EP3921780A1 - Verfahren und vorrichtung zum generieren eines computerlesbaren modells für ein technisches system - Google Patents

Verfahren und vorrichtung zum generieren eines computerlesbaren modells für ein technisches system

Info

Publication number
EP3921780A1
EP3921780A1 EP20718179.3A EP20718179A EP3921780A1 EP 3921780 A1 EP3921780 A1 EP 3921780A1 EP 20718179 A EP20718179 A EP 20718179A EP 3921780 A1 EP3921780 A1 EP 3921780A1
Authority
EP
European Patent Office
Prior art keywords
model
computer
technical system
text
neural network
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
EP20718179.3A
Other languages
English (en)
French (fr)
Inventor
Andrés Botero Halblaub
Jan Fischer
Andreas Garhammer
Yayun Zhou
Siyuan LIU
Jan Christoph Wehrstedt
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 EP3921780A1 publication Critical patent/EP3921780A1/de
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]

Definitions

  • the invention relates to a computer-implemented method and a device for generating a computer-readable model for a technical system by means of an artificial neural network, in particular by means of Generative Adversarial Neural Networks. Furthermore, the invention is directed to a computer program product for carrying out the steps of a method according to the invention.
  • Computer-aided simulations can be used as a digital planning instrument for technical systems, e.g. Plants or factories. For example, planning drafts can be validated using simulations.
  • computer simulations can be used during the operating phase of a system, for example to implement assistance systems during operation.
  • simulation tools or simulation tools are known with which simulation models can be created manually by a simulation expert from existing simulation component libraries.
  • the creation of a simulation model on the basis of an available factory plan and available factory data generally requires a high level of specialist knowledge on the part of the simulation expert, as the latter must first determine and / or create suitable simulation components for mapping the real factory components. Therefore, the creation of a simulation model can be time-consuming, error-prone and / or qualitatively different.
  • Generative Adversarial Networks comprise two artificial neural networks that are trained in such a way that one of the neural Networks candidates are created (the generator), the second neural network evaluates these candidates (the Discriminator).
  • Generative adversarial networks can be used, for example, to generate photorealistic images, videos or sequences.
  • the invention relates to a computer-implemented method for generating a computer-readable model for a technical system, comprising the method steps:
  • the text-based specification data specifying at least one system condition
  • a first neural network which is trained by means of a second neural network, based on text-based specification data for a technical system, model components based on their model components to select from a variety of model components and from the selected model components to select a computer-readable model for the to generate technical systems in such a way that model data of the computer-readable model meet at least one system condition specified in the text-based specification data,
  • “computer-aided” or “computer-implemented” can be understood to mean, for example, an implementation of the method, in which a processor in particular carries out at least one method step of the method.
  • “computer-readable” can be understood to mean, for example, a data record which is designed in such a way that it can be read and / or interpreted by a computer are readable and processable.
  • a computer-readable model can be, for example, a formal model or a computer-aided simulation model.
  • the invention enables the creation of a computer-readable model for a technical system, which is set up in such a way as to form and / or simulate the real technical system with the aid of a computer.
  • a computer-aided simulation or computer simulation is used, for example, to map and analyze physical processes of the technical system.
  • a technical system can, for example, be a plant or a factory plant or a machine, such as a generator or a motor, or a machine tool, etc.
  • a technical system comprises a large number of components.
  • Components of the real technical system can be hardware and / or software components.
  • Model components are corresponding to images of the real components. Model components can in particular be referred to as simulation components, which are preferably designed in such a way that physical and / or functional processes and / or properties of the real component can be mapped with the aid of a computer.
  • a model for the technical system can thus be generated on the basis of a read-in text-based specification of the technical system.
  • a model with a topology that corresponds to the topology of the corresponding real technical system is consequently generated from the model components.
  • the method enables a reduction in the manual effort involved in creating a computer-readable model for a technical system, since the model generation and model parameterization can be carried out automatically. This enables, in particular, a constant quality of the models.
  • This data-based approach is also more robust and flexible than, for example, a rule-based approach in which models are generated based on specified rules.
  • the model components are selected based on specific model component identifiers and converted into the computer-readable model put together.
  • the generated computer-readable model can be used, for example, to simulate and / or control and / or analyze the technical system.
  • the method according to the invention can be used to plan a technical system, ie first to create a computer-readable model before the real technical system is constructed.
  • Text-based specification data can, for example, be in the form of a textual requirement that a technical system should meet, e.g. a production goal of a plant. Text-based specification data can, for example, only include boundary conditions and / or basic requirements for the technical system. These can later be compared with the model data of the generated model.
  • the text-based specification data for the technical system can be used to extract parameter values for parameters of the technical system and / or of components of the technical system and the generated computer-readable model depending on the extracted parameter values and using the first neural network are parameterized.
  • the text-based specification data can include, for example, parameter values which can be taken into account when generating the computer-readable model.
  • information can be obtained from the text-based specification data, for example by means of a method for processing text data and / or natural language, from which information can be derived from which parameter values can be derived.
  • the first neural network can be trained by means of a second neural network and on the basis of training data, - where the training data can include at least text-based specification data of a technical system and / or model data from at least one computer-readable model of a technical system,
  • the training of the first neural network by means of the second neural network comprises that by means of the first neural network on the basis of text-based specification data for a technical system, model components are selected from a large number of model components based on their model component identifiers, a computer-readable component from the selected model components Model is generated for the technical system and by means of the second neural network on the basis of the training data it is checked whether the model data of the computer-aided model generated by the first neural network meet the system condition specified in the text-based specification data.
  • the first neural network can also be referred to as a generator network.
  • the second neural network can also be referred to as a discriminator network. Together they describe a Generative Adversarial Network.
  • both neural networks are trained together.
  • Training data include, for example, data on a large number of technical systems, with both model data from computer-readable models and assigned text-based specification data being given for each technical system.
  • the generator network is trained using the discriminator network.
  • the model is generated from a large number of model components and based on their model component identifiers.
  • model components are selected whose model component identifiers can be assigned to the text-based specification data.
  • the generated computer-readable model is checked by the second neural network on the basis of further (training) model data that are assigned to the text-based specification data, whether the generated model meets the system condition specified in the text-based specification data.
  • the trained generator network is finally provided, such as stored, for generating a computer-readable model for a technical system.
  • a computer-aided model provided for the technical system can be validated by means of the second neural network.
  • the discriminator network can in particular be used to validate a provided computer-readable model.
  • the model data of the computer-readable model are checked by the trained second neural network and a test result is output. It can thus be checked in particular whether the topology of the computer-readable model and / or an output of a simulation based on the computer-readable model is sensible in comparison to the specified system conditions.
  • specification data of the technical system can be recorded by means of a voice input unit, converted into text-based specification data by means of an evaluation unit and the text-based specification data provided.
  • specification data can be transmitted orally by a user, recorded by means of a voice input unit and converted into text-based specification data for further use.
  • the computer-readable model can be generated as a computer-aided simulation model for simulating the technical system.
  • the creation of a computer-aided simulation model from the computer-readable model can preferably be done by means of a simulation tool - also referred to as a simulation tool. net - be carried out in a simulation unit which comprises at least one processor.
  • the input of the simulation unit is preferably the output of the generative neural network.
  • the computer-aided simulation model can be created from the simulation components provided.
  • Simulation components are, for example, computer-aided images of the real components, which are preferably designed in such a way that physical and / or functional processes and / or properties of the real components can be simulated in a computer-aided manner.
  • a computer-aided simulation model is, in particular, an executable model with which, for example, a temporal course of a process of a technical system can be simulated with a computer.
  • the technical system and / or a process or a functionality of the technical system can be simulated with the aid of the computer-aided simulation model and / or the computer-aided simulation model can be output to control the technical system.
  • the simulation model can be made available and executed with the aid of a computer in a simulation environment.
  • the corresponding simulation data for controlling the real technical system can then be output.
  • the computer-aided simulation can be used, for example, to validate a process and / or a functionality and / or a specification of the technical system.
  • the invention relates to a device for generating a computer-readable model for a technical system, the device having at least one processor for performing the steps of a method according to the preceding claims.
  • a processor can in particular be a main processor (Central Processing Unit, CPU), a microprocessor or a microcontroller, for example an application-specific integrated circuit or a digital signal processor, possibly in combination with a memory unit for storing program instructions , etc. act.
  • a processor can, for example, also be an IC (integrated circuit) or a graphics processor GPU (graphics processing
  • the processor can have one or more computing cores (multi-core).
  • a processor can also be understood to be a virtualized processor or a soft CPU. It can also be a programmable processor, for example, which is equipped with configuration steps for executing the method according to the invention or is configured with configuration steps in such a way that the programmable processor implements the features of the method according to the invention or other aspects and partial aspects of the invention.
  • the device can, for example, be coupled to a simulation unit or a simulation tool, so that a computer-aided simulation model for simulating the technical system can be generated and / or executed.
  • the invention also relates to a computer program product which can be loaded directly into a programmable computer, comprising program code parts which are suitable for performing the steps of a computer-implemented method according to the invention.
  • a computer program product such as a computer program means, for example, can be provided or delivered as a storage medium or data carrier such as a memory card, USB stick, CD-ROM, DVD or also in the form of a downloadable file from a server in a network be produced.
  • a storage medium or data carrier such as a memory card, USB stick, CD-ROM, DVD or also in the form of a downloadable file from a server in a network be produced.
  • FIG. 3 shows a schematic representation of a further exemplary embodiment of a method according to the invention.
  • FIG. 4 shows a schematic representation of a device according to the invention in a block representation.
  • Figure 1 shows a flow chart of a method according to the invention for generating a computer-readable model for a technical system, such as a factory plant.
  • the method can be used to plan a system that does not yet exist on the computer.
  • a text-based specification for the system to be modeled is provided and recorded as text-based specification data.
  • text-based specification data can include, for example, requirements, boundary conditions, construction conditions, operating conditions, a production target, or the like for the factory.
  • the text-based specification data can for example be provided by a user, i.e. e.g. formulated and / or entered and can be read in for further steps. Alternatively, the text-based specification data can be extracted from a file and / or read in.
  • a computer-readable model is now to be created by means of the computer-implemented method which meets the system conditions for the factory specified in the text-based specification data. For example, a computer-readable model of a plant is to be generated which fulfills a specified production target for the plant.
  • the method according to the invention is to be used to plan a system from components and to generate a model from corresponding model components so that the modeled system fulfills the specified production target.
  • a computer-readable model can, for example, be a formalized engineering model which is available as computer-readable text data, e.g. saved in an XML file.
  • a computer-readable model can also be a computer simulation model which can be read and executed by a computer.
  • a computer readable model can be used as an abstract plant architecture, e.g. as a SysML or AutomationML file.
  • model component th are preferably each assigned to real components, such as software and / or hardware, of a real technical system, so that a real component can be mapped or modeled and / or simulated by means of a model component.
  • a model component can be assigned to a real component in advance, for example, by means of a trained machine learning method, the machine learning method being trained to assign a model component to real components of a technical system that has the functionality and / or physics of the real component from images.
  • a respective model component is identified by a model component identifier.
  • a model component identifier can be in the form of identifier data which, for example, can include a designation, identification, name, label, identification number, description, brief description or the like. Model component identifiers are preferably clearly assigned to a model component.
  • the respective model components and / or their function can be described and / or identified on the basis of identification data. For example, on the basis of the text-based specification data, suitable model components can be selected using their model component IDs.
  • a trained generative neural network is provided.
  • the trained generative neural network is provided, for example, as a data structure, such as stored on a memory unit and read from there.
  • the generative neural network is preferably first trained by means of a discriminator network, as shown for example in FIG.
  • the generative neural network is trained in such a way that it selects certain model components on the basis of read-in text-based specification data for a technical system from a model component database on the basis of respective model component identifiers.
  • a computer-readable model is generated from the selected model components.
  • the generated computer-readable model is created in such a way that the model data meet at least one system condition specified in the imported text-based specification data.
  • the model data of a generated model are compared with the specification data, for example.
  • a system simulation can also be carried out using the generated model in order to test whether the model fulfills the specified system conditions.
  • the production of a product can be simulated using the generated model in order to test whether a production target of a plant has been met.
  • step S4 the recorded text-based specification data are transmitted and read into the trained generative neural network.
  • the generative neural network On the basis of the imported text-based specification data, the generative neural network generates a computer-readable model from model components in a model component database.
  • step S5 the generated computer-readable model is output.
  • the generated computer-readable model is output as a data structure.
  • the computer-readable model can be used, for example, for planning, design, computer-aided simulation and / or for controlling the factory.
  • a factory can be planned and / or constructed and / or controlled using the computer-readable model that is output.
  • FIG. 2 shows an exemplary embodiment of a method according to the invention for training a generative adversarial network, which is suitable for generating a computer-readable model for a technical system.
  • Training of a neural network is generally understood to mean an optimization of a mapping of input parameters to one or more target parameters. This mapping is optimized according to predetermined criteria that have been learned and / or to be learned during a training phase.
  • a training structure can include, for example, a network structure of neurons of a neural network and / or weights of connections between the neurons, which are formed by the training in such a way that the specified criteria are met as well as possible.
  • the first neural network NN1 generates a computer-readable model M for a technical system on the basis of text-based specification data D_spec.
  • the text-based specification data D_spec are read into the first neural network NN1.
  • the first neural network NN1 is provided with a multiplicity of model components MK, each of which is assigned model component identifications MKK.
  • the first neural network NN1 is coupled to a database or library in which model components MK are stored. From this, the first neural network NN1 selects certain model components MK for the computer-readable model M on the basis of the read-in text-based specification data D_spec and on the basis of the model component identifiers MKK.
  • the specification data D_spec includes the requirement "Plant for the production of product X in time Y", where "X" and "Y” have a certain value.
  • suitable model components can be selected, such as model components for machine tools, conveyor belts , etc ..
  • a computer-readable model is generated from the selected model components MK.
  • the generated computer-readable model M is output to the second neural network NN2 and read there.
  • the second neural network NN2 checks the computer-readable model M on the basis of training data. For example, it is checked whether the generated computer-readable model M makes sense.
  • model data MD * and the associated text-based specification data D_spec * from a large number of technical systems are made available as training data to the second neural network NN2.
  • the training data comprise at least one pair of mutually assigned model data MD * and text-based specification data D_spec *.
  • the text-based specification data D_spec * of the training data are preferably identical or similar to the originally read-in text-based specification data D_spec.
  • the training data MD *, D_spec * are from other technical systems and / or similar technical systems as the technical system to be modeled, which have the same or similar system conditions.
  • the second neural network NN2 can check whether the computer-readable model M generated by the first neural network NN1 fulfills the system condition specified in the text-based specification data D_spec.
  • the model data MD of the computer-readable model M are compared with the training data MD *, D_spec *. For example, it can be checked whether the model data MD follow a statistical distribution of the training model data MD *.
  • a new generation of a computer-readable model M can be triggered, FL if, for example, the model data MD does not meet the specified system condition D_spec.
  • the training takes place preferably until a computer-readable model is generated that is checked by the second neural network NN2 as sensible or suitable, i.e. whose model data meet the specified system conditions at least within a specified tolerance range.
  • the first and the second neural network NN1, NN2 can be output and provided as a data structure, for example.
  • a predetermined computer-readable model of a technical system can be validated, ie it can be checked whether the model is designed in such a way that it meets a system condition.
  • FIG. 3 shows a further embodiment of the inventive method.
  • a trained first neural network NN1 is shown, which is designed as a generative neural network.
  • the training of the first neural network NN1 can be carried out, for example, as shown with reference to FIG.
  • the first neural network NN1 is coupled, for example, to a model component database which provides model components MK with associated model component identifications MKK.
  • Text-based specification data D_spec are provided for a technical system and transferred to the first neural network NN1.
  • the text-based specification data D_spec can, for example, be based on oral specification data that are recorded via a voice input unit and are output as text-based specification data D_spec.
  • the neural network NN1 On the basis of the text-based specification data D_spec, the neural network NN1 generates a computer-readable model M from a large number of model components MK.
  • the model components MK are selected based on their model component ideas MKK as a function of the text-based specification data D_spec and combined to form a computer-readable model M.
  • parameter values for parameters of the technical system can be extracted and the generated computer-readable model M can be parameterized depending on the extracted parameter values and using the first neural network, i.e.
  • Model M parameters are set.
  • parameters can be physical quantities that describe the model components.
  • the computer-readable model M can then be output, for example for planning the technical system.
  • a computer-aided simulation model SM based on the computer-readable model M can be generated by means of a simulation tool if, for example, the computer-readable model M is only generated as a formalized engineering model and is to be implemented as an executable simulation model.
  • a simulation tool can in particular have a programming interface (application programming interface, or API for short).
  • the simulation model can be generated by the API of the simulation tool.
  • the simulation tool or the internal functions of the tool can be accessed through the interface.
  • the technical system and / or a process or functionality of the technical system can be simulated by means of the computer-aided simulation model.
  • the computer-aided simulation model SM can be output to control the technical system.
  • FIG. 4 shows a schematic block diagram of a device 100 according to the invention for generating a computer-readable model for a technical system, for example for planning the technical system.
  • the device 100 comprises at least one processor 101 which is set up to carry out the steps of a method according to the invention, as shown for example with reference to one of FIGS. 1 to 3.
  • the device 100 preferably comprises at least one storage unit 102 or is coupled to a storage unit or database.
  • a large number of model components can be stored and provided on the storage unit 102.
  • the storage unit 102 can store the trained first and / or second neural network and make it available for use as a data structure.
  • the Generative Adversarial Networks can be trained in a training unit 103 using training data and transmitted to the memory unit 102 or to the processor 101.
  • the device 100 can also comprise or with a simulation unit 104 be coupled to this, the simulation unit having, for example, a simulation tool in the form of software and being set up in such a way to create and output a simulation model that can be executed on a computer from simulation components.
  • the simulation unit can also be set up to execute the simulation model.
  • the individual units of the device 100 can be designed both as software and / or as hardware and are preferably advantageously coupled to one another.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)

Abstract

Die Erfindung betrifft ein computerimplementiertes Verfahren zum Generieren eines computerlesbaren Modells (M) für ein technisches System auf Basis von textbasierten Spezifikationsdaten (D_spec) für das technische System, wobei die textbasierten Spezifikationsdaten mindestens eine Systembedingung spezifizieren. Es wird eine Vielzahl von Modellkomponenten (MK) zum computergestützten Modellieren des technischen Systems bereitgestellt, wobei einer jeweiligen Modellkomponente (MK) eine Modellkomponentenkennung (MKK) zugeordnet ist. Mittels Generative Adversarial Networks wird auf Basis der textbasierten Spezifikationsdaten (D_spec) Modellkomponenten (MKK) anhand deren Modellkomponentenkennungen (MKK) aus der Vielzahl Modellkomponenten selektiert und aus den selektierten Modellkomponenten ein computerlesbares Modell (M) für das technische System derart generiert, dass Modelldaten (MD) des computerlesbaren Modells mindestens eine in den textbasierten Spezifikationsdaten spezifizierte Systembedingung erfüllen.

Description

Beschreibung
Verfahren und Vorrichtung zum Generieren eines computerlesba ren Modells für ein technisches System
Die Erfindung betrifft ein computerimplementiertes Verfahren und eine Vorrichtung zum Generieren eines computerlesbaren Modells für ein technisches System mittels eines künstlichen neuronalen Netzes, insbesondere mittels Generative Adversari- al Neural Networks. Ferner ist die Erfindung auf ein Compu terprogrammprodukt zum Ausführen der Schritte eines erfin dungsgemäßen Verfahrens gerichtet.
Computergestützte Simulationen können als digitales Planungs instrument von technischen Systemen, z.B. Anlagen oder Fab rikanlagen, genutzt werden. Mittels Simulationen können bei spielsweise Planungsentwürfe validiert werden. Des Weiteren können Computersimulationen während der Betriebsphase einer Anlage eingesetzt werden, um beispielsweise betriebsgleitende Assistenzsysteme zu realisieren. Für beide Arten von Simula tionen sind Simulationswerkzeuge oder Simulationstools be kannt, mit denen Simulationsmodelle aus bestehenden Simulati- onskomponenten-Bibliotheken manuell von einem Simulationsex perten erstellt werden können. Die Erstellung eines Simulati onsmodells auf Basis eines verfügbaren Fabrikplans und ver fügbarer Fabrikdaten erfordert in der Regel ein hohes Maß an Fachwissen vom Simulationsexperten, da dieser zunächst geeig nete Simulationskomponenten zum Abbilden der realen Fabrik komponenten bestimmen und/oder erstellen muss. Daher kann die Erstellung eines Simulationsmodells zeitaufwändig, fehleran fällig und/oder qualitativ unterschiedlich sein.
Es sind weiter sogenannte erzeugende gegnerische Neuronale Netzwerke, englisch „Generative Adversarial Networks", kurz GAN, bekannt, die zu den Algorithmen zum unüberwachten Lernen gehören. Generative Adversarial Networks umfassen zwei künst liche neuronale Netze, die derart trainiert werden, dass ei nes der neuronalen Netze Kandidaten erstellt (der Generator) , das zweite neuronale Netzwerk bewertet diese Kandidaten (der Diskriminator) . Generative Adversarial Networks können bei spielsweise für die Bildgenerierung photorealistischer Bil der, Videos oder Sequenzen genutzt werden.
Es ist eine Aufgabe der vorliegenden Erfindung, die Erstel lung eines computergestützten Modells für ein technisches System, wie z.B. für eine Fabrikanlage, zu erleichtern.
Die Aufgabe wird durch die in den unabhängigen Ansprüchen be schriebenen Maßnahmen gelöst. In den abhängigen Ansprüchen sind vorteilhafte Weiterbildungen der Erfindung dargestellt.
Gemäß einem ersten Aspekt betrifft die Erfindung ein compu terimplementiertes Verfahren zum Generieren eines computer lesbaren Modells für ein technisches System, umfassend die Verfahrensschritte :
- Erfassen von textbasierten Spezifikationsdaten für das technische System, wobei die textbasierten Spezifikationsda ten mindestens eine Systembedingung spezifizieren,
- Bereitstellen einer Vielzahl von Modellkomponenten zum com putergestützten Modellieren des technischen Systems, wobei einer jeweiligen Modellkomponente eine Modellkomponentenken nung zugeordnet ist,
- Bereitstellen eines ersten neuronalen Netzes, das mittels eines zweiten neuronalen Netzes darauf trainiert ist, auf Ba sis textbasierter Spezifikationsdaten für ein technisches System Modellkomponenten anhand deren Modellkomponentenken nungen aus einer Vielzahl von Modellkomponenten zu selektie ren und aus den selektierten Modellkomponenten ein computer lesbares Modell für das technische System derart zu generie ren, dass Modelldaten des computerlesbaren Modells mindestens eine in den textbasierten Spezifikationsdaten spezifizierte Systembedingung erfüllen,
- Generieren eines computerlesbaren Modells für das techni sche System aus der bereitgestellten Vielzahl von Modellkom ponenten in Abhängigkeit der erfassten textbasierten Spezifi kationsdaten mittels des ersten neuronalen Netzes. Sofern es in der nachfolgenden Beschreibung nicht anders an gegeben ist, beziehen sich die Begriffe „durchführen", „be rechnen", „bereitstellen" , „rechnergestützt", „rechnen", „feststellen", „generieren", „konfigurieren", „rekonstruie ren", „extrahieren" und dergleichen, vorzugsweise auf Hand lungen und/oder Prozesse und/oder Verarbeitungsschritte, die durch einen Computer durchgeführt werden und die Daten verän dern und/oder erzeugen und/oder die Daten in andere Daten überführen, wobei die Daten insbesondere als physikalische Größen dargestellt werden oder vorliegen können, beispiels weise als elektrische Impulse. Insbesondere sollte der Aus druck "Computer" möglichst breit ausgelegt werden, um insbe sondere alle elektronischen Geräte mit Datenverarbeitungsei genschaften abzudecken. Computer können somit beispielsweise Personal Computer, Server, Handheld-Computer-Systeme, Pocket- PC-Geräte, Mobilfunkgeräte und andere Kommunikationsgeräte, die rechnergestützt Daten verarbeiten können, Prozessoren und andere elektronische Geräte zur Datenverarbeitung sein.
Unter „computergestützt" oder „computerimplementiert" kann im Zusammenhang mit der Erfindung beispielsweise eine Implemen tierung des Verfahrens verstanden werden, bei dem insbesonde re ein Prozessor mindestens einen Verfahrensschritt des Ver fahrens ausführt. Unter „computerlesbar" kann im Zusammenhang mit der Erfindung beispielsweise ein Datensatz verstanden werden, der so beschaffen ist, dass er von einem Computer lesbar und/oder interpretierbar ist. Des Weiteren kann insbe sondere ein „computerlesbares Modell" Daten umfassen, die von einem Computer lesbar und verarbeitbar sind. Ein computerles bares Modell kann beispielsweise ein formales Modell oder ein computergestütztes Simulationsmodell sein.
Die Erfindung ermöglicht die Erstellung eines computerlesba ren Modells für ein technisches System, das derart eingerich tet ist, computergestützt das reale technische System abzu bilden und/oder zu simulieren. Eine computergestützte Simula tion bzw. Computersimulation dient beispielsweise dazu, phy sikalische Prozesse des technischen Systems abzubilden und zu analysieren . Ein technisches System kann beispielsweise eine Anlage oder eine Fabrikanlage oder eine Maschine, wie z.B. ein Generator oder ein Motor, oder eine Werkzeugmaschine, etc., sein. Ein technisches System umfasst eine Vielzahl von Komponenten. Komponenten des realen technischen Systems können Hardware- und/oder Software-Komponenten sein. Modellkomponenten sind entsprechend Abbildungen der realen Komponenten. Modellkompo nenten können insbesondere als Simulationskomponenten be zeichnet werden, die vorzugsweise derart gestaltet sind, dass damit physikalische und/oder funktionale Prozesse und/oder Eigenschaften der realen Komponente computergestützt abgebil det werden können.
Es ist ein Vorteil der vorliegenden Erfindung, aus einer Vielzahl von Modellkomponenten, beispielsweise aus einer Mo dellkomponentenbibliothek, mittels eines ersten trainierten künstlichen neuronalen Netzes, insbesondere einem generativen neuronalen Netz, automatisch ein computerlesbares Modell für ein technisches System zu erzeugen, welches den eingegebenen textbasierten Spezifikationsdaten genügt. Anhand einer einge lesenen textbasierten Spezifikation des technischen Systems kann somit ein Modell für das technische System generiert werden. Es wird folglich aus den Modelkomponenten ein Modell mit einer Topologie erzeugt, die der Topologie des entspre chenden realen technischen Systems entspricht.
Außerdem ermöglicht das Verfahren, eine Reduktion des manuel len Aufwandes beim Erstellen eines computerlesbaren Modells für ein technisches System, da die Modellgenerierung und Mo dellparametrierung automatisch durchgeführt werden kann. Dies ermöglicht insbesondere eine gleichbleibende Qualität der Mo delle. Dieser datenbasierte Ansatz ist darüber hinaus robus ter und flexibler als beispielsweise ein regelbasierter An satz, bei dem Modelle anhand festgelegter Regeln erzeugt wer den .
Die Modellkomponenten werden anhand spezifischer Modellkompo nentenkennungen selektiert und zu dem computerlesbaren Modell zusammengefügt. Das generierte computerlesbare Modell kann beispielsweise zur Simulation und/oder Steuerung und/oder Analyse des technischen Systems genutzt werden. Insbesondere kann das erfindungsgemäße Verfahren dazu genutzt werden, ein technisches System zu planen, d.h. zunächst ein computerles bares Modell zu erstellen bevor das reale technische System konstruiert wird.
Die Modellgenerierung erfolgt auf Basis der erfassten textba sierten Spezifikationsdaten. Textbasierte Spezifikationsdaten können beispielsweise in Form einer textuellen Anforderung vorliegen, die ein technisches System erfüllen soll, wie z.B. ein Produktionsziel einer Anlage. Textbasierte Spezifikati onsdaten können beispielsweise lediglich Randbedingungen und/oder Grundvoraussetzungen an das technische System umfas sen. Diese können später mit den Modelldaten des generierten Modells abgeglichen werden.
In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens kann anhand der textbasierten Spezifikati onsdaten für das technische System Parameterwerte für Parame ter des technischen Systems und/oder von Komponenten des technischen Systems extrahiert und das generierte computer lesbare Modell in Abhängigkeit der extrahierten Parameterwer te und mittels des ersten neuronalen Netzes parametrisiert werden .
Die textbasierten Spezifikationsdaten können beispielsweise Parameterwerte umfassen, welche bei der Generierung des com puterlesbaren Modells berücksichtigt werden können. Dazu kön nen beispielsweise mittels einer Methode zur Verarbeitung von Textdaten und/oder natürlicher Sprache aus den textbasierten Spezifikationsdaten Informationen gewonnen werden, aus denen sich Parameterwerte ableiten lassen.
In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens kann das erste neuronale Netz mittels ei nes zweiten neuronalen Netzes und anhand von Trainingsdaten trainiert werden, - wobei die Trainingsdaten mindestens textbasierte Spezifika tionsdaten eines technischen Systems und/oder Modelldaten von mindestens einem computerlesbaren Modell eines technischen Systems umfassen können,
- wobei das Training des ersten neuronalen Netzes mittels des zweiten neuronalen Netzes umfasst, dass mittels des ersten neuronalen Netzes auf Basis textbasierter Spezifikationsdaten für ein technisches System Modellkomponenten anhand deren Mo dellkomponentenkennungen aus einer Vielzahl von Modellkompo nenten selektiert werden, aus den selektierten Modellkompo nenten ein computerlesbares Modell für das technische System generiert wird und mittels des zweiten neuronalen Netzes an hand der Trainingsdaten geprüft wird, ob die Modelldaten des vom ersten neuronalen Netz generierten computergestützten Mo dells die in den textbasierten Spezifikationsdaten spezifi zierte Systembedingung erfüllen.
Das erste neuronale Netz kann auch als Generator-Netz be zeichnet werden. Das zweite neuronale Netz kann auch als Dis kriminator-Netz bezeichnet werden. Zusammen beschreiben sie ein Generative Adversarial Network. Beide neuronale Netze werden insbesondere gemeinsam trainiert. Trainingsdaten um fassen beispielsweise Daten zu einer Vielzahl von technischen Systemen, wobei für jedes technische System sowohl Modellda ten computerlesbarer Modelle als auch zugeordnete textbasier te Spezifikationsdaten gegeben sind. Für die Generierung ei nes computerlesbaren Modells auf Basis von textbasierten Spe zifikationsdaten für ein technisches System wird das Genera tor-Netz mittels des Diskriminator-Netzes trainiert. Die Ge nerierung des Modells erfolgt aus einer Vielzahl von Modell komponenten und anhand deren Modellkomponentenkennungen. Vor zugsweise werden Modellkomponenten selektiert, deren Modell komponentenkennungen den textbasierten Spezifikationsdaten zugeordnet werden können. Das generierte computerlesbare Mo dell wird anhand von weiteren ( Trainings- ) Modelldaten, die den textbasierten Spezifikationsdaten zugeordnet sind, vom zweiten neuronalen Netz geprüft, ob das generierte Modell die in den textbasierten Spezifikationsdaten spezifizierte Sys tembedingung erfüllt. Das trainierte Generator-Netz wird an- schließend zum Generieren eines computerlesbaren Modells für ein technisches System bereitgestellt, wie z.B. gespeichert.
In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens kann ein bereitgestelltes computergestütz tes Modell für das technische System mittels des zweiten neu ronalen Netzes validiert werden.
Das Diskriminator-Netz kann des Weiteren nach dem Training des Generative Adversarial Network insbesondere dazu genutzt werden, ein bereitgestelltes computerlesbares Modell zu vali dieren. Dazu werden vom trainierten zweiten neuronalen Netz die Modelldaten des computerlesbaren Modells geprüft und ein Prüfergebnis ausgegeben. Es kann damit insbesondere geprüft werden, ob die Topologie des computerlesbaren Modells und/oder eine Ausgabe einer Simulation auf Basis des compu terlesbaren Modells im Vergleich zu den spezifizierten Sys tembedingungen sinnig ist.
In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens können Spezifikationsdaten des technischen Systems mittels einer Spracheingabeeinheit erfasst, mittels einer Auswerteeinheit in textbasierte Spezifikationsdaten um gewandelt und die textbasierten Spezifikationsdaten bereitge stellt werden.
Beispielsweise können Spezifikationsdaten von einem Nutzer mündlich übermittelt werden, mittels einer Spracheingabeein heit erfasst und zur weiteren Verwendung in textbasierte Spe zifikationsdaten umgewandelt werden.
In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens kann das computerlesbare Modell als ein computergestütztes Simulationsmodell zum Simulieren des tech nischen Systems generiert werden.
Die Erstellung eines computergestützten Simulationsmodells aus dem computerlesbaren Modell kann vorzugsweise mittels ei nes Simulationswerkzeugs - auch als Simulationstool bezeich- net - in einer Simulationseinheit, die mindestens einen Pro zessor umfasst, durchgeführt werden. Dabei ist die Eingabe der Simulationseinheit vorzugsweise die Ausgabe des generati ven neuronalen Netzes. Das computergestützte Simulationsmo dell kann aus bereitgestellten Simulationskomponenten er stellt werden. Simulationskomponenten sind beispielsweise computergestützte Abbildungen der realen Komponenten, die vorzugsweise derart gestaltet sind, dass damit physikalische und/oder funktionale Prozesse und/oder Eigenschaften der rea len Komponente computergestützt simuliert werden können. Ein computergestütztes Simulationsmodell ist insbesondere ein ausführbares Modell, mit welchem beispielsweise ein zeitli cher Verlauf eines Prozesses eines technischen Systems compu tergestützt simuliert werden kann.
In einer vorteilhaften Ausführungsform des computerimplemen tierten Verfahrens kann das technische System und/oder ein Prozess oder eine Funktionalität des technischen Systems mit tels des computergestützten Simulationsmodells computerge stützt simuliert und/oder das computergestützte Simulations modell zum Steuern des technischen Systems ausgegeben werden.
Nach der Generierung und Parametrisierung des computerge stützten Simulationsmodells kann das Simulationsmodell be reitgestellt und computergestützt in einer Simulationsumge bung ausgeführt werden. Insbesondere können anschließend die entsprechenden Simulationsdaten zum Steuern des realen tech nischen Systems ausgegeben werden. Mittels der computerge stützten Simulation kann beispielsweise eine Validierung ei nes Prozesses und/oder einer Funktionalität und/oder einer Spezifikation des technischen Systems durchgeführt werden.
Gemäß einem zweiten Aspekt betrifft die Erfindung eine Vor richtung zum Generieren eines computerlesbaren Modells für ein technisches System, wobei die Vorrichtung mindestens ei nen Prozessor zum Durchführen der Schritte eines Verfahrens nach den vorhergehenden Ansprüchen aufweist. Bei einem Prozessor kann es sich insbesondere um einen Haupt prozessor (engl. Central Processing Unit, CPU), einen Mikro prozessor oder einen Mikrokontroller, beispielsweise eine an wendungsspezifische integrierte Schaltung oder einen digita len Signalprozessor, möglicherweise in Kombination mit einer Speichereinheit zum Speichern von Programmbefehlen, etc. han deln. Bei einem Prozessor kann es sich beispielsweise auch um einen IC (integrierter Schaltkreis, engl. Integrated Circuit) oder einen Grafikprozessor GPU (Graphics Processing
Unit/Tensor Processing Unit TPU) oder einem Field Programmab- le Gate Array (FPGA) handeln. Der Prozessor kann eine oder mehrere Rechenkerne (multi-core) aufweisen. Auch kann unter einem Prozessor ein virtualisierter Prozessor oder eine Soft- CPU verstanden werden. Es kann sich beispielsweise auch um einen programmierbaren Prozessor handeln, der mit Konfigura tionsschritten zur Ausführung des genannten erfindungsgemäßen Verfahrens ausgerüstet wird oder mit Konfigurationsschritten derart konfiguriert ist, dass der programmierbare Prozessor die erfindungsgemäßen Merkmale des Verfahrens oder anderer Aspekte und Teilaspekte der Erfindung implementiert.
Die Vorrichtung kann beispielsweise mit einer Simulationsein heit bzw. einem Simulationswerkzeug gekoppelt sein, so dass ein computergestütztes Simulationsmodell zum Simulieren des technischen Systems generiert und/oder ausgeführt werden kann .
Des Weiteren betrifft die Erfindung ein Computerprogrammpro dukt, das direkt in einen programmierbaren Computer ladbar ist, umfassend Programmcodeteile, die dazu geeignet sind, die Schritte eines erfindungsgemäßen computerimplementierten Ver fahrens durchzuführen.
Ein Computerprogrammprodukt, wie zum Beispiel ein Computer programm-Mittel, kann beispielsweise als Speichermedium oder Datenträger, wie zum Beispiel als Speicherkarte, USB-Stick, CD-ROM, DVD oder auch in Form einer herunterladbaren Datei von einem Server in einem Netzwerk bereitgestellt oder gelie fert werden. Ausführungsbeispiele des erfindungsgemäßen computerimplemen tierten Verfahrens und der Vorrichtung sind in den Zeichnun gen beispielhaft dargestellt und werden anhand der nachfol genden Beschreibung näher erläutert. Es zeigen:
Fig. 1: ein Ablaufdiagramm eines Ausführungsbeispiels eines erfindungsgemäßen Verfahrens;
Fig. 2: eine schematische Darstellung eines weiteren Aus führungsbeispiels eines erfindungsgemäßen Verfah rens ;
Fig. 3: eine schematische Darstellung eines weiteren Aus führungsbeispiels eines erfindungsgemäßen Verfah rens; und
Fig. 4 eine schematische Darstellung einer erfindungsgemä ßen Vorrichtung in Blockdarstellung.
Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.
Insbesondere zeigen die nachfolgenden Ausführungsbeispiele lediglich beispielhafte Realisierungsmöglichkeiten, wie ins besondere solche Realisierungen der erfindungsgemäßen Lehre aussehen könnten, da es unmöglich und auch für das Verständ nis der Erfindung nicht zielführend oder notwendig ist, all diese Realisierungsmöglichkeiten zu benennen.
Auch sind insbesondere einem (einschlägigen) Fachmann in Kenntnis des/der Verfahrensanspruchs/Verfahrensansprüche alle im Stand der Technik üblichen Möglichkeiten zur Realisierung der Erfindung selbstverständlich bekannt, sodass es insbeson dere einer eigenständigen Offenbarung in der Beschreibung nicht bedarf.
Figur 1 zeigt ein Ablaufdiagramm eines erfindungsgemäßen Ver fahrens zum Generieren eines computerlesbaren Modells für ein technisches System, wie z.B. eine Fabrikanlage. Beispielswei se kann das Verfahren dazu genutzt werden, eine noch nicht bestehende Anlage am Computer zu planen.
Im Schritt S1 wir eine textbasierte Spezifikation für die zu modellierende Anlage bereitgestellt und als textbasierte Spe zifikationsdaten erfasst. Diese können beispielsweise Anfor derungen, Randbedingungen, Konstruktionsbedingungen, Be triebsbedingungen, ein Produktionsziel, oder ähnliches für die Fabrikanlage umfassen. Die textbasierten Spezifikations daten können beispielsweise von einem Nutzer bereitgestellt, d.h. z.B. formuliert und/oder eingegeben, und können für die weiteren Schritte eingelesen werden. Alternativ können die textbasierten Spezifikationsdaten aus einer Datei extrahiert und/oder eingelesen werden. Es soll nun mittels des computer implementierten Verfahrens ein computerlesbares Modell er stellt werden, welches die in den textbasierten Spezifikati onsdaten spezifizierten Systembedingungen für die Fabrikanla ge erfüllen. Beispielsweise soll ein computerlesbares Modell einer Anlage generiert werden, welches ein vorgegebenes Pro duktionsziel für die Anlage erfüllt. In anderen Worten, es soll mittels des erfindungsgemäßen Verfahrens eine Anlage aus Komponenten geplant werden und dafür ein Modell aus entspre chenden Modellkomponenten generiert werden, so dass die mo dellierte Anlage das vorgegebene Produktionsziel erfüllt.
Ein computerlesbares Modell kann beispielsweise ein formali siertes Engineering-Modell sein, das als computerlesbare Textdaten, z.B. in einer XML-Datei gespeichert, ausgegeben werden soll. Alternativ kann ein computerlesbares Modell auch ein Computersimulationsmodell sein, welches von einem Compu ter gelesen und ausgeführt werden kann. Außerdem kann ein computerlesbares Modell als abstrakte Anlagenarchitektur, z.B. als SysML- oder AutomationML-Datei , ausgegeben werden.
Im Schritt S2 wird dazu eine Vielzahl von Modellkomponenten bereitgestellt. Beispielsweise wird eine Bibliothek oder Da tenbank mit Modellkomponenten zum computergestützten Model lieren von technischen Systemen angesteuert. Modellkomponen- ten sind vorzugsweise jeweils realen Komponenten, wie z.B. Software und/oder Hardware, eines realen technischen Systems zugeordnet, so dass mittels einer Modellkomponente eine reale Komponente abgebildet bzw. modelliert und/oder simuliert wer den kann.
Die Zuordnung einer Modellkomponente zu einer realen Kompo nente kann beispielsweise vorab mittels einer trainierten ma schinellen Lernmethode erfolgen, wobei die maschinelle Lern methode darauf trainiert ist, realen Komponenten eines tech nischen Systems jeweils eine Modellkomponente zuzuordnen, die die Funktionalität und/oder Physik der realen Komponente ab bildet .
Eine jeweilige Modellkomponente ist durch eine Modellkompo nentenkennung gekennzeichnet. Eine Modellkomponentenkennung kann in Form von Kennungsdaten vorliegen, welche beispiels weise eine Bezeichnung, Kennzeichnung, ein Name, ein Label, eine Identifikationsnummer, Beschreibung, Kurzbeschreibung oder ähnliches umfassen können. Modellkomponentenkennungen sind vorzugsweise eindeutig einer Modellkomponente zugeord net. Anhand von Kennungsdaten können die jeweiligen Modell komponenten und/oder deren Funktion beschrieben und/oder identifiziert werden. So kann beispielsweise auf Basis der textbasierten Spezifikationsdaten eine Selektion von passen den Modellkomponenten anhand deren Modellkomponentenkennungen erfolgen .
Im Schritt S3 wird ein trainiertes generatives neuronales Netz bereitgestellt. Das trainierte generative neuronale Netz wird beispielsweise als Datenstruktur bereitgestellt, wie z.B. auf einer Speichereinheit gespeichert und von dort ein gelesen. Vorzugsweise wird das generative neuronale Netz zu nächst mittels eines Diskriminator-Netzes trainiert, wie bei spielhaft in Figur 2 gezeigt. Das generative neuronale Netz ist derart trainiert, dass es auf Basis von eingelesenen textbasierten Spezifikationsdaten für ein technisches System aus einer Modellkomponenten-Datenbank anhand von jeweiligen Modellkomponentenkennungen bestimmte Modellkomponenten selek- tiert und aus den selektierten Modellkomponenten ein compu terlesbares Modell generiert. Dabei wird das generierte com puterlesbare Modell derart erstellt, dass die Modelldaten mindestens eine in eingelesenen textbasierten Spezifikations daten spezifizierte Systembedingung erfüllen. Die Modelldaten eines generierten Modells werden beispielsweise mit den Spe zifikationsdaten abgeglichen.
Alternativ kann auch eine Systemsimulation mittels des gene rierten Modells durchgeführt werden, um zu testen, ob das Mo dell die spezifizierten Systembedingungen erfüllt. Beispiels weise kann die Produktion eines Produkts mittels des gene rierten Modells simuliert werden, um zu testen, ob ein Pro duktionsziel einer Anlage erfüllt ist.
Im Schritt S4 werden die erfassten textbasierten Spezifikati onsdaten übermittelt und in das trainierte generative neuro nale Netz eingelesen. Auf Basis der eingelesenen textbasier ten Spezifikationsdaten generiert das generative neuronale Netz ein computerlesbares Modell aus Modellkomponenten einer Modellkomponenten-Datenbank .
Im Schritt S5 wird das generierte computerlesbare Modell aus gegeben. Beispielsweise wird das generierte computerlesbare Modell als Datenstruktur ausgegeben. Das computerlesbare Mo dell kann beispielsweise für die Planung, Konstruktion, zum computergestützten Simulieren und/oder zum Steuern der Fab rikanlage genutzt werden. So kann beispielsweise eine Fabrik anlage mittels des ausgegebenen computerlesbaren Modells ge plant und/oder konstruiert und/oder gesteuert werden.
Figur 2 zeigt ein Ausführungsbeispiel eines erfindungsgemäßen Verfahrens zum Trainieren eines Generative Adversarial Net work, das zum Generieren eines computerlesbaren Modells für ein technisches System geeignet ist. Es sind insbesondere die Trainingsschritte des Trainings des ersten neuronalen Netzes NN1 und zweiten neuronalen Netzes NN2 gezeigt. Unter einem Training eines neuronalen Netzes sei allgemein eine Optimierung einer Abbildung von Eingangsparametern auf einen oder mehrere Zielparameter verstanden. Diese Abbildung wird nach vorgegebenen, gelernten und/oder zu lernenden Kri terien während einer Trainingsphase optimiert. Eine Trai ningsstruktur kann zum Beispiel eine Vernetzungsstruktur von Neuronen eines neuronalen Netzes und/oder Gewichte von Ver bindungen zwischen den Neuronen umfassen, die durch das Trai ning so ausgebildet werden, dass die vorgegebenen Kriterien möglichst gut erfüllt werden.
Das erste neuronale Netz NN1 generiert auf Basis textbasier ter Spezifikationsdaten D_spec für ein technisches System ein computerlesbares Modell M. Dazu werden die textbasierten Spe zifikationsdaten D_spec in das erste neuronale Netz NN1 ein gelesen. Außerdem werden dem ersten neuronalen Netz NN1 eine Vielzahl von Modelkomponenten MK, denen jeweils Modellkompo nentenkennungen MKK zugeordnet sind, bereitgestellt. Bei spielsweise wird das erste neuronale Netz NN1 mit einer Da tenbank oder Bibliothek, in der Modellkomponenten MK gespei chert sind, gekoppelt. Daraus selektiert das erste neuronale Netz NN1 auf Basis der eingelesenen textbasierten Spezifika tionsdaten D_spec und anhand der Modellkomponentenkennungen MKK bestimmte Modellkomponenten MK für das computerlesbare Modell M.
Beispielsweise umfassen die Spezifikationsdaten D_spec die Anforderung „Anlage zur Produktion von Produkt X in Zeit Y", wobei „X" und „Y" einen bestimmten Wert aufweisen. Anhand diesen Spezifikationsdaten D_spec können passende Modelkompo nenten selektiert werden, wie z.B. Modellkomponenten für Werkzeugmaschinen, Förderbänder, etc.. Aus den selektierten Modellkomponenten MK wird ein computerlesbares Modell gene riert .
Das generierte computerlesbare Modell M wird an das zweite neuronale Netz NN2 ausgegeben und dort eingelesen. Das zweite neuronale Netz NN2 prüft das computerlesbare Modell M anhand von Trainingsdaten. Beispielsweise wird derart geprüft, ob das generierte computerlesbare Modell M sinnig ist. Dazu wer den dem zweiten neuronalen Netz NN2 Modelldaten MD* und zuge hörige textbasierte Spezifikationsdaten D_spec* von einer Vielzahl von technischen Systemen als Trainingsdaten bereit gestellt. In anderen Worten, die Trainingsdaten umfassen min destens ein Paar von zueinander zugeordneten Modelldaten MD* und textbasierten Spezifikationsdaten D_spec* . Die textba sierten Spezifikationsdaten D_spec* der Trainingsdaten sind dabei vorzugsweise gleich oder ähnlich zu den ursprünglich eingelesenen textbasierten Spezifikationsdaten D_spec. Bei spielsweise sind die Trainingsdaten MD*, D_spec* von anderen technischen Systemen und/oder ähnlichen technischen Systemen wie das zu modellierende technische System, die die gleichen oder ähnlichen Systembedingungen aufweisen.
Anhand der Trainingsdaten MD*, D_spec* kann das zweite neuro nale Netz NN2 prüfen, ob das vom ersten neuronalen Netz NN1 generierte computerlesbare Modell M die in den textbasierten Spezifikationsdaten D_spec spezifizierte Systembedingung er füllt. Dazu werden die Modelldaten MD des computerlesbaren Modells M mit den Trainingsdaten MD*, D_spec* verglichen. Beispielsweise kann dabei geprüft werden, ob die Modelldaten MD einer statistischen Verteilung der Trainings-Modelldaten MD* folgen.
Abhängig vom Prüfergebnis PE kann eine erneute Generierung eines computerlesbaren Modells M angestoßen werden, FL, wenn beispielsweise die Modelldaten MD die spezifizierte Systembe dingung D_spec nicht erfüllt. Das Training erfolgt vorzugs weise, bis ein computerlesbares Modell erzeugt wird, dass vom zweiten neuronalen Netz NN2 als sinnig bzw. passend geprüft wird, d.h. dessen Modelldaten die spezifizierte Systembedin gung zumindest innerhalb eines vorgegebenen Toleranzbereiches erfüllen. Nach dem Training können das erste und das zweite neuronale Netz NN1, NN2 beispielsweise als Datenstruktur aus gegeben und bereitgestellt werden.
Mittels des trainierten zweiten neuronalen Netzes NN2 kann beispielsweise ein vorgegebenes computerlesbares Modell eines technischen Systems validiert werden, d.h. es kann geprüft werden, ob das Modell derart gestaltet ist, dass es eine Sys tembedingung erfüllt.
Figur 3 zeigt ein weiteres Ausführungsbeispiel des erfin dungsgemäßen Verfahrens. Es ist ein trainiertes erstes neuro nales Netz NN1 gezeigt, welches als generatives neuronales Netz ausgestaltet ist. Das Training des ersten neuronalen Netzes NN1 kann beispielsweise wie anhand Figur 2 gezeigt durchgeführt werden. Das erste neuronale Netz NN1 ist bei spielsweise mit einer Modellkomponenten-Datenbank gekoppelt, die Modellkomponenten MK mit jeweils zugehörigen Modellkompo nentenkennungen MKK bereitstellt .
Es werden textbasierte Spezifikationsdaten D_spec für ein technisches System bereitgestellt und dem ersten neuronalen Netz NN1 übergeben. Die textbasierten Spezifikationsdaten D_spec können beispielsweise auf mündlichen Spezifikationsda ten basieren, die über eine Spracheingabeeinheit erfasst wer den und als textbasierte Spezifikationsdaten D_spec ausgege ben werden.
Ausgehend von den textbasierten Spezifikationsdaten D_spec generiert das neuronale Netz NN1 aus einer Vielzahl von Mo dellkomponenten MK ein computerlesbares Modell M. Dabei wer den Modellkomponenten MK anhand ihrer Modellkomponentenken nungen MKK in Abhängigkeit der textbasierten Spezifikations daten D_spec selektiert und zu einem computerlesbaren Modell M zusammengefügt. Des Weiteren können anhand der textbasier ten Spezifikation D_spec Parameterwerte für Parameter des technischen Systems extrahiert und das generierte computer lesbare Modell M in Abhängigkeit der extrahierten Parameter werte und mittels des ersten neuronalen Netzes parametrisiert werden, d.h. Parameter des Modells M werden eingestellt. Pa rameter können beispielsweise physikalische Größen sein, die die Modellkomponenten beschreiben.
Das computerlesbare Modell M kann anschließend, beispielswei se zu Planung des technischen Systems, ausgegeben werden. Des Weiteren kann mittels eines Simulationstools ein computerge stütztes Simulationsmodell SM auf Basis des computerlesbaren Modells M generiert werden, wenn beispielsweise das computer lesbare Modell M lediglich als formalisiertes Engineering- Modell generiert wird und als ein ausführbares Simulationsmo dell umgesetzt werden soll.
Ein Simulationstool kann insbesondere ein Programmierschnitt stelle (eng. Application Programming Interface, kurz API) aufweisen. Das Simulationsmodell kann durch die API des Simu lationstools generiert werden. Durch die Schnittstelle kann auf das Simulationstool bzw. die internen Funktionen des Tools zugegriffen werden.
Mittels des computergestützten Simulationsmodells kann das technische System und/oder ein Prozess oder eine Funktionali tät des technischen Systems simuliert werden. Das computerge stützte Simulationsmodell SM kann zum Steuern des technischen Systems ausgegeben werden.
Figur 4 zeigt in schematischer Blockdarstellung eine erfin dungsgemäße Vorrichtung 100 zum Generieren eines computerles baren Modells für ein technisches System, beispielsweise zur Planung des technischen Systems. Die Vorrichtung 100 umfasst mindestens einen Prozessor 101, der derart eingerichtet ist, die Schritte eines erfindungsgemäßen Verfahrens, wie bei spielhaft anhand einer der Figuren 1 bis 3 gezeigt, durchzu führen. Des Weiteren umfasst die Vorrichtung 100 vorzugsweise mindestens eine Speichereinheit 102 oder ist mit einer Spei chereinheit oder Datenbank gekoppelt. Auf der Speichereinheit 102 können insbesondere eine Vielzahl von Modellkomponenten gespeichert und bereitgestellt werden. Außerdem kann die Speichereinheit 102 das trainierte erste und/oder zweite neu ronale Netz speichern und jeweils als Datenstruktur zur Ver wendung bereitstellen . Beispielsweise können die Generative Adversarial Networks in einer Trainingseinheit 103 mittels Trainingsdaten trainiert und an die Speichereinheit 102 bzw. an den Prozessor 101 übermittelt werden. Die Vorrichtung 100 kann außerdem eine Simulationseinheit 104 umfassen oder mit dieser gekoppelt sein, wobei die Simulationseinheit bei spielsweise ein Simulationstool in Form von Software aufweist und derart eingerichtet ist, aus Simulationskomponenten ein auf einem Computer ausführbares Simulationsmodell zu erstel- len und auszugeben. Des Weiteren kann die Simulationseinheit auch derart eingerichtet sein, das Simulationsmodell auszu führen. Die einzelnen Einheiten der Vorrichtung 100 können sowohl als Software und/oder als Hardware ausgestaltet sein und sind vorzugsweise vorteilhaft miteinander gekoppelt.
Alle beschriebenen und/oder gezeichneten Merkmale können im Rahmen der Erfindung vorteilhaft miteinander kombiniert wer den. Die Erfindung ist nicht auf die beschriebenen Ausfüh rungsbeispiele beschränkt.

Claims

Patentansprüche
1. Computerimplementiertes Verfahren zum Generieren eines computerlesbaren Modells für ein technisches System, umfas send die Verfahrensschritte:
- Erfassen (Sl) von textbasierten Spezifikationsdaten
(D_spec) für das technische System, wobei die textbasierten Spezifikationsdaten mindestens eine Systembedingung spezifi zieren,
- Bereitstellen ( S2 ) einer Vielzahl von Modellkomponenten (MK) zum computergestützten Modellieren des technischen Sys tems, wobei einer jeweiligen Modellkomponente (MK) eine Mo dellkomponentenkennung (MKK) zugeordnet ist,
- Bereitstellen ( S3 ) eines ersten neuronalen Netzes (NN1), das mittels eines zweiten neuronalen Netzes (NN2) darauf trainiert ist, auf Basis textbasierter Spezifikationsdaten für ein technisches System Modellkomponenten anhand deren Mo dellkomponentenkennungen aus einer Vielzahl von Modellkompo nenten zu selektieren und aus den selektierten Modellkompo nenten ein computerlesbares Modell für das technische System derart zu generieren, dass Modelldaten (MD) des computerles baren Modells mindestens eine in den textbasierten Spezifika tionsdaten spezifizierte Systembedingung erfüllen,
- Generieren (S4) eines computerlesbaren Modells (M) für das technische System aus der bereitgestellten Vielzahl von Mo dellkomponenten (MK) in Abhängigkeit der erfassten textba sierten Spezifikationsdaten (D_spec) mittels des ersten neu ronalen Netzes (NN1) .
2. Computerimplementiertes Verfahren nach Anspruch 1, wobei anhand der textbasierten Spezifikationsdaten (D_spec) für das technische System Parameterwerte für Parameter des techni schen Systems extrahiert und das generierte computerlesbare Modell (M) in Abhängigkeit der extrahierten Parameterwerte und mittels des ersten neuronalen Netzes (NN1) parametrisiert wird .
3. Computerimplementiertes Verfahren nach einem der vorherge henden Ansprüche, wobei das erste neuronale Netz (NN1) mit- tels eines zweiten neuronalen Netzes (NN2) und anhand von Trainingsdaten trainiert wird,
- wobei die Trainingsdaten mindestens textbasierte Spezifika tionsdaten (D_spec*) eines technischen Systems und/oder Mo delldaten (MD*) von mindestens einem computerlesbaren Modell eines technischen Systems umfassen,
- wobei das Training des ersten neuronalen Netzes (NN1) mit tels des zweiten neuronalen Netzes (NN2) umfasst, dass mit tels des ersten neuronalen Netzes auf Basis textbasierter Spezifikationsdaten für ein technisches System Modellkompo nenten anhand deren Modellkomponentenkennungen aus einer Vielzahl von Modellkomponenten selektiert werden, aus den se lektierten Modellkomponenten ein computerlesbares Modell für das technische System generiert wird und mittels des zweiten neuronalen Netzes anhand der Trainingsdaten geprüft wird, ob die Modelldaten des vom ersten neuronalen Netz (NN1) gene rierten computergestützten Modells die in den textbasierten Spezifikationsdaten spezifizierte Systembedingung erfüllen.
4. Computerimplementiertes Verfahren nach einem der vorherge henden Ansprüche, wobei ein bereitgestelltes computergestütz tes Modell für das technische System mittels des zweiten neu ronalen Netzes (NN2) validiert wird.
5. Computerimplementiertes Verfahren nach einem der vorherge henden Ansprüche, wobei Spezifikationsdaten des technischen Systems mittels einer Spracheingabeeinheit erfasst, mittels einer Auswerteeinheit in textbasierte Spezifikationsdaten um gewandelt und die textbasierten Spezifikationsdaten bereitge stellt werden.
6. Computerimplementiertes Verfahren nach einem der vorherge henden Ansprüche, wobei das computerlesbare Modell (M) als ein computergestütztes Simulationsmodell (SM) zum Simulieren des technischen Systems generiert wird.
7. Computerimplementiertes Verfahren nach Anspruch 6, wobei das technische System und/oder ein Prozess oder eine Funktio nalität des technischen Systems mittels des Computergestütz- ten Simulationsmodells computergestützt simuliert und/oder das computergestützte Simulationsmodell zum Steuern des tech nischen Systems ausgegeben wird. 8. Vorrichtung (100) zum Generieren eines computerlesbaren
Modells für ein technisches System, wobei die Vorrichtung mindestens einen Prozessor zum Durchführen der Schritte eines Verfahrens nach den vorhergehenden Ansprüchen aufweist. 9. Computerprogrammprodukt eingerichtet zum Ausführen eines computergestützten Verfahrens nach einem der Ansprüche 1 bis
7.
10. Computerlesbares Speichermedium mit einem Computerpro- grammprodukt nach Anspruch 9.
EP20718179.3A 2019-04-23 2020-03-25 Verfahren und vorrichtung zum generieren eines computerlesbaren modells für ein technisches system Pending EP3921780A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP19170588.8A EP3731151A1 (de) 2019-04-23 2019-04-23 Verfahren und vorrichtung zum generieren eines computerlesbaren modells für ein technisches system
PCT/EP2020/058248 WO2020216553A1 (de) 2019-04-23 2020-03-25 Verfahren und vorrichtung zum generieren eines computerlesbaren modells für ein technisches system

Publications (1)

Publication Number Publication Date
EP3921780A1 true EP3921780A1 (de) 2021-12-15

Family

ID=66248607

Family Applications (2)

Application Number Title Priority Date Filing Date
EP19170588.8A Withdrawn EP3731151A1 (de) 2019-04-23 2019-04-23 Verfahren und vorrichtung zum generieren eines computerlesbaren modells für ein technisches system
EP20718179.3A Pending EP3921780A1 (de) 2019-04-23 2020-03-25 Verfahren und vorrichtung zum generieren eines computerlesbaren modells für ein technisches system

Family Applications Before (1)

Application Number Title Priority Date Filing Date
EP19170588.8A Withdrawn EP3731151A1 (de) 2019-04-23 2019-04-23 Verfahren und vorrichtung zum generieren eines computerlesbaren modells für ein technisches system

Country Status (4)

Country Link
US (1) US20220180153A1 (de)
EP (2) EP3731151A1 (de)
CN (1) CN113678145A (de)
WO (1) WO2020216553A1 (de)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11580375B2 (en) * 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
EP3475778B1 (de) * 2016-06-28 2024-07-10 Cognata Ltd. Realistische 3d-erstellung einer virtuellen welt und simulation zum trainieren automatisierter fahrsysteme
US20180349526A1 (en) * 2016-06-28 2018-12-06 Cognata Ltd. Method and system for creating and simulating a realistic 3d virtual world
EP3410404B1 (de) * 2017-05-29 2023-08-23 Cognata Ltd. Verfahren und system zur erzeugung und simulation einer realistischen virtuellen 3d-welt

Also Published As

Publication number Publication date
CN113678145A (zh) 2021-11-19
WO2020216553A1 (de) 2020-10-29
US20220180153A1 (en) 2022-06-09
EP3731151A1 (de) 2020-10-28

Similar Documents

Publication Publication Date Title
EP2799983B1 (de) Flexible Aufteilung der I/O Kanäle einer Hardware Komponente
DE69225527T2 (de) Verfahren und System zur automatischen Bestimmung der logischen Funktion einer Schaltung
DE112020002961T5 (de) Übersetzen einer abfrage in natürlicher sprache in eine formale datenabfrage
EP3082000A1 (de) Verfahren und system zum testen eines mechatronischen systems
EP2442248B1 (de) Kopplungsmethodik für nicht-iterative Co-Simulation
DE112020006021T5 (de) Auf maschinelles lernen basierendes verfahren und vorrichtung für die berechnung und verifizierung von verzögerungen des entwurfs integrierter schaltungen
WO2017114883A1 (de) Verfahren zum konfigurieren einer co-simulation für ein gesamtsystem
DE112020003050T5 (de) Fehlerkompensation in analogen neuronalen netzen
DE112014003045T5 (de) Verfahren und System zur Change-Evaluierung eines elektronischen Designs zur Verifizierungsbestätigung
EP3650970A1 (de) Verfahren und vorrichtung zum computergestützten simulieren eines modularen technischen systems
DE112021002866T5 (de) Modelltreueüberwachung und -neuerstellung zur entscheidungsunterstützung eines fertigungsverfahrens
EP3916493B1 (de) Prognose eines systemzustands eines technischen systems
DE10324594A1 (de) Verfahren zum Bereitstellen einer verbesserten Simulationsfähigkeit eines dynamischen Systems außerhalb der ursprünglichen Modellierungsumgebung
EP3921780A1 (de) Verfahren und vorrichtung zum generieren eines computerlesbaren modells für ein technisches system
EP4179395B1 (de) Steuerung eines technischen systems mit einer recheneinheit für künstliche intelligenz
WO2022022816A1 (de) Steuern eines technischen systems mittels eines datenbasierten regelungsmodells
DE102017130842A1 (de) Konfigurationssystem zur Konfiguration eines zum Testen eines elektronischen Steuergeräts geeigneten Testsystems
WO2020207728A1 (de) Verfahren und vorrichtung zum generieren eines computergestützten simulationsmodells für ein technisches system
EP3771979A1 (de) Verfahren und vorrichtung zur optimalen konfiguration eines geräts einer geräteklasse
EP3056994B1 (de) Vorrichtung und verfahren zur erfassung, überprüfung und speicherung von prozessdaten aus mindestens zwei prozessschritten
DE102022133251B4 (de) Neuronale Netzwerke zum Erzeugen von Roboteraufgabendemonstrationen
EP4016202A1 (de) Verfahren zum nachbilden von rauschanteilen von verlustbehaftet aufgezeichneten betriebssignalen sowie steuereinrichtung
EP4293563A1 (de) Anordnung und verfahren zum kalibrieren eines computergestützten simulationsmodells für ein technisches system sowie computerprogrammprodukt
DE112021007856T5 (de) Vorrichtung für maschinelles Lernen, Vorrichtung zum Vorhersagen eines Schweregrades und Verfahren für maschinelles Lernen
WO2016146169A1 (de) Ermitteln von verhaltensähnlichen komponenten für ein system

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

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: 20210908

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: 20231025