkehrsnetz und/oder ein drahtloses Netzwerk auf einen externen Computer oder eine externe Speichereinheit heruntergeladen werden. Das Netzwerk kann Kupferübertragungskabel, Lichtwellenübertragungsleiter, drahtlose Übertragung, Leitwegrechner, Firewalls, Vermittlungseinheiten, Gateway-Computer und/oder Edge-Server aufweisen. Eine Netzwerkadapterkarte oder Netzwerkschnittstelle in jeder Datenverarbeitungs- /Verarbeitungseinheit empfängt durch einen Computer lesbare Programmanweisungen aus dem Netzwerk und leitet die durch einen Computer lesbaren Programmanweisungen zur Speicherung in einem durch einen Computer lesbaren Speichermedium innerhalb der entsprechenden Datenverarbeitungs- /Verarbeitungseinheit weiter.
Bei durch einen Computer lesbaren Programmanweisungen zum Ausführen von Arbeitsschritten der vorliegenden Erfindung kann es sich um Assembler-Anweisungen, ISA-Anweisungen (Instruction-Set-Architecture), Maschinenanweisungen, maschinenabhängige Anweisungen, Mikrocode, Firmware-Anweisungen, zustandssetzende Daten oder entweder Quellcode oder Objektcode handeln, die in einer beliebigen Kombination aus einer oder mehreren Programmiersprachen geschrieben werden, darunter objektorientierte Programmiersprachen wie Smalltalk, C++ o.ä. sowie herkömmliche prozedurale Programmiersprachen wie die Programmiersprache „C“ oder ähnliche Programmiersprachen. Die durch einen Computer lesbaren Programmanweisungen können vollständig auf dem Computer des Benutzers, teilweise auf dem Computer des Benutzers, als eigenständiges Software-Paket, teilweise auf dem Computer des Benutzers und teilweise auf einem fernen Computer oder vollständig auf dem fernen Computer oder Server ausgeführt werden.
In letzterem Fall kann der entfernt angeordnete Computer mit dem Computer des Benutzers durch eine beliebige Art Netzwerk verbunden sein, darunter ein lokales Netzwerk (LAN) oder ein Weitverkehrsnetz (WAN), oder die Verbindung kann mit einem externen Computer hergestellt werden (zum Beispiel über das Internet unter Verwendung eines Internet-Dienstanbieters). In einigen Ausführungsformen können elektronische Schaltungen, darunter zum Beispiel programmierbare Logikschaltungen, im Feld programmierbare Gatter-Anordnungen (FPGA, field programmable gate arrays) oder programmierbare Logikanordnungen (PLA, programmable logic arrays) die durch einen Computer lesbaren Programmanweisungen ausführen, indem sie Zustandsinformationen der durch einen Computer lesbaren Programmanweisungen nutzen, um die elektronischen Schaltungen zu personalisieren, um Aspekte der vorliegenden Erfindung durchzuführen.
Aspekte der vorliegenden Erfindung sind hierin unter Bezugnahme auf Ablaufpläne und/oder Blockschaltbilder bzw. Schaubilder von Verfahren, Vorrichtungen (Systemen) und Computerprogrammprodukten gemäß Ausführungsformen der Erfindung beschrieben. Es wird darauf hingewiesen, dass jeder Block der Ablaufpläne und/oder der Blockschaltbilder bzw. Schaubilder sowie Kombinationen von Blöcken in den Ablaufplänen und/oder den Blockschaltbildern bzw. Schaubildern durch durch einen Computer lesbare Programmanweisungen ausgeführt werden können.
Diese durch einen Computer lesbaren Programmanweisungen können einem Prozessor eines Universalcomputers, eines Spezialcomputers oder einer anderen programmierbaren Datenverarbeitungsvorrichtung bereitgestellt werden, um eine Maschine zu erzeugen, so dass die über den Prozessor des Computers bzw. der anderen programmierbaren Datenverarbeitungsvorrichtung ausgeführten Anweisungen ein Mittel zur Umsetzung der in dem Block bzw. den Blöcken der Ablaufpläne und/oder der Blockschaltbilder bzw. Schaubilder festgelegten Funktionen/Schritte erzeugen.
Diese durch einen Computer lesbaren Programmanweisungen können auch auf einem durch einen Computer lesbaren Speichermedium gespeichert sein, das einen Computer, eine programmierbare Datenverarbeitungsvorrichtung und/oder andere Einheiten so steuern kann, dass sie auf eine bestimmte Art funktionieren, so dass das durch einen Computer lesbare Speichermedium, auf dem Anweisungen gespeichert sind, ein Herstellungsprodukt aufweist, darunter Anweisungen, welche Aspekte der/des in dem Block bzw. den Blöcken des Ablaufplans und/oder der Blockschaltbilder bzw. Schaubilder angegebenen Funktion/Schritts umsetzen.
Die durch einen Computer lesbaren Programmanweisungen können auch auf einen Computer, eine andere programmierbare Datenverarbeitungsvorrichtung oder eine andere Einheit geladen werden, um das Ausführen einer Reihe von Prozessschritten auf dem Computer bzw. der anderen programmierbaren Vorrichtung oder anderen Einheit zu verursachen, um einen auf einem Computer ausgeführten Prozess zu erzeugen, so dass die auf dem Computer, einer anderen programmierbaren Vorrichtung oder einer anderen Einheit ausgeführten Anweisungen die in dem Block bzw. den Blöcken der Ablaufpläne und/oder der Blockschaltbilder bzw. Schaubilder festgelegten Funktionen/Schritte umsetzen.
Die Ablaufpläne und die Blockschaltbilder bzw. Schaubilder in den Figuren veranschaulichen die Architektur, die Funktionalität und den Betrieb möglicher Ausführungen von Systemen, Verfahren und Computerprogrammprodukten gemäß verschiedenen Ausführungsformen der vorliegenden Erfindung. In diesem Zusammenhang kann jeder Block in den Ablaufplänen oder Blockschaltbildern bzw. Schaubildern ein Modul, ein Segment oder einen Teil von Anweisungen darstellen, die eine oder mehrere ausführbare Anweisungen zur Ausführung der bestimmten logischen Funktion(en) aufweisen.
In einigen alternativen Ausführungen können die in dem Block angegebenen Funktionen in einer anderen Reihenfolge als in den Figuren gezeigt stattfinden. Zwei nacheinander gezeigte Blöcke können zum Beispiel in Wirklichkeit im Wesentlichen gleichzeitig ausgeführt werden, oder die Blöcke können manchmal je nach entsprechender Funktionalität in umgekehrter Reihenfolge ausgeführt werden. Es ist ferner anzumerken, dass jeder Block der Blockschaltbilder bzw. Schaubilder und/oder der Ablaufpläne sowie Kombinationen aus Blöcken in den Blockschaltbildern bzw. Schaubildern und/oder den Ablaufplänen durch spezielle auf Hardware beruhende Systeme umgesetzt werden können, welche die festgelegten Funktionen oder Schritte durchführen, oder Kombinationen aus Spezial-Hardware und Computeranweisungen ausführen.
Zwar wurde(n) die Ausführungsform(en) der vorliegenden Erfindung beschrieben, der technische Umfang der Erfindung ist jedoch nicht auf die oben beschriebene(n) Ausführungsform(en) beschränkt. Es ist für einen Fachmann klar, dass verschiedene Änderungen und Verbesserungen der/den oben beschriebenen Ausführungsform(en) angefügt werden können. Es ist außerdem aus dem Umfang der Ansprüche offensichtlich, dass die Ausführungsformen mit derartigen Änderungen und Verbesserungen in dem technischen Umfang der Erfindung enthalten sein können.
Die Operationen, Prozeduren, Schritte und Stufen von jedem Prozess, der durch eine Einrichtung, ein System, ein Programm oder ein Verfahren ausgeführt wird, die in den Ansprüchen, Ausführungsformen oder Darstellungen gezeigt sind, können in beliebiger Reihenfolge ausgeführt werden, solange die Reihenfolge nicht durch „vor“, „bevor“ und dergleichen angegeben ist, und solange die Ausgabe von einem vorhergehenden Prozess nicht in einem späteren Prozess verwendet wird. Selbst wenn der Prozessablauf unter Verwendung von Ausdrücken wie „zuerst“ oder „dann“ in den Ansprüchen, Ausführungsformen oder Darstellungen beschrieben wird, bedeutet das nicht notwendigerweise, dass der Prozess in dieser Reihenfolge ausgeführt werden muss.
Aus dem Obigen ist deutlich geworden, dass die Ausführungsformen der vorliegenden Erfindung verwendet werden können, um eine Vorrichtung, ein Verfahren und ein Computerprogrammprodukt zum Vorhersagen eines Soll-Kenndatenwerts zu realisieren.

Claims

Vorrichtung zum Vorhersagen von Kenndaten, wobei die Vorrichtung aufweist: einen Prozessor; und ein oder mehrere computerlesbare Medien, die gemeinschaftlich Anweisungen enthalten, die beim Ausführen durch den Prozessor bewirken, dass der Prozessor Folgendes ausführt: Erhalten einer Mehrzahl von Daten einer physischen Struktur und einer Mehrzahl von Kenndaten, wobei jede physische Struktur Kenndaten aus der Mehrzahl von Kenndaten entspricht und die Kenndaten eine Mehrzahl von Kennwerten enthalten, wobei sich jeder Kennwert auf eine physische Struktur bezieht, die einem Datenwert der physischen Struktur aus der Mehrzahl von Daten der physischen Struktur entspricht; Schätzen wenigstens einer strukturellen Ähnlichkeit zwischen wenigstens zwei physischen Strukturen, die Daten der physischen Struktur aus der Mehrzahl von Daten der physischen Struktur entsprechen; und Erzeugen eines Schätzmodells zum Schätzen eines Soll-Kenndatenwertes von einem Soll-Datenwert der physischen Struktur durch Verwenden von wenigstens einem Kenndatenwert und gemäß wenigstens einer strukturellen Ähnlichkeit zwischen den Soll-Daten der physischen Struktur und jedem Datenwert der physischen Struktur aus der Mehrzahl von Daten der physischen Struktur.
Vorrichtung nach Anspruch 1, wobei das Schätzen der wenigstens einen strukturellen Ähnlichkeit auf der Grundlage von wenigstens einer charakteristischen Ähnlichkeit zwischen Kenndaten erfolgt, die den wenigstens zwei physischen Strukturen entsprechen.
Vorrichtung nach Anspruch 2, wobei die Anweisungen ferner bewirken, dass der Prozessor eine charakteristische Ähnlichkeit zwischen einem ersten Kenndatenwert und einem zweiten Kenndatenwert aus der Mehrzahl von Kenndaten berechnet, wobei das Berechnen auf der Grundlage von wenigstens einer Differenz zwischen entsprechenden Kennwerten des ersten Kenndatenwertes und des zweiten Kenndatenwertes erfolgt.
Vorrichtung nach einem der vorhergehenden Ansprüche, wobei jeder Kenndatenwert wenigstens einen Kennwert aus der Mehrzahl von Kennwerten enthält, der eine zeitliche Änderung einer charakteristischen Eigenschaft repräsentiert.
Vorrichtung nach Anspruch 4, wobei jeder Kenndatenwert wenigstens einen Kennwert aus der Mehrzahl von Kennwerten enthält, der eine Änderung einer charakteristischen Eigenschaft in Bezug auf eine Kollision mit der entsprechenden physischen Struktur repräsentiert oder eine Verformung der physischen Struktur repräsentiert.
Vorrichtung nach Anspruch 5, wobei es sich bei jeder physischen Struktur um einen Teil einer Karosserie eines beweglichen Objekts handelt.
Vorrichtung nach einem der Ansprüche 4 bis 6, wobei jeder Datenwert einer physischen Struktur ein Merkmal enthält, das die Lage einer physischen Struktur und den Zeitpunkt repräsentiert.
Vorrichtung nach einem der vorhergehenden Ansprüche, wobei die Anweisungen ferner bewirken, dass der Prozessor eine Ähnlichkeitsfunktion zum Schätzen einer neuen strukturellen Ähnlichkeit ermittelt, wobei das Ermitteln auf der Grundlage von wenigstens einer charakteristischen Ähnlichkeit zwischen Kenndaten erfolgt, die den wenigstens zwei physischen Strukturen entsprechen.
Vorrichtung nach einem der vorhergehenden Ansprüche, wobei die Anweisungen ferner bewirken, dass der Prozessor die Ähnlichkeitsfunktion unter Verwendung eines Baumstruktur-Modells oder eines neuronalen Netzwerkmodells ermittelt.
Vorrichtung nach einem der vorhergehenden Ansprüche, wobei die Anweisungen ferner bewirken, dass der Prozessor eine Gewichtung eines ermittelten Kennwertes festlegt, um eine Differenz zwischen dem geschätzten Kennwert und einem Soll-Kennwert von Soll-Kenndaten zu vermindern, wobei der geschätzte Kennwert auf einer Zusammensetzung einer Mehrzahl von strukturellen Ähnlichkeiten der Soll-Daten der physischen Struktur mit allen Daten der physischen Struktur aus der Mehrzahl von Daten der physischen Struktur beruht.
Vorrichtung nach Anspruch 10, wobei die Anweisungen ferner bewirken, dass der Prozessor eine Sensibilität der Mehrzahl von strukturellen Ähnlichkeiten der Soll-Daten der physischen Struktur auf alle Daten der physischen Struktur aus der Mehrzahl von Daten der physischen Struktur festlegt, um eine Differenz zwischen dem geschätzten Kennwert und dem Soll-Kennwert der Soll-Kenndaten zu vermindern, wobei der geschätzte Kennwert ferner auf einer Zusammensetzung der Mehrzahl von Relativpositionen zwischen der Soll-Struktur und jeder physischen Struktur beruht.
Vorrichtung nach Anspruch 11, wobei die Anweisungen ferner bewirken, dass der Prozessor die Gewichtung unter Verwendung eines Kern-Verfahrens ermittelt.
Vorrichtung nach einem der vorhergehenden Ansprüche, wobei die Anweisungen ferner bewirken, dass der Prozessor Kenndaten der physischen Soll-Struktur unter Verwendung des Schätzmodells schätzt.
Durch einen Computer umgesetztes Verfahren zum Vorhersagen von Kenndaten, wobei das Verfahren aufweist: Erhalten einer Mehrzahl von Daten einer physischen Struktur und einer Mehrzahl von Kenndaten, wobei jede physische Struktur Kenndaten aus der Mehrzahl von Kenndaten entspricht und die Kenndaten eine Mehrzahl von Kennwerten enthalten, wobei sich jeder Kennwert auf eine physische Struktur bezieht, die einem Datenwert der physischen Struktur aus der Mehrzahl von Daten der physischen Struktur entspricht; Schätzen von wenigstens einer strukturellen Ähnlichkeit zwischen wenigstens zwei physischen Strukturen, die Daten der physischen Struktur aus der Mehrzahl von Daten der physischen Struktur entsprechen, und Erzeugen eines Schätzmodells zum Schätzen von Soll-Kenndaten aus einem Soll-Datenwert einer physischen Struktur unter Verwendung von wenigstens einem Kenndatenwert und gemäß wenigstens einer strukturellen Ähnlichkeit zwischen den Soll-Daten der physischen Struktur und jedem Datenwert aus der Mehrzahl von Daten der physischen Struktur.
Durch einen Computer umgesetztes Verfahren nach Anspruch 14, das ferner aufweist Berechnen einer charakteristischen Ähnlichkeit zwischen einem ersten Kenndatenwert und einem zweiten Kenndatenwert aus der Mehrzahl von Kenndaten, wobei das Berechnen auf wenigstens einer Differenz zwischen entsprechenden Kennwerten des ersten Kenndatenwertes und des zweiten Kenndatenwertes beruht.
Durch einen Computer umgesetztes Verfahren nach einem der Ansprüche 14 bis 15, wobei jeder Kenndatenwert wenigstens einen Kennwert aus der Mehrzahl von Kennwerten enthält, der eine zeitliche Änderung einer charakteristischen Eigenschaft repräsentiert.
Durch einen Computer umgesetztes Verfahren nach Anspruch 14, wobei jeder Kenndatenwert wenigstens einen Kennwert aus der Mehrzahl von Kennwerten enthält, der eine Änderung einer charakteristischen Eigenschaft in Bezug auf eine Kollision mit der entsprechenden physischen Struktur repräsentiert oder eine Verformung der entsprechenden physischen Struktur repräsentiert.
Computerprogrammprodukt zum Vorhersagen von Kenndaten, wobei das Computerprogrammprodukt aufweist: ein computerlesbares Speichermedium, das durch eine Verarbeitungsschaltung gelesen werden kann und Anweisungen zum Ausführen durch die Verarbeitungsschaltung speichert, um ein Verfahren nach einem der Ansprüche 14 bis 17 auszuführen.
Computerprogramm, das auf einem computerlesbaren Medium gespeichert ist und in den internen Speicher eines digitalen Computers geladen werden kann, Software-Codeabschnitte aufweist, um das Verfahren nach einem der Ansprüche 14 bis 17 auszuführen, wenn das Programm in einem Computer abläuft.