EP3881142A1 - Verfahren zum bereitstellen eines modells für zumindest eine maschine, trainingssystem, verfahren zum simulieren eines betriebs einer maschine sowie simulationssystem - Google Patents

Verfahren zum bereitstellen eines modells für zumindest eine maschine, trainingssystem, verfahren zum simulieren eines betriebs einer maschine sowie simulationssystem

Info

Publication number
EP3881142A1
EP3881142A1 EP20706947.7A EP20706947A EP3881142A1 EP 3881142 A1 EP3881142 A1 EP 3881142A1 EP 20706947 A EP20706947 A EP 20706947A EP 3881142 A1 EP3881142 A1 EP 3881142A1
Authority
EP
European Patent Office
Prior art keywords
machine
model
measured values
trained model
trained
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
EP20706947.7A
Other languages
English (en)
French (fr)
Inventor
Pandu Raharja
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.)
Siemens AG
Original Assignee
Siemens AG
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 Siemens AG filed Critical Siemens AG
Publication of EP3881142A1 publication Critical patent/EP3881142A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/25—Pc structure of the system
    • G05B2219/25298—System identification

Definitions

  • the present invention relates to a method for providing a model for at least one machine, in particular a machine tool.
  • the present invention also relates to a training system, a computer program and a computer-readable (storage) medium.
  • the present invention also relates to a method for simulating an operation of a machine.
  • the present invention also relates to a simulation system and an associated computer program.
  • machine learning methods can in principle be used.
  • the machine is in operation, it is possible, for example, to record a time series of measured values, the measured values describing operating parameters or an operating state of the machine.
  • Machine learning methods can be used to derive operating variables the behavior of the controller device.
  • the linear regression in which either a linear or a non-linear kernel can be used, can be known here.
  • the training of a corresponding model, by means of which the control device can be mapped, is often very time-consuming and complicated, especially in the case of complex control devices such as those used in machine tools.
  • a device for identifying a structure and for estimating parameters of a controlled system is known.
  • a structure of a function is to be determined using structure identification means, which describes a mathematical relationship between inputs in a system and outputs of the system.
  • structure identification means which describes a mathematical relationship between inputs in a system and outputs of the system.
  • the parameters associated with the function are then estimated by means of parameter estimation means.
  • US 2002/0072828 A1 describes a method for modeling a non-linear empirical process. Based on an initial model, a non-linear network model is to be constructed with several inputs based on the initial model. A global behavior of the non-linear network model as a whole should generally conform to an initial output of the initial model. The non-linear network model is optimized based on empirical inputs while limiting the global behavior.
  • DE 10 2006 054 425 A1 discloses a method for determining a value of a model parameter of a reference vehicle model.
  • An estimated value of the model parameter is determined several times as a function of a second driving state variable and / or a variable specified by a driver by means of an artificial neural network.
  • the artificial neural network is adapted using a learning process. It is the object of the present invention to show a solution as to how the operation of a machine which is controlled by means of a control device can be modeled more simply and reliably at the same time.
  • this object is achieved by a method for providing a model, by a training system, by a computer program product, by a computer-readable one
  • a method according to the invention is used to provide a model for at least one machine, in particular a machine tool.
  • operation of the machine is regulated by means of a regulator device.
  • the method includes receiving a time series of measured values, the measured values describing an operating variable of the machine.
  • the method includes the provision of an untrained model in the form of an artificial neural network.
  • the method also includes training the untrained model using the received measured values and determining derived control variables that describe the controller device using the trained model.
  • the trained model is preferably expanded on the basis of the measured values of the further machine by means of transfer learning, that is, further trained.
  • transfer learning is known in principle.
  • a model that is trained for a specific application is applied to a similar application.
  • a model that is trained to detect objects can be further trained or expanded to that effect can recognize these corresponding machines or machine types.
  • the model that is trained on the basis of the time series of the machine or a first machine is expanded with the time series of the further machine or a second machine.
  • the machine can be, for example, a first machine from one manufacturer and the further machine can be a second machine or a similar machine from the same manufacturer.
  • the trained model can already be stable.
  • This trained model can be expanded by the measured values of the other machine. If the time sequence of the measured values of the further machine is now fed to the model that has already been trained, the transfer learning can be carried out.
  • the model can be adapted to the changing measured values or parameters, for example. If, for example, a neural network with several hidden layers is used for the model, the respective weights can be adapted to the changed parameters.
  • a model that has already been created for the machine can also be used for the other machine by means of transfer learning.
  • This also offers the possibility of providing a reference model for a machine, which can then be adapted to the specific machine by means of transfer learning.
  • the method is in particular a computer-implemented method.
  • the machine can basically be an electrical machine.
  • the machine is a machine tool, for example a CNC machine.
  • the machine can therefore be a CNC milling machine, a CNC lathe or the like.
  • the operation of the machine is regulated by means of the Reglervor direction.
  • This regulator device can comprise at least one regulator.
  • the regulator device preferably comprises but a plurality of controllers or control loops.
  • An operating variable of the machine can be regulated by means of the regulator device.
  • an actual value for the operating variable can be recorded by means of the control device and compared with a setpoint value for the operating variable.
  • the operating variable can be regulated to the target value by means of the regulating device.
  • the operating variable of the machine can be, for example, a speed, a direction of rotation, a torque, a feed rate, an electrical voltage, an electrical current or the like.
  • the time series or sequence of measured values can now be provided.
  • the measured values describe at least one operating variable of the machines.
  • the measured values can also describe several operating parameters of the machine. It can also be provided that several or different measured values are recorded.
  • a sensor signal can be scanned accordingly by the sensor or the detection device. These sampled measured values can then be further processed accordingly.
  • the time series of measured values can be fed to a training system.
  • This training system can be used to determine the model for the machine or for several machines.
  • the training system can have a corresponding computing device by means of which the model can be created. For this purpose, a corresponding computer program can be executed on the computing device.
  • the untrained model is first made available.
  • the untrained model is an artificial neural network. This model can be trained accordingly to determine the model or to provide the trained model.
  • the time series is used as training data the measured values are used.
  • the trained model which describes the regulated operation of the electrical machine, can be output.
  • the model is an artificial neural network.
  • This artificial neural network can also be referred to as an artificial neural network or a neural network.
  • An artificial neural network is formed by artificial neurons or nodes that are connected to one another. The connections can provide direct connections between two nodes.
  • the respective nodes can be arranged in respective layers or hidden layers.
  • the nodes can be arranged one behind the other in several layers.
  • the artificial neural network has an input layer and an output layer as well as the hidden layers in between.
  • the artificial neural network can first be constructed. The topology of the artificial neural network or the assignment of connections to nodes can be provided for the application.
  • the training phase can take place in which the artificial neural network is trained.
  • the training data are fed to the artificial neural network for training purposes.
  • the artificial neural network or the untrained model can be provided as training data with the chronological sequence of measured values and, if applicable, data for control theory.
  • new connections can be developed and / or existing connections can be deleted. It can also be provided that corresponding weightings or weighting factors of the nodes or neurons are adapted. Nodes can also be added and / or removed become.
  • the training can be carried out as supervised or supervised learning. In this case, the output is given to the neural network. However, it can also be provided that unsupervised or unsupervised learning is carried out during the training. In this case the output is not specified. In addition, reinforcement learning can be used during the training phase.
  • the trained model describes the operation of the machine, which is controlled by means of the control device.
  • control parameters or control variables that describe the control device can now be derived after the training.
  • These derived controlled variables can describe a transfer function of the controller device, for example.
  • the controlled variables can describe a type of regulator device or of individual regulators of the regulator device.
  • the trained model or the artificial neural network is used to identify how the operating variable of the machine is regulated based on the time profile of the measured values. It should therefore be recognized in which way the operating variable is influenced by the controller.
  • the transfer function of the controller device has a proportional transfer behavior, an integrative transfer behavior, a differentiating transfer behavior and / or a time-delaying transfer behavior.
  • the controller behavior of the controller device can thus be derived with the aid of the trained model. Additional information about the regulator device can thus be obtained in a simple yet reliable manner.
  • the determination of the derived control variables is preferably carried out on the basis of control theory data, the control theory data operating modes of control devices describe.
  • the control theory data can describe known methods of control engineering.
  • the control theory data can describe different transmission functions of controllers.
  • This transfer function can describe the ratio of the input variable to the output variable.
  • the time series of measured values can describe the output variable. It can also be provided that the output variable can be derived from the measured values.
  • the control theory data can describe the different known transfer functions that are usually used in controllers or controller devices. As already explained, the transfer function can describe proportional behavior, an integrative behavior, a differentiating behavior, a time-delaying behavior, a control with dead time or corresponding combinations thereof.
  • These control theory data can be fed to the untrained model or the artificial neural network as training data. During the training, the time courses of the measured values can then be assigned to the corresponding transfer functions. The control theory data can thus be determined in a simple and reliable manner.
  • the artificial neural network that is being trained has a plurality of hidden layers.
  • the neural network is a so-called deep neural network.
  • Such a multi-layer artificial neural network also includes several concealed layers in the output layer, the output of which is not visible outside the network. With such an artificial neural network, deep learning or deep learning can be made possible. The model or the artificial neural network can thus be trained in a reliable manner so that it describes the operation of the controlled machine.
  • the measured values describe different operating states of the machine.
  • the under- Different operating states can describe a change in the speed of the electrical machine, for example.
  • different operating states can describe, for example, starting up the machine, changing the speed, changing the thrust, using different tools or the like.
  • corresponding setpoint values of the controller device are taken into account.
  • These target values can be specified, for example, by operating the machine accordingly. It can also be provided that these setpoint values are recorded accordingly.
  • the respective target values can be taken into account when training the model or the artificial neural network or used as training data. It can thus be deduced how the operating variable of the machine is regulated to the target value by means of the controller device. The controlled variables can then be derived from this.
  • the present invention provides in particular that further derived control variables, which describe the further controller device, are determined on the basis of the expanded trained model.
  • the expanded, trained model which was created by transfer learning on the basis of the trained model, can now be used to derive the control variables of the further control device by means of which the further machine is controlled.
  • the trained model is already available, the advanced trained model can be made available with little effort through the transfer learning. From this the properties of the further control device can then be derived.
  • a training system comprises a first interface for receiving a time series of measured values from a machine.
  • the training system comprises a computing device for determining a trained model based on the received measured values.
  • the training system comprises a second interface for outputting the trained model.
  • the training system can, for example, be provided by an appropriate computer. This training system can be connected for data transmission via the first interface of the machine or a sensor of the machine with which the measured values are provided. A corresponding computer program can then be executed on a computing device of the training system in order to train the model on the basis of the measured values.
  • the method according to the invention for providing the model can be carried out with the aid of the training system.
  • a computer program according to the invention comprises commands which, when the program is executed by a training system or a computing device of the training system, cause this or these to execute the method according to the invention and the advantageous refinements thereof.
  • a computer-readable (memory) medium comprises commands which, when executed by a training system, cause the latter to execute the method according to the invention and the advantageous refinements thereof.
  • a further aspect of the invention relates to a method for simulating the operation of a machine, in particular a machine tool, with operation of the machine being regulated by means of a regulator device.
  • the operation of the machine is based on a model, which is according to the method for providing a model and / or the advantageous embodiments thereof is determined, modeled.
  • the model can be provided for a specific machine.
  • the model can be used to simulate the operation of this controlled machine.
  • the model can be executed on a corresponding simulation system or a computer. In this way, the controlled operation of the machine can be simulated or modeled.
  • the operation of the machine and, in particular, a manufacturing method that is carried out with the machine can be tested beforehand, for example. It is therefore not necessary, for example, to carry out corresponding tests with the real machine. Damage to workpieces and / or the machine can thus be prevented.
  • the model can be used for an error analysis in the real machine.
  • control device is emulated by means of the trained model.
  • the function of the control device can thus be simulated with the model or with the artificial neural network. In this way it can be checked how the control device reacts to certain input variables. In this way, appropriate settings can be derived or optimized in real operation of the machine.
  • a simulation system is used to simulate the operation of a machine, in particular a machine tool, with operation of the machine being regulated by means of a controller device.
  • the simulation system is designed to carry out a method according to the invention for simulating an operation of a machine.
  • the invention relates to a computer program comprising commands which, when the program is executed by a simulation system, cause the program to execute the method according to the invention for simulating the operation of a machine.
  • Another aspect of the invention relates to a computer-readable (storage) medium, comprising commands which, when executed by a simulation system, cause the simulation system to execute a method according to the invention for simulating an operation of a machine.
  • FIG. 1 shows a schematic flow diagram of a method for providing a model for a machine, operation of the machine being regulated by means of a regulator device;
  • FIG. 2 shows a schematic flow diagram of a method for determining a model for a machine according to a further embodiment.
  • the machine A can be a machine tool.
  • the machine A is a CNC machine.
  • the operation of the machine A is regulated by means of a regulator device 2.
  • This regulator device 2 can have several regulators or control loops.
  • the model M A for the machine A can be determined by means of a training system 1.
  • This training system 1 can be formed by a corresponding computer.
  • the training system 1 has a corresponding computing device 6.
  • An untrained model is fed to the training system 1 via an interface 3.
  • the untrained model is an artificial neural network, in particular a so-called deep neural network.
  • a time series of measured values X A are fed to the training system 1 via an interface 4.
  • These values X A describe operating variables of the machine A.
  • the measured values X A can describe a speed, a direction of rotation, a torque, an electrical voltage, an electrical current or the like.
  • the regulation of the machine A by means of the regulator device 2 is carried out on the basis of Re gel variables Q A.
  • control theory data can also be fed to it.
  • These control theory data describe, in particular, properties of known control devices 2.
  • the control theory data can describe different transfer functions that are used by control devices 2.
  • the properties of the control device 2 or the control algorithm of the control device 2 can be approximated or determined based on the time course of the measured values X A or the operating variables and the known control theory data.
  • the trained model M A can then be output by the training system 1 via an interface 5.
  • derived control variables Q ' A can then be provided.
  • the derived controlled variables Q ' A be describing the properties of the controller device 2 that were determined during the training.
  • the trained model M A thus describes the operation of the machine A, which is controlled by means of the control device 2.
  • FIG. 2 shows a schematic flow diagram for determining a model M AB according to a further embodiment.
  • the untrained model M ö is first trained on the basis of the measured values X A of the machine A. After this training, the trained model M A can be provided. In this case, what is known as transfer learning is also carried out.
  • the trained model M A is fed to the training system 1 in a subsequent step.
  • measured values X B are determined by a further machine B and fed to the training system 1.
  • the operation of the further machine B is controlled by means of a further control device 2 '.
  • the machines A and B can, for example, come from the same manufacturer and different or similar types of machines be.
  • the trained model M A can then be expanded and the expanded, trained model M AB can be output by means of the training system 1.
  • This expanded, trained model M AB can in turn be used to determine derived control variables 0 ' A', Q b , which were determined on the basis of the control devices 2, 2 'of the machines A, B.
  • the trained model M A or the expanded trained model M AB can be used to simulate the operation of the machine A, B.
  • the model M A , M AB can be run on a corresponding simulation system 7 or computer. This is shown schematically in FIG.
  • the operation of the machine A, B, which is controlled by the control device 2, 2 ', can thus be simulated or reproduced. In this way, information about the usually unknown functionality of the complex controller device 2, 2 'can be obtained. Overall, this makes it possible to optimize the operation of the machine A, B and to avoid errors.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Bereitstellen eines Modells (MA, MA,B) für zumindest eine Maschine (A, B), insbesondere eine Werkzeugmaschine, wobei ein Betrieb der Maschine (A) mittels einer Reglervorrichtung (2) geregelt wird, mit den Schritten: - Empfangen einer zeitlichen Serie von Messwerten (XA), wobei die Messwerte (XA) eine Betriebsgröße der Maschine (A) beschreiben, - Bereitstellen eines untrainierten Modells (MU) in Form eines künstlichen neuronalen Netzes, - Trainieren des untrainierten Modells (MU) anhand der empfangenen Messwerte (XA), und - Bestimmen von abgeleiteten Regelgrößen (Ө'A), welche die Reglervorrichtung (2) beschreiben, mittels des trainierten Modells (MA), wobei eine zeitliche Serie von Messwerten (XB) einer weiteren Maschine (B), deren Betrieb mit einer weiteren Reglervorrichtung (2') geregelt wird, empfangen werden, wobei die Maschine (A) und die weitere Maschine (B) unterschiedliche Typen von Maschinen (A, B) sind, und das trainierte Modell (MA) anhand der Messwerte (XB) der weiteren Maschine (B) mittels Transfer-Lernen weiter trainiert wird.

Description

Beschreibung
Verfahren zum Bereitstellen eines Modells für zumindest eine Maschine, Trainingssystem, Verfahren zum Simulieren eines Betriebs einer Maschine sowie Simulationssystem
Die vorliegende Erfindung betrifft ein Verfahren zum Bereit stellen eines Modells für zumindest eine Maschine, insbeson dere eine Werkzeugmaschine. Des Weiteren betrifft die vorlie gende Erfindung ein Trainingssystem, ein Computerprogramm so wie ein computerlesbares (Speicher) medium. Darüber hinaus be trifft die vorliegende Erfindung ein Verfahren zum Simulieren eines Betriebs einer Maschine. Außerdem betrifft die vorlie gende Erfindung ein Simulationssystem sowie ein dazugehöriges Computerprogramm.
Aus dem Stand der Technik ist es bekannt, dass der Betrieb einer Maschine mittels eines Reglers beziehungsweise einer Reglervorrichtung geregelt wird. Insbesondere im Zusammenhang mit Werkzeugmaschinen, beispielsweise CNC-Maschinen, werden komplexe Regelvorrichtungen verwendet. Derartige Reglervor richtungen, wie sie in Werkzeugmaschinen vorgesehen sind, um fassen komplex aufgebaute Regler, welche mehrere einzelne Regler beziehungsweise Regelkreise aufweisen können. Wenn ei ne derartige Werkzeugmaschine von einem Hersteller bezogen wird, sind üblicherweise keine näheren Informationen zu der darin verwendeten Reglervorrichtung vorhanden. Bei der Ver wendung einer solchen Werkzeugmaschine ist es oft wünschens wert, genauere Informationen zu der Reglervorrichtung zu er halten .
Um den Betrieb der elektrischen Maschine, der mit der Regler vorrichtung geregelt wird, nachzubilden, können grundsätzlich Verfahren des maschinellen Lernens verwendet werden. Im Be trieb der Maschine ist es beispielsweise möglich, eine zeit liche Serie von Messwerten zu erfassen, wobei die Messwerte Betriebsgrößen beziehungsweise einen Betriebszustand der Ma schine beschreiben. Um aus diesen Messwerten beziehungsweise Betriebsgrößen das Verhalten der Reglervorrichtung ableiten zu können, können die Verfahren des maschinellen Lernens ge nutzt werden. Beispielsweise kann hier die lineare Regressi on, bei der entweder ein linearer oder ein nicht-linearer Kernel genutzt werden kann, bekannt. Das Training eines ent sprechenden Modells, mittels welchem die Reglervorrichtung abgebildet werden kann, ist oftmals sehr aufwändig und kom pliziert, insbesondere bei komplexen Reglervorrichtungen, wie sie bei Werkzeugmaschinen verwendet werden.
Aus der EP 0 496 570 A2 ist eine Vorrichtung zum Identifizie ren einer Struktur und zum Abschätzen von Parametern eines geregelten Systems bekannt. Darin soll mittels Strukturiden tifikationsmitteln eine Struktur einer Funktion bestimmt wer den, die eine mathematische Beziehung von Eingaben in ein System zu Ausgaben des Systems beschreibt. Anhand der ent sprechend generierten Funktion werden dann mittels Parameter abschätzungsmitteln die mit der Funktion assoziierten Parame ter abgeschätzt.
Die US 2002/0072828 Al beschreibt ein Verfahren zum Modellie ren eines nicht-linearen empirischen Prozesses. Dabei soll basierend auf einem initialen Modell ein nicht-lineares Netz werkmodell mit mehreren auf dem initialen Modell basierenden Inputs konstruiert werden. Ein globales Verhalten des nicht linearen Netzwerkmodells insgesamt soll generell konform zu einem initialen Output des initialen Modells sein. Das nicht lineare Netzwerkmodell wird basierend auf empirischen Inputs optimiert, wobei das globale Verhalten beschränkt wird.
In der DE 10 2006 054 425 Al ist ein Verfahren zum Ermitteln eines Wertes eines Modellparameters eines Referenzfahrzeugmo dells offenbart. Dabei wird ein Schätzwert des Modellparame ters in Abhängigkeit von einer zweiten Fahrzustandsgröße und/oder einer von einem Fahrer vorgegebenen Größe mittels eines künstlichen neuronalen Netzes mehrmals ermittelt. Das künstliche neuronale Netz wird dabei anhand eines Lernverfah rens angepasst. Es ist Aufgabe der vorliegenden Erfindung, eine Lösung aufzu zeigen, wie der Betrieb einer Maschine, welche mittels einer Reglervorrichtung geregelt wird, einfacher und gleichzeitig zuverlässig modelliert werden kann.
Diese Aufgabe wird erfindungsgemäß durch ein Verfahren zum Bereitstellen eines Modells, durch ein Trainingssystem, durch ein Computerprogrammprodukt, durch ein computerlesbares
(Speicher) medium, durch ein Verfahren zum Simulieren, durch ein Simulationssystem sowie durch ein weiteres Computerpro gramm gelöst. Vorteilhafte Weiterbildungen der vorliegenden Erfindung sind in den abhängigen Ansprüchen angegeben.
Ein erfindungsgemäßes Verfahren dient zum Bereitstellen eines Modells für zumindest eine Maschine, insbesondere eine Werk zeugmaschine. Hierbei wird ein Betrieb der Maschine mittels einer Reglervorrichtung geregelt. Das Verfahren umfasst das Empfangen einer zeitlichen Serie von Messwerten, wobei die Messwerte eine Betriebsgröße der Maschine beschreiben. Dar über hinaus umfasst das Verfahren das Bereitstellen eines un trainierten Modells in Form eines künstlichen neuronalen Net zes. Ferner beinhaltet das Verfahren das Trainieren des un trainierten Modells anhand der empfangenen Messwerte sowie das Bestimmen von abgeleiteten Regelgrößen, welche die Reg lervorrichtung beschreiben, mittels des trainierten Modells.
Es wird eine zeitliche Serie von Messwerten einer weiteren Maschine, deren Betrieb mit einer weiteren Reglervorrichtung geregelt wird, empfangen. Zudem wird das trainierte Modell bevorzugt anhand der Messwerte der weiteren Maschine mittels Transfer-Lernen erweitert, also weiter trainiert. Im Bereich des maschinellen Lernens ist das so genannte Transfer-Lernen grundsätzlich bekannt. Hierbei wird ein Modell, welches auf eine bestimmte Anwendung trainiert ist, auf eine ähnliche An wendung angewendet. Beispielsweise kann ein Modell, dass auf die Detektion von Objekten trainiert ist, dahingehend weiter trainiert werden beziehungsweise erweitert werden, sodass diese entsprechenden Maschinen beziehungsweise Maschinetypen erkennen kann.
In dem vorliegenden Fall wird das Modell, das auf Grundlage der Zeitserien der Maschine beziehungsweise einer ersten Ma schine trainiert ist, mit den Zeitserien der weiteren Maschi ne beziehungsweise einer zweiten Maschine erweitert. Bei der Maschine kann es sich beispielsweise um eine erste Maschine eines Herstellers handeln und bei der weiteren Maschine kann es sich um eine zweite Maschine beziehungsweise um eine ähn liche Maschine des gleichen Herstellers handeln. Das trai nierte Modell kann schon stabil sein. Dieses trainierte Mo dell kann durch die Messwerte der weiteren Maschine erweitert werden. Wenn nun dem bereits trainierten Modell die zeitliche Folge der Messwerte der weiteren Maschine zugeführt werden, kann das Transfer-Lernen durchgeführt werden. In diesem Fall kann das Modell beispielsweise an die sich ändernden Messwer te beziehungsweise Parameter angepasst werden. Falls bei spielsweise für das Modell ein neuronales Netz mit mehreren verborgenen Schichten verwendet wird, können die jeweiligen Gewichte an die geänderten Parameter angepasst werden. Somit kann ein bereits erstelltes Modell für die Maschine durch das Transfer-Lernen auch für die weitere Maschine verwendet wer den. Dies bietet auch die Möglichkeit ein Referenzmodell für eine Maschine bereitzustellen, welches dann durch Transfer- Lernen auf die spezifische Maschine angepasst werden kann.
Mit Hilfe des Verfahrens soll ein Modell bereitgestellt wer den, welches die Maschine beschreibt. Bei dem Verfahren han delt es sich insbesondere um ein computerimplementiertes Ver fahren. Bei der Maschine kann es sich grundsätzlich um eine elektrische Maschine handeln. Insbesondere handelt es sich bei der Maschine um eine Werkzeugmaschine, beispielsweise ei ne CNC-Maschine . Bei der Maschine kann es sich also um eine CNC-Fräsmaschine, eine CNC-Drehmaschine oder dergleichen han deln. Der Betrieb der Maschine wird mittels der Reglervor richtung geregelt. Diese Reglervorrichtung kann zumindest ei nen Regler umfassen. Bevorzugt umfasst die Reglervorrichtung aber eine Mehrzahl von Reglern beziehungsweise Regelkreisen. Mittels der Reglervorrichtung kann eine Betriebsgröße der Ma schine geregelt werden. Hierzu kann beispielsweise mittels der Reglervorrichtung ein Ist-Wert für die Betriebsgröße er fasst werden und mit einem Soll-Wert für die Betriebsgröße verglichen werden. Mittels der Reglervorrichtung kann die Be triebsgröße auf den Soll-Wert geregelt werden. Bei der Be triebsgröße der Maschine kann es sich beispielsweise um eine Drehzahl, eine Drehrichtung, ein Drehmoment, einen Vorschub, eine elektrische Spannung, einen elektrischen Strom oder der gleichen handeln.
Mit einer entsprechenden Erfassungseinrichtung beziehungswei se mit einem Sensor kann nun die zeitliche Serie beziehungs weise Abfolge von Messwerten bereitgestellt werden. Dabei be schreiben die Messwerte zumindest eine Betriebsgröße der Ma schinen. Die Messwerte können auch mehrere Betriebsgrößen der Maschine beschreiben. Es kann auch vorgesehen sein, dass meh rere beziehungsweise unterschiedliche Messwerte erfasst wer den. Um die zeitliche Serie der Messwerte bereitzustellen, kann ein Sensorsignal von dem Sensor beziehungsweise der Er fassungseinrichtung entsprechend abgetastet werden. Diese ab getasteten Messwerte können dann entsprechend weiter verar beitet werden.
Die zeitliche Serie von Messwerten kann einem Trainingssystem zugeführt werden. Dieses Trainingssystem kann dazu verwendet werden, das Modell für die Maschine oder auch für mehrere Ma schinen zu bestimmen. Das Trainingssystem kann eine entspre chende Recheneinrichtung aufweisen, mittels welcher das Mo dell erstellt werden kann. Zu diesem Zweck kann auf der Re cheneinrichtung ein entsprechendes Computerprogramm ausge führt werden. Zum Bestimmen des Modells wird zunächst das un trainierte Modell bereitgestellt. Bei dem untrainierten Mo dell handelt es sich um ein künstliches neuronales Netz. Zum Bestimmen des Modells beziehungsweise zum Bereitstellen des trainierten Modells kann dieses Modell entsprechend trainiert werden. Hierbei wird als Trainingsdaten die zeitliche Serie der Messwerte verwendet. Nach dem Trainieren kann das trai nierte Modell, welches den geregelten Betrieb der elektri schen Maschine beschreibt, ausgegeben werden.
Wie zuvor erläutert, handelt es sich bei dem Modell um ein künstliches neuronales Netz. Dieses künstliche neuronale Netz kann auch als künstliches neuronales Netzwerk oder als neuro nales Netzwerk bezeichnet werden. Ein künstliches neuronales Netz ist durch künstliche Neuronen beziehungsweise Knoten ge bildet, die miteinander verbunden sind. Dabei können die Ver bindungen direkte Verbindungen zwischen zwei Knoten bereit stellen. Bei dem künstlichen neuronalen Netz können die je weiligen Knoten in jeweiligen Schichten beziehungsweise ver borgenen Schichten angeordnet sein. Beispielsweise können die Knoten in mehreren Schichten hintereinander angeordnet sein. Grundsätzlich weist das künstliche neuronale Netz eine Einga beschicht und eine Ausgabeschicht sowie die dazwischen lie genden verdeckten Schichten auf. Um das untrainierte Modell bereitzustellen, kann zunächst das künstliche neuronale Netz konstruiert werden. Dabei kann die Topologie des künstlichen neuronalen Netzes beziehungsweise die Zuordnung von Verbin dungen zu Knoten für den Anwendungsfall bereitgestellt wer den .
Nach der Konstruktion des künstlichen neuronalen Netzes kann die Trainingsphase erfolgen, in welcher das künstliche neuro nale Netz trainiert wird. Für das Trainieren des künstlichen neuronalen Netzes werden diesem die Trainingsdaten zugeführt. In dem vorliegenden Fall können dem künstlichen neuronalen Netzwerk beziehungsweise dem untrainierten Modell als Trai ningsdaten die zeitliche Abfolge von Messwerten und gegebe nenfalls Daten zur Regelungstheorie bereitgestellt werden.
Bei dem Trainieren des künstlichen neuronalen Netzwerks kön nen neue Verbindungen entwickelt werden und/oder existierende Verbindungen gelöscht werden. Es kann auch vorgesehen sein, dass entsprechende Gewichtungen beziehungsweise Gewichtungs faktoren der Knoten beziehungsweise Neuronen angepasst wer den. Außerdem können Knoten hinzugefügt und/oder entfernt werden. Das Training kann dabei als überwachtes beziehungs weise beaufsichtigtes Lernen durchgeführt werden. In diesem Fall wird dem neuronalen Netz die Ausgabe vorgegeben. Es kann aber auch vorgesehen sein, dass bei dem Training ein nicht überwachtes beziehungsweise unbeaufsichtigtes Lernen durchge führt wird. In diesem Fall wird die Ausgabe nicht vorgegeben. Ferner kann das bestärkende Lernen während der Trainingsphase verwendet werden.
Das trainierte Modell beschreibt den Betrieb der Maschine, der mittels der Reglervorrichtung geregelt wird. Mittels des trainierten Modells beziehungsweise des künstlichen neurona len Netzes können nun nach dem Training Regelparameter bezie hungsweise Regelgrößen, welche die Reglervorrichtung be schreiben, abgeleitet werden. Diese abgeleiteten Regelgrößen können beispielsweise eine Übertragungsfunktion der Regler vorrichtung beschreiben. Insbesondere können die Regelgrößen einen Typ der Reglervorrichtung beziehungsweise von einzelnen Reglern der Reglervorrichtung beschreiben. Hierbei ist insbe sondere vorgesehen, dass mittels des trainierten Modells be ziehungsweise des künstlichen neuronalen Netzes anhand des zeitlichen Verlaufs der Messwerte erkannt wird, wie die Be triebsgröße der Maschine geregelt wird. Es soll also erkannt werden, auf welche Weise die Betriebsgröße durch den Regler beeinflusst wird. Im einfachsten Fall kann somit beispiels weise erkannt werden, ob die Übertragungsfunktion der Regler vorrichtung ein proportionales Übertragungsverhalten, ein in- tegratives Übertragungsverhalten, ein differenzierendes Über tragungsverhalten und/oder ein zeitlich verzögerndes Übertra gungsverhalten aufweist. Somit kann mit Hilfe des trainierten Modells das Reglerverhalten der Reglervorrichtung abgeleitet werden. Somit können auf einfache und dennoch zuverlässige Weise zusätzliche Informationen über die Reglervorrichtung erhalten werden.
Bevorzugt wird das Bestimmen der abgeleiteten Regelgrößen auf Grundlage von Regelungstheoriedaten durchgeführt, wobei die Regelungstheoriedaten Funktionsweisen von Reglervorrichtungen beschreiben. Die Regelungstheoriedaten können bekannten Ver fahren der Regelungstechnik beschreiben. Insbesondere können die Regelungstheoriedaten unterschiedliche Übertragungsfunk tionen von Reglern beschreiben. Diese Übertragungsfunktion kann das Verhältnis der Eingangsgröße zu der Ausgangsgröße beschreiben. Die zeitliche Serie von Messwerten kann die Aus gangsgröße beschreiben. Es kann auch vorgesehen sein, dass die Ausgangsgröße aus den Messwerten abgeleitet werden kann. Die Regelungstheoriedaten können die unterschiedlichen be kannten Übertragungsfunktionen, die in Reglern beziehungswei se Reglervorrichtungen üblicherweise verwendet werden, be schreiben. Wie bereits erläutert, kann die Übertragungsfunk tion proportionales Verhalten, ein integratives Verhalten, ein differenzierendes Verhalten, ein zeitverzögerndes Verhal ten, eine Regelung mit Totzeit oder entsprechende Kombinatio nen davon beschreiben. Diese Regelungstheoriedaten können dem untrainierten Modell beziehungsweise dem künstlichen neurona len Netzwerk als Trainingsdaten zugeführt werden. Im Training können dann die zeitlichen Verläufe der Messwerte den ent sprechenden Übertragungsfunktionen zugeordnet werden. Somit können auf einfache und zuverlässige Weise die Regelungstheo- riedaten ermittelt werden.
In einer weiteren Ausführungsform weist das künstliche neuro nale Netz, welches trainiert wird, eine Mehrzahl von verbor genen Schichten auf. Mit anderen Worten handelt es sich bei dem neuronalen Netz um ein so genanntes Deep Neuronal Net work. Ein solches mehrschichtiges künstliches neuronales Netz umfasst in der Ausgabeschicht auch mehrere verdeckte Schich ten, deren Ausgabe außerhalb des Netzes nicht sichtbar ist. Mit einem derartigen künstlichen neuronalen Netzwerk kann ein tiefgehendes Lernen beziehungsweise Deep Learning ermöglicht werden. Somit kann das Modell beziehungsweise das künstliche neuronale Netz auf zuverlässige Weise trainiert werden, so- dass es den Betrieb der geregelten Maschine beschreibt.
Weiterhin ist es vorteilhaft, wenn die Messwerte unterschied liche Betriebszustände der Maschine beschreiben. Die unter- schiedlichen Betriebszustände können beispielsweise eine Ver änderung der Drehzahl der elektrischen Maschine beschreiben. In diesem Fall können unterschiedliche Betriebszustände bei spielsweise das Anfahren der Maschine, ein Verändern der Drehzahl, eine Veränderung des Schubs, die Verwendung von un terschiedlichen Werkzeugen oder dergleichen beschreiben.
Durch die Erfassung dieser unterschiedlichen Betriebszustände kann der Einfluss der Regelung beziehungsweise der Reglervor richtung genauer untersucht werden. Mit anderen Worten können unterschiedliche Betriebszustände erfasst werden und das Re gelverhalten hierauf ermittelt werden. Dies ermöglicht ein zuverlässiges Training des Modells.
Es kann auch vorgesehen sein, dass bei der Bestimmung des Mo dells entsprechende Soll-Werte der Reglervorrichtung berück sichtigt werden. Diese Soll-Werte können beispielsweise durch eine entsprechende Bedienung der Maschine vorgegeben werden. Es kann auch vorgesehen sein, dass diese Soll-Werte entspre chend erfasst werden. Die jeweiligen Soll-Werte können beim Trainieren des Modells beziehungsweise des künstlichen neuro nalen Netzwerks berücksichtigt werden beziehungsweise als Trainingsdaten verwendet werden. Somit kann hergeleitet wer den, wie die Betriebsgröße der Maschine mittels der Regler vorrichtung auf den Soll-Wert geregelt wird. Hieraus können dann die Regelgrößen abgeleitet werden.
Bei der vorliegenden Erfindung ist insbesondere vorgesehen, dass weitere abgeleitete Regelgrößen, welche die weitere Reg lervorrichtung beschreiben, anhand des erweiterten trainier ten Modells bestimmt werden. Das erweiterte trainierte Mo dell, dass durch Transfer-Lernen auf Grundlage des trainier ten Modells erstellt wurde, kann nun dazu verwendet werden, die Regelgrößen der weiteren Reglervorrichtung, mittels wel cher die weitere Maschine geregelt wird, abzuleiten. Insbe sondere wenn das trainierte Modell bereits vorhanden ist, kann mit geringem Aufwand durch das Transfer-Lernen das er weiterte trainierte Modell bereitgestellt werden. Hieraus können dann die Eigenschaften der weiteren Reglervorrichtung abgeleitet werden.
Ein erfindungsgemäßes Trainingssystem umfasst eine erste Schnittstelle zum Empfangen einer zeitlichen Serie von Mess werten einer Maschine. Darüber hinaus umfasst das Trainings system eine Recheneinrichtung zum Bestimmen eines trainierten Modells anhand der empfangenen Messwerte. Schließlich umfasst das Trainingssystem eine zweite Schnittstelle zum Ausgeben des trainierten Modells. Das Trainingssystem kann beispiels weise durch einen entsprechenden Computer bereitgestellt wer den. Dieses Trainingssystem kann über die erste Schnittstelle der Maschine beziehungsweise einem Sensor der Maschine, mit tels welchem die Messwerte bereitgestellt werden, zur Daten übertragung verbunden werden. Auf einer Recheneinrichtung des Trainingssystems kann dann ein entsprechendes Computerpro gramm ausgeführt werden, um das Modell auf Grundlage der Messwerte zu trainieren. Mit Hilfe des Trainingssystems kann das erfindungsgemäße Verfahren zum Bereitstellen des Modells durchgeführt werden.
Ein erfindungsgemäßes Computerprogramm umfasst Befehle, die bei der Ausführung des Programms durch ein Trainingssystem beziehungsweise eine Recheneinrichtung des Trainingssystems dieses beziehungsweise diese veranlassen, das erfindungsgemä ße Verfahren sowie die vorteilhaften Ausgestaltungen davon auszuführen .
Ein erfindungsgemäßes computerlesbares (Speicher) medium um fasst Befehle, die bei der Ausführung durch ein Trainingssys tem dieses veranlassen, das erfindungsgemäße Verfahren sowie die vorteilhaften Ausgestaltungen davon auszuführen.
Ein weiterer Aspekt der Erfindung betrifft ein Verfahren zum Simulieren eines Betriebs einer Maschine, insbesondere einer Werkzeugmaschine, wobei ein Betrieb der Maschine mittels ei ner Reglervorrichtung geregelt wird. Hierbei wird der Betrieb der Maschine mit einem Modell, welches mittels eines erfin- dungsgemäßen Verfahrens zum Bereitstellen eines Modells und/oder der vorteilhaften Ausgestaltungen davon bestimmt wird, modelliert.
Beispielsweise kann das Modell für eine bestimmte Maschine bereitgestellt werden. Um den Betrieb dieser geregelten Ma schine nachzubilden, kann das Modell verwendet werden. So kann das Modell beispielsweise auf einem entsprechenden Simu lationssystem beziehungsweise einem Rechner oder Computer ausgeführt werden. Auf diese Weise kann der geregelte Betrieb der Maschine simuliert beziehungsweise modelliert werden. So mit kann der Betrieb der Maschine und insbesondere ein Her stellungsverfahren, das mit der Maschine durchgeführt wird, beispielsweise zuvor getestet werden. Damit ist es beispiels weise nicht erforderlich, dass entsprechende Versuche mit der realen Maschine durchgeführt werden. So kann eine Beschädi gung von Werkstücken und/oder der Maschine verhindert werden. Ferner kann das Modell für eine Fehleranalyse bei der realen Maschine verwendet werden.
Hierbei ist insbesondere vorgesehen, dass mittels des trai nierten Modells ein Betrieb der Reglervorrichtung emuliert wird. Mit dem Modell beziehungsweise mit dem künstlichen neu ronalen Netzwerk kann also die Funktion der Reglervorrichtung nachgebildet werden. Auf diese Weise kann überprüft werden, wie die Reglervorrichtung auf bestimmte Eingangsgrößen rea giert. Dadurch können im realen Betrieb der Maschine entspre chende Einstellungen abgeleitet beziehungsweise optimiert werden .
Ein erfindungsgemäßes Simulationssystem dient zum Simulieren eines Betriebs einer Maschine, insbesondere einer Werkzeugma schine, wobei ein Betrieb der Maschine mittels einer Regler vorrichtung geregelt wird. Dabei ist das Simulationssystem zum Durchführen eines erfindungsgemäßen Verfahrens zum Simu lieren eines Betriebs einer Maschine ausgebildet. Darüber hinaus betrifft die Erfindung ein Computerprogramm, umfassend Befehle, die bei der Ausführung des Programms durch ein Simulationssystem dieses veranlassen, das erfindungsgemä ße Verfahren zum Simulieren eines Betriebs einer Maschine auszuführen .
Ein weiterer Aspekt der Erfindung betrifft ein computerlesba res (Speicher) medium, umfassend Befehle, die bei der Ausfüh rung durch ein Simulationssystem dieses veranlassen, ein er findungsgemäßes Verfahren zum Simulieren eines Betriebs einer Maschine auszuführen.
Mit Bezug auf das erfindungsgemäße Verfahren zum Bereitstel len eines Modells für eine Maschine vorgestellten bevorzugten Ausführungsformen und deren Vorteile gelten entsprechend für das erfindungsgemäße Trainingssystem, für das erfindungsgemä ße Computerprogrammprodukt sowie für das erfindungsgemäße computerlesbare (Speicher) medium. Ferner gelten die mit Bezug auf das erfindungsgemäße Verfahren zum Simulieren eines Be triebs einer elektrischen Maschine vorgestellten bevorzugten Ausführungsformen und deren Vorteile entsprechend für das er findungsgemäße Simulationssystem, das erfindungsgemäße Compu terprogrammprodukt sowie für das erfindungsgemäße computer lesbare (Speicher) medium.
Weitere Merkmale der Erfindung ergeben sich aus den Ansprü chen, den Figuren und der Figurenbeschreibung. Die vorstehend in der Beschreibung genannten Merkmale und Merkmalskombinati onen sowie die nachfolgend in der Figurenbeschreibung genann ten und/oder in den Figuren alleine gezeigten Merkmale und Merkmalskombinationen sind nicht nur in der jeweils angegebe nen Kombination, sondern auch in anderen Kombinationen ver wendbar, ohne den Rahmen der Erfindung zu verlassen.
Die Erfindung wird nun anhand von bevorzugten Ausführungsbei spielen sowie unter Bezugnahme auf die beigefügten Zeichnun gen näher erläutert. Dabei zeigen: FIG 1 ein schematisches Ablaufdiagramm eines Verfahrens zum Bereitstellen eines Modells für eine Maschine, wobei ein Betrieb der Maschine mittels einer Reg lervorrichtung geregelt wird; und
FIG 2 ein schematisches Ablaufdiagramm eines Verfahrens zum Bestimmen eines Modells für eine Maschine gemäß einer weiteren Ausführungsform.
In den Figuren werden gleiche oder funktionsgleiche Elemente mit den gleichen Bezugszeichen versehen.
FIG 1 zeigt ein schematisches Ablaufdiagramm eines Verfahrens zum Bereitstellen eines Modells MA für eine Maschine A. bei der Maschine A kann es sich um eine Werkzeugmaschine handeln. Insbesondere handelt es sich bei der Maschine A um eine CNC- Maschine. Dabei wird der Betrieb der Maschine A mittels einer Reglervorrichtung 2 geregelt. Diese Reglervorrichtung 2 kann mehrere Regler beziehungsweise Regelkreise aufweisen.
Das Modell MA für die Maschine A kann mittels eines Trai ningssystems 1 bestimmt werden. Dieses Trainingssystem 1 kann durch einen entsprechenden Computer gebildet sein. Vorliegend weist das Trainingssystem 1 eine entsprechende Recheneinrich tung 6 auf. Dem Trainingssystem 1 wird über eine Schnittstel le 3 ein untrainiertes Modell zugeführt. Bei dem untrainier ten Modell handelt es sich um ein künstliches neuronales Netz, insbesondere ein so genanntes Deep Neuronal Network. Über eine Schnittstelle 4 werden dem Trainingssystem 1 eine zeitliche Serie von Messwerten XA zugeführt. Diese Werte XA beschreiben Betriebsgrößen der Maschine A. Beispielsweise können die Messwerte XA eine Drehzahl, eine Drehrichtung, ein Drehmoment, eine elektrische Spannung, einen elektrischen Strom oder dergleichen beschreiben. Die Regelung der Maschine A mittels der Reglervorrichtung 2 wird auf Grundlage von Re gelgrößen QA durchgeführt. Diese Regelgrößen QA sind aber nicht bekannt. Zum Training des untrainierten Modells Mö können diesem zudem Regelungstheoriedaten zugeführt werden. Diese Regelungstheo- riedaten beschreiben insbesondere Eigenschaften von bekannten Reglervorrichtungen 2. Beispielsweise können die Regelungs theoriedaten unterschiedliche Übertragungsfunktionen, die von Reglervorrichtungen 2 verwendet werden, beschreiben. Während des Trainings des Modells können anhand des zeitlichen Ver laufs der Messwerte XA beziehungsweise der Betriebsgrößen und den bekannten Regelungstheoriedaten die Eigenschaften der Reglervorrichtung 2 beziehungsweise der Regelalgorithmus der Reglervorrichtung 2 angenähert beziehungsweise ermittelt wer den .
Über eine Schnittstelle 5 kann dann von dem Trainingssystem 1 das trainierte Modell MA ausgegeben werden. Auf Grundlage des trainierten Modells MA können dann abgeleitete Regelgrößen Q'A bereitgestellt werden. Die abgeleiteten Regelgrößen Q'A be schreiben die Eigenschaften der Reglervorrichtung 2, die wäh rend des Trainings ermittelt wurden. Das trainierte Modell MA beschreibt somit den Betrieb der Maschine A, die mittels der Reglervorrichtung 2 geregelt wird.
FIG 2 zeigt ein schematisches Ablaufdiagramm zum Bestimmen eines Modells MAB gemäß einer weiteren Ausführungsform. Wie zuvor in Zusammenhang mit FIG 1 erläutert, wird auch hier zu nächst das untrainierte Modell Mö auf Grundlage der Messwerte XA der Maschine A trainiert. Nach diesem Training kann das trainierte Modell MA bereitgestellt werden. In diesem Fall wird zusätzlich ein so genanntes Transfer-Lernen durchge führt. Hierbei wird in einem nachfolgenden Schritt dem Trai ningssystem 1 das trainierte Modell MA zugeführt.
Darüber hinaus werden Messwerte XB von einer weiteren Maschi ne B ermittelt und dem Trainingssystem 1 zugeführt. Dabei wird der Betrieb der weiteren Maschine B mittels einer weite ren Reglervorrichtung 2' geregelt. Die Maschinen A und B kön nen beispielsweise von dem gleichen Hersteller stammen und unterschiedliche beziehungsweise ähnliche Typen von Maschinen sein. Auf Grundlage der Messwerte XB der weiteren Maschine B kann dann das trainierte Modell MA erweitert werden und das erweiterte trainierte Modell MAB mittels des Trainingssystems 1 ausgegeben werden. Dieses erweiterte trainierte Modell MAB kann wiederum dazu verwendet werden, abgeleitete Regelgrößen 0’A', Qb, welche auf Grundlage der Reglervorrichtungen 2, 2' der Maschinen A, B ermittelt wurde, bestimmt werden.
Das trainierte Modell MA beziehungsweise das erweiterte trai- nierte Modell MAB kann dazu verwendet werden, den Betrieb der Maschine A, B zu simulieren. Hierzu kann das Modell MA, MAB auf einem entsprechenden Simulationssystem 7 beziehungsweise Computer zum Ablauf gebracht werden. Dies ist schematisch in FIG 1 dargestellt. Somit kann der Betrieb der Maschine A, B, der durch die Reglervorrichtung 2, 2' geregelt wird, simu liert beziehungsweise nachgebildet werden. Somit können In formationen über die üblicherweise nicht bekannte Funktions weise der komplexen Reglervorrichtung 2, 2' gewonnen werden. Dies ermöglicht es insgesamt, den Betrieb der Maschine A, B zu optimieren und Fehler zu vermeiden.

Claims

Patentansprüche
1. Verfahren zum Bereitstellen eines Modells (MA, MA,B) für zumindest eine Maschine (A, B) , insbesondere eine Werkzeugma schine, wobei ein Betrieb der Maschine (A) mittels einer Reg lervorrichtung (2) geregelt wird, mit den Schritten:
- Empfangen einer zeitlichen Serie von Messwerten (XA) , wo bei die Messwerte (XA) eine Betriebsgröße der Maschine (A) beschreiben,
- Bereitstellen eines untrainierten Modells (Mö) in Form ei nes künstlichen neuronalen Netzes,
- Trainieren des untrainierten Modells (Mö) anhand der emp fangenen Messwerte (XA) und
- Bestimmen von abgeleiteten Regelgrößen (QA) , welche die Reglervorrichtung (2) beschreiben, mittels des trainierten Modells (Ma) ,
dadurch gekennzeichnet, dass
eine zeitliche Serie von Messwerten (XB) einer weiteren Ma schine (B) , deren Betrieb mit einer weiteren Reglervorrich tung (2') geregelt wird, empfangen werden, wobei die Maschine (A) und die weitere Maschine (B) unterschiedliche Typen von Maschinen (A, B) sind, und das trainierte Modell (MA) anhand der Messwerte (XB) der weiteren Maschine (B) mittels Trans fer-Lernen weiter trainiert wird.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das Bestimmen der abgeleiteten Regelgrößen (QA) auf Grundla ge von Regelungstheoriedaten durchgeführt wird, wobei die Re gelungstheoriedaten Funktionsweisen von Reglervorrichtungen (2) beschreiben.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass das künstliche neuronale Netz, welches trainiert wird, eine Mehrzahl von verborgenen Schichten aufweist.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Messwerte (XA) unterschiedliche Be triebszustände der Maschine (A) beschreiben.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass weitere abgeleitete Regelgrößen (QA,B) , welche die weitere Reglervorrichtung (2') beschreiben, anhand des erweiterten trainierten Modells (MA,B) bestimmt werden.
6. Trainingssystem (1) umfassend:
eine erste Schnittstelle (4) zum Empfangen einer zeitli chen Serie von Messwerte (XA) einer Maschine (A) und einer zeitlichen Serie von weiteren Messwerten (XB) einer weite ren Maschine (B) , wobei die Maschine (A) und die weitere Maschine (B) unterschiedlichen Typen von Maschinen (A, B) sind,
eine Recheneinrichtung (6) zum Bestimmen eines trainierten Modells (Ma) anhand der empfangenen Messwerte (XA) und zum weiter Trainieren des trainierten Modells (MA) zu einem weiter trainierten Modell (MA,B) auf Grundlage der weiteren Messwerte (XB) , und
eine zweite Schnittstelle (XA) zum Ausgeben des trainier ten Modells (Ma) und des weiter trainierten Modells (MA,B) .
7. Computerprogramm, umfassend Befehle, die bei der Ausfüh rung des Programms durch ein Trainingssystem (1) dieses ver anlassen, das Verfahren nach einem der Ansprüche 1 bis 5 aus zuführen .
8. Computerlesbares (Speicher) medium, umfassend Befehle, die bei der Ausführung durch ein Trainingssystem (1) dieses ver anlassen, das Verfahren nach einem der Ansprüche 1 bis 5 aus zuführen .
9. Verfahren zum Simulieren eines Betriebs einer Maschine (A, B) , insbesondere einer Werkzeugmaschine, wobei ein Betrieb der Maschine (A, B) mittels einer Reglervorrichtung (2, 2') geregelt wird, dadurch gekennzeichnet, dass der Betrieb der Maschine (A, B) mit einem trainierten Modell (MA, MA,B) , wel ches mittels eines Verfahrens nach einem der Ansprüche 1 bis 5 bestimmt wird, modelliert wird.
10. Verfahren nach Anspruch 9, dadurch gekennzeichnet, dass mittels des trainierten Modells (MÄ, MA,B) ein Betrieb der Reglervorrichtung (2, 2') emuliert wird.
11. Simulationssystem (7) zum Simulieren eines Betriebs einer
Maschine (A, B) , insbesondere einer Werkzeugmaschine, wobei ein Betrieb der Maschine (A, B) mittels einer Reglervorrich tung (2, 2') geregelt wird, wobei das Simulationssystem (7) zum Durchführen eines Verfahrens nach einem der Ansprüche 9 oder 10 ausgebildet ist.
12. Computerprogramm, umfassend Befehle, die bei der Ausfüh rung des Programms durch ein Simulationssystem (7) dieses veranlassen, das Verfahren nach einem der Ansprüche 9 oder 10 auszuführen.
EP20706947.7A 2019-02-19 2020-02-07 Verfahren zum bereitstellen eines modells für zumindest eine maschine, trainingssystem, verfahren zum simulieren eines betriebs einer maschine sowie simulationssystem Pending EP3881142A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP19157949.9A EP3699699A1 (de) 2019-02-19 2019-02-19 Verfahren zum bereitstellen eines modells für zumindest eine maschine, trainingssystem, verfahren zum simulieren eines betriebs einer maschine sowie simulationssystem
PCT/EP2020/053099 WO2020169363A1 (de) 2019-02-19 2020-02-07 Verfahren zum bereitstellen eines modells für zumindest eine maschine, trainingssystem, verfahren zum simulieren eines betriebs einer maschine sowie simulationssystem

Publications (1)

Publication Number Publication Date
EP3881142A1 true EP3881142A1 (de) 2021-09-22

Family

ID=65529270

Family Applications (2)

Application Number Title Priority Date Filing Date
EP19157949.9A Withdrawn EP3699699A1 (de) 2019-02-19 2019-02-19 Verfahren zum bereitstellen eines modells für zumindest eine maschine, trainingssystem, verfahren zum simulieren eines betriebs einer maschine sowie simulationssystem
EP20706947.7A Pending EP3881142A1 (de) 2019-02-19 2020-02-07 Verfahren zum bereitstellen eines modells für zumindest eine maschine, trainingssystem, verfahren zum simulieren eines betriebs einer maschine sowie simulationssystem

Family Applications Before (1)

Application Number Title Priority Date Filing Date
EP19157949.9A Withdrawn EP3699699A1 (de) 2019-02-19 2019-02-19 Verfahren zum bereitstellen eines modells für zumindest eine maschine, trainingssystem, verfahren zum simulieren eines betriebs einer maschine sowie simulationssystem

Country Status (4)

Country Link
US (1) US20220138567A1 (de)
EP (2) EP3699699A1 (de)
CN (1) CN113454544A (de)
WO (1) WO2020169363A1 (de)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0496570B1 (de) * 1991-01-22 1998-06-03 Honeywell Inc. Zweistufige Systemidentifikationsvorrichtung mit Optimierung
EP1163062B1 (de) * 1999-03-23 2002-11-13 Siemens Aktiengesellschaft Verfahren und einrichtung zur bestimmung der walzkraft in einem walzgerüst
DE60102242T2 (de) * 2000-06-29 2005-01-27 Aspen Technology, Inc., Cambridge Rechnerverfahren und gerät zur beschränkung einer nicht-linearen gleichungsnäherung eines empirischen prozesses
WO2007060134A1 (de) * 2005-11-22 2007-05-31 Continental Teves Ag & Co. Ohg Verfahren und vorrichtung zum ermitteln eines modellparameters eines referenzfahrzeugmodells
CN108280462A (zh) * 2017-12-11 2018-07-13 北京三快在线科技有限公司 一种模型训练方法及装置，电子设备

Also Published As

Publication number Publication date
CN113454544A (zh) 2021-09-28
WO2020169363A1 (de) 2020-08-27
EP3699699A1 (de) 2020-08-26
US20220138567A1 (en) 2022-05-05

Similar Documents

Publication Publication Date Title
DE102017011754B4 (de) Maschinenlerneinrichtung zum Lernen eines Montagevorgangs und Komponentenmontagesystem
DE102017108169B4 (de) Produktionssystem, das einen Bestimmungswert einer Variablen in Bezug auf eine Produktabweichung festlegt
DE102007017039B4 (de) Robuste Prozessmodellidentifikation bei modellbasierten Steuerungstechniken
WO2021058223A1 (de) Verfahren zur effizienten, simulativen applikation automatisierter fahrfunktionen
DE102020102863A1 (de) Parametrierung einer Komponente in der Automatisierungsanlage
DE102018001028B4 (de) Numerische Steuerung
DE102019104922A1 (de) Kollisionspositionsschätzvorrichtung und maschinenlernvorrichtung
DE102019001177B4 (de) Steuergerät, maschinelle Lernvorrichtung und System
WO2020187591A1 (de) Verfahren und vorrichtung zum ansteuern eines roboters
WO2013026636A1 (de) Verfahren zum erstellen eines modells
DE102019134053A1 (de) Verfahren zur kontinuierlichen Absicherung im Fahrversuch applizierter automatisierter Fahrfunktionen
DE112021005541T5 (de) Simulationsprogramm, Simulationsvorrichtung und Simulationsverfahren
DE102018003244A1 (de) Numerische Steuerung
EP3881142A1 (de) Verfahren zum bereitstellen eines modells für zumindest eine maschine, trainingssystem, verfahren zum simulieren eines betriebs einer maschine sowie simulationssystem
EP3999925B1 (de) Verfahren und vorrichtungen zum bestimmen einer produktgüte
EP3979009A1 (de) Erzeugen eines vereinfachten modells für xil-systeme
WO2021089499A1 (de) Verfahren und system zum prüfen einer automatisierten fahrfunktion durch reinforcement-learning
DE102019131456A1 (de) Verfahren zum Bestimmen einer Eigenschaft einer Maschine, insbesondere einer Werkzeugmaschine, ohne messtechnisches Erfassen der Eigenschaft
DE102018217139B4 (de) Verfahren und Vorrichtung zum Konfigurieren einer Kennfunktion eines Steuergeräts eines Kraftfahrzeugs
DE102023106248A1 (de) Spurstangenkraftschätzung bei Steer-by-Wire-Systemen mittels intelligentem Modellübergang
WO2011082909A1 (de) Einrichtung zum ermitteln von steuergeräteparametern
WO2024002705A1 (de) Verfahren zur ermittlung einer reglerkonfiguration für ein antriebssystem, computerprogramm, computerlesbares medium, vorrichtung und antriebssystem.
EP3491517B1 (de) Signalflussbasiertes computerprogramm mit direct-feedthrough-schleifen
DE102023205425A1 (de) Computer-implementiertes Verfahren zum Erstellen eines Feedforward Neural Network
WO2023011818A1 (de) Verfahren und anordnung zur analyse eines feldgeräts

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20210615

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20231002