EP4136590A1 - Hybrides trainingsverfahren für selbstlernende algorithmen - Google Patents

Hybrides trainingsverfahren für selbstlernende algorithmen

Info

Publication number
EP4136590A1
EP4136590A1 EP21713592.0A EP21713592A EP4136590A1 EP 4136590 A1 EP4136590 A1 EP 4136590A1 EP 21713592 A EP21713592 A EP 21713592A EP 4136590 A1 EP4136590 A1 EP 4136590A1
Authority
EP
European Patent Office
Prior art keywords
values
training
algorithm
self
physical variables
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
EP21713592.0A
Other languages
English (en)
French (fr)
Inventor
Christian RIESS
Fabio DA COSTA FERREIRA
Daniel Wolf
Dietmar Tilch
Tobias Ehlgen
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.)
ZF Friedrichshafen AG
Original Assignee
ZF Friedrichshafen 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 ZF Friedrichshafen AG filed Critical ZF Friedrichshafen AG
Publication of EP4136590A1 publication Critical patent/EP4136590A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the invention relates to a method according to the preamble of claim 1.
  • the invention is based on the object of improving the training of self-learning algorithms. This object is achieved by a method according to claim 1. Preferred developments are contained in the subclaims and result from the following description.
  • a self-learning algorithm is an algorithm that belongs to the generic term of machine learning. It is based on a model that is trained by entering training data.
  • the model can be a neural network or a statistical model. Training a model refers to the adaptation of the model to training data.
  • the inventive method is used to train a self-learning algorithm.
  • the algorithm is designed, depending on one or more values - output values - one or more physical variables of a technical device, one or more values - dependent values - one or more physical variables of the technical Device to forecast.
  • a physical quantity is a property of a process or state that can be quantitatively determined on an object in physics - here: the device.
  • a physical quantity is quantitatively determined by the value of the quantity.
  • the technical device is preferably a transmission.
  • one or more values of one or more physical quantities of a plain bearing of the transmission can be predicted.
  • the dependent values are forecast by calculation.
  • the algorithm is thus designed to computationally determine one or more values of one or more physical variables of the device as a function of one or more values of one or more physical variables of the technical device.
  • the dependency of the values is a functional dependency with the output values as functional parameters and the dependent values as functional values.
  • the arithmetic determination of the dependent values is equivalent to a calculation of the functional dependency.
  • the algorithm is first subjected to basic training. This is to be understood as a training of the algorithm on values of physical quantities that were obtained by simulating at least part of the device. This implies that a simulation of the at least one part of the device is carried out.
  • the simulation preferably precedes the basic training.
  • the simulation determines initial values and dependent values. These serve the algorithm as training data. Preferably, only values obtained by simulation are used for the basic training.
  • the basic training is followed by advanced training.
  • the advanced training is to be understood as training the algorithm on measured values of the physical quantities. This implies that the values are measured on the device.
  • the advanced training is preferably carried out exclusively with measured values.
  • the algorithm is trained on measured output values and the values that are also measured and dependent on them. The measurements are preferably carried out before the advanced training.
  • the basic training is done through simulation, it is dependent on generalizing model assumptions that affect the accuracy of the predicted values. This deficiency is remedied by the subsequent build-up training.
  • the advanced training is based on measured values of the physical variables, the self-learning algorithm is calibrated to a specific physical instance of the device. A database consisting of real field data is only required for the advanced training. The training data of the basic training can be obtained arithmetically in any amount. The invention thus makes it possible to improve the accuracy of a self-learning algorithm without increasing the size of the database.
  • the advanced training is carried out after the basic training has been completed. This means that the basic training is completed at a point in time at which the advanced training is started.
  • the method according to the invention is preferably used in a method for detecting anomalies in the technical device mentioned above.
  • the output values are determined by measuring.
  • the dependent values are forecast using the algorithm.
  • the dependent values are determined by measuring.
  • Anomalies can be identified by comparing the predicted dependent values and the measured dependent values. It can be assumed that there is no anomaly if the predicted and measured values at least largely agree. If there are major deviations, this is due to an anomaly, such as damage.
  • damage to plain bearings can be detected in this way. Damage in plain bearings leads to an increase in temperature.
  • the temperature of the plain bearing is therefore preferably measured and forecast.
  • the measured and forecast values are compared with one another. If the values deviate significantly from one another, it can be assumed that the plain bearing is damaged.

Landscapes

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

Abstract

Die Erfindung betrifft ein Verfahren zum Trainieren eines selbstlernenden Algorithmus; wobei der Algorithmus ausgebildet ist, in Abhängigkeit eines oder mehrerer Werte ein oder mehrerer physikalischer Größen einer technischen Vorrichtung ein oder mehrere Werte einer oder mehrere physikalischer Größen der Vorrichtung zu prognostizieren; wobei der Algorithmus einem Basistraining mit Werten der physikalischen Größen unterzogen wird, die durch Simulation mindestens eines Teils der Vorrichtung gewonnen wurden. Der Algorithmus wird anschließend einem Aufbautraining mit gemessenen Werten der physikalischen Größen unterzogen.

Description

Hybrides Traininqsverfahren für selbstlernende Algorithmen
Die Erfindung betrifft ein Verfahren nach dem Oberbegriff von Anspruch 1.
Aus dem Stand der Technik sind Ansätze bekannt, neuronale Netze auf Simulations daten zu trainieren.
Der Erfindung liegt die Aufgabe zugrunde, das Training selbstlernender Algorithmen zu verbessern. Diese Aufgabe wird gelöst durch ein Verfahren nach Anspruch 1. Be vorzugte Weiterbildungen sind in den Unteransprüchen enthalten und ergeben sich aus nachfolgender Beschreibung.
Ein selbstlernender Algorithmus ist ein Algorithmus, der dem Oberbegriff des maschi nellen Lernens zuzurechnen ist. Er basiert auf einem Modell, das durch Eingabe von Trainingsdaten trainiert wird. Bei dem Modell kann es sich um ein neuronales Netz oder ein statistisches Modell handeln. Training eines Modells bezeichnet die Adap tion des Modells an Trainingsdaten.
Das erfindungsgemäße Verfahren dient dem Training eines selbstlernenden Algorith mus. Der Algorithmus ist ausgebildet, in Abhängigkeit eines oder mehrerer Werte - Ausgangswerte - einer oder mehrerer physikalischer Größen einer technischen Vor richtung ein oder mehrere Werte - abhängige Werte - einer oder mehrerer physikali schen Größen der technischen Vorrichtung zu prognostizieren.
Eine physikalische Größe ist eine an einem Objekt der Physik - hier: der Vorrich tung - quantitativ bestimmbare Eigenschaft eines Vorgangs oder Zustands. Quantita tiv bestimmt ist eine physikalische Größe durch den Wert der Größe.
Bei der technischen Vorrichtung handelt es sich vorzugsweise um ein Getriebe. Ins besondere können ein oder mehrere Werte ein oder mehrerer physikalischer Größen eines Gleitlagers des Getriebes prognostiziert werden. Prognostiziert werden die abhängigen Werte durch rechnerische Ermittlung. Der Al gorithmus ist also ausgebildet, in Abhängigkeit eines oder mehrerer Werte einer oder mehrerer physikalischer Größen der technischen Vorrichtung ein oder mehrere Werte einer oder mehrerer physikalischer Größen der Vorrichtung rechnerisch zu er mitteln. Bei der Abhängigkeit der Werte handelt es sich um eine funktionale Abhän gigkeit mit den Ausgangswerten als Funktionsparameter und den abhängigen Wer ten als Funktionswerten. Die rechnerische Ermittlung der abhängigen Werte ist dabei gleichbedeutend mit einer Berechnung der funktionalen Abhängigkeit.
Der Algorithmus wird zunächst einem Basistraining unterzogen. Hierunter ist ein Trai ning des Algorithmus auf Werte physikalischer Größen zu verstehen, die durch Simu lation mindestens eines Teils der Vorrichtung gewonnen wurden. Dies impliziert, dass eine Simulation des mindestens einen Teils der Vorrichtung durchgeführt wird. Vorzugsweise geht die Simulation dem Basistraining voraus. Durch die Simulation werden Ausgangswerte und davon abhängige Werte ermittelt. Diese dienen dem Al gorithmus als Trainingsdaten. Vorzugsweise werden für das Basistraining aus schließlich durch Simulation gewonnene Werte verwendet.
Erfindungsgemäß folgt auf das Basistraining ein Aufbautraining. Unter dem Aufbau training ist ein Training des Algorithmus auf gemessenen Werten der physikalischen Größen zu verstehen. Dies impliziert, dass die Werte an der Vorrichtung gemessen werden. Vorzugsweise erfolgt das Aufbautraining ausschließlich mit gemessenen Werten. Im Einzelnen wird der Algorithmus auf gemessenen Ausgangswerten und den ebenfalls gemessenen davon abhängigen Werten trainiert. Bevorzugt werden die Messungen vor dem Aufbautraining durchgeführt.
Da das Basistraining durch Simulation erfolgt, ist es von verallgemeinernden Modell annahmen abhängig, die die Genauigkeit der prognostizierten Werte beeinträchtigen. Dieser Mangel wird durch das darauffolgende Aufbautraining behoben. Da das Auf bautraining auf gemessenen Werten der physikalischen Größen basiert, wird der selbstlernende Algorithmus auf eine konkrete physische Instanz der Vorrichtung kali briert. Eine Datenbasis bestehend aus realen Felddaten ist lediglich für das Aufbautraining erforderlich. Die Trainingsdaten des Basistrainings können in beliebiger Menge rech nerisch gewonnen werden. Somit ermöglicht es die Erfindung, die Genauigkeit eines selbstlernenden Algorithmus ohne eine Vergrößerung der Datenbasis zu verbessern.
In einer bevorzugten Weiterbildung wird das Aufbautraining durchgeführt, nachdem das Basistraining abgeschlossen ist. Dies bedeutet, dass das Basistraining zu einem Zeitpunkt abgeschlossen ist, in dem das Aufbautraining gestartet wird.
Das erfindungsgemäße Verfahren kommt bevorzugt in einem Verfahren zur Detek tion von Anomalien in der oben genannten technischen Vorrichtung zum Einsatz. Da bei werden die Ausgangswerte durch Messen ermittelt. Die abhängigen Werte wer den mittels des Algorithmus prognostiziert. Zusätzlich werden die abhängigen Werte durch Messen ermittelt.
Durch Abgleich der prognostizierten abhängigen Werte und der gemessenen abhän gigen Werte lassen sich Anomalien feststellen. So ist davon auszugehen, dass keine Anomalie vorliegt, wenn die prognostizierten und gemessenen Werte zumindest wei testgehend übereinstimmen. Kommt es zu stärkeren Abweichungen, ist dies auf eine Anomalie, etwa eine Beschädigung, zurückzuführen.
Insbesondere lassen sich auf die Weise Beschädigungen von Gleitlagern detektie- ren. Beschädigungen in Gleitlagern führen zu einem Anstieg der Temperatur. Vor zugsweise wird daher die Temperatur des Gleitlagers gemessen und prognostiziert. Die gemessenen und prognostizierten Werte werden miteinander verglichen. Wei chen die Werte stark voneinander ab, ist davon auszugehen, dass eine Beschädi gung des Gleitlagers vorliegt.

Claims

Patentansprüche
1. Verfahren zum Trainieren eines selbstlernenden Algorithmus; wobei der Algorithmus ausgebildet ist, in Abhängigkeit eines oder mehrerer Werte ein oder mehrerer physikalischer Größen einer technischen Vorrichtung ein oder mehrere Werte einer oder mehrerer physikalischer Größen der Vorrichtung zu prognostizie ren; und wobei der Algorithmus einem Basistraining mit Werten der physikalischen Größen unterzo gen wird, die durch Simulation mindestens eines Teils der Vorrichtung gewonnen wurden; dadurch gekennzeichnet, dass der Algorithmus einem Aufbautraining mit gemessenen Werten der physikalischen Größen unterzogen wird.
2. Verfahren nach Anspruch 1 ; dadurch gekennzeichnet, dass das Aufbautraining durchgeführt wird, nachdem das Basistraining abgeschlossen ist.
3. Verfahren zur Detektion von Anomalien in einer technischen Vorrichtung; mit den Schritten
- Messen eines oder mehrerer Werte ein oder mehrerer physikalischer Größen der Vorrichtung;
- Prognostizieren eines oder mehrere Werte einer oder mehrerer physikalischer Grö ßen der Vorrichtung in Abhängigkeit der gemessenen Werte mittels eines nach ei nem der vorhergehenden Ansprüche trainierten Algorithmus;
- Messen der prognostizierten Werte.
EP21713592.0A 2020-04-15 2021-03-16 Hybrides trainingsverfahren für selbstlernende algorithmen Pending EP4136590A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020204715.4A DE102020204715A1 (de) 2020-04-15 2020-04-15 Hybrides Trainingsverfahren für selbstlernende Algorithmen
PCT/EP2021/056648 WO2021209209A1 (de) 2020-04-15 2021-03-16 Hybrides trainingsverfahren für selbstlernende algorithmen

Publications (1)

Publication Number Publication Date
EP4136590A1 true EP4136590A1 (de) 2023-02-22

Family

ID=75143598

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21713592.0A Pending EP4136590A1 (de) 2020-04-15 2021-03-16 Hybrides trainingsverfahren für selbstlernende algorithmen

Country Status (4)

Country Link
US (1) US20230214660A1 (de)
EP (1) EP4136590A1 (de)
DE (1) DE102020204715A1 (de)
WO (1) WO2021209209A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022205152A1 (de) 2022-05-24 2023-11-30 Zf Friedrichshafen Ag Selbstlernender Algorithmus zur Prognose des Einstechens in einen Haufen
DE102023200020A1 (de) 2023-01-03 2024-07-04 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Trainieren eines Algorithmus des maschinellen Lernens und Verfahren zum Einstellen mindestens eines in einem induktiven Härteverfahren mindestens eines Bauteils einstellbaren Prozessparameters

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200110181A1 (en) * 2018-10-04 2020-04-09 The Boeing Company Detecting fault states of an aircraft

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9811074B1 (en) * 2016-06-21 2017-11-07 TruPhysics GmbH Optimization of robot control programs in physics-based simulated environment
US20190074080A1 (en) * 2017-04-28 2019-03-07 Better Therapeutics Llc Method and system for managing lifestyle and health interventions
US10773382B2 (en) * 2017-09-15 2020-09-15 X Development Llc Machine learning methods and apparatus for robotic manipulation and that utilize multi-task domain adaptation
US11416510B2 (en) * 2019-04-10 2022-08-16 Kpmg Llp Systems and methods for applying lifecycle processes to digital data objects utilizing distributed ledger technology and artificial intelligence
US11176691B2 (en) * 2019-07-01 2021-11-16 Sas Institute Inc. Real-time spatial and group monitoring and optimization
US11763160B2 (en) * 2020-01-16 2023-09-19 Avanseus Holdings Pte. Ltd. Machine learning method and system for solving a prediction problem
US11307586B2 (en) * 2020-02-17 2022-04-19 Toyota Motor Engineering & Manufacturing North America, Inc. Offroad travel assistance system for a vehicle
US12475280B2 (en) * 2020-03-23 2025-11-18 Ansys, Inc. Generative networks for physics based simulations

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200110181A1 (en) * 2018-10-04 2020-04-09 The Boeing Company Detecting fault states of an aircraft

Also Published As

Publication number Publication date
DE102020204715A1 (de) 2021-10-21
WO2021209209A1 (de) 2021-10-21
US20230214660A1 (en) 2023-07-06

Similar Documents

Publication Publication Date Title
DE102017108169A1 (de) Produktionssystem, das einen Bestimmungswert einer Variablen in Bezug auf eine Produktabweichung festlegt
DE102018126434B4 (de) Testvorrichtung und Maschinenlernvorrichtung
CN104792529A (zh) 基于状态空间模型的滚动轴承寿命预测方法
EP4136590A1 (de) Hybrides trainingsverfahren für selbstlernende algorithmen
DE602005002818T2 (de) Verfahren zur Überwachung der Betriebsleistungen einer Industrieanlage
DE4338615A1 (de) Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System
CN105095963A (zh) 一种精确诊断与预测风洞设备故障的方法
WO2018050697A1 (de) Verfahren und vorrichtung zum überwachen eines zustands wenigstens einer windkraftanlage und computerprogrammprodukt
EP2588925B1 (de) Verfahren und vorrichtung zur ermittlung von modellparametern zur regelung eines dampfkraftwerksblocks, regeleinrichtung für einen dampferzeuger und computerprogrammprodukt
CN106227185A (zh) 一种电梯风险评估系统
WO1998015882A1 (de) Verfahren und einrichtung zur identifikation bzw. vorausberechnung von prozessparametern eines industriellen zeitvarianten prozesses
CN106845826B (zh) 一种基于PCA-Cpk的冷连轧生产线服役质量状态评估方法
DE102017131241B4 (de) Überwachungsverfahren für eine Windkraftanlage, zugehörige Überwachungsvorrichtung sowie Windkraftanlage mit Überwachungsvorrichtung
WO2013087122A1 (de) Verfahren zum erzeugen eines eine pendelung in einem elektrischen energieversorgungsnetz angebenden signals
EP3999925A1 (de) Verfahren und vorrichtungen zum bestimmen einer produktgüte
DE102019207319A1 (de) Lehrdatenerzeugungseinrichtung und Lehrdatenerzeugungsverfahren
EP3296565B1 (de) Verfahren und system zum analysieren eines zustands einer windenergieanlage
CN106096170A (zh) 基于数据驱动的风电机组多变量故障预测方法
CN106503417A (zh) 一种基于状态评价的电力设备故障率计算方法
DE102017106919A1 (de) Verfahren zur Bestimmung einer Schädigungsmaßunsicherheit eines Kraftfahrzeugs
CN116205044A (zh) 一种复杂航天设备的实时健康分析方法和系统
DE102021206044A1 (de) Überwachung der produktion von werkstoffplatten, insbesondere holzwerkstoffplatten, insbesondere unter verwendung einer selbstorganisierenden karte
DE102021100566A1 (de) Verfahren zur Bereitstellung wenigstens einer Information über eine hydraulische Anlage
CN106643907B (zh) 用于结构监测数据异常识别的加权主成分分析方法
DE102019131456A1 (de) Verfahren zum Bestimmen einer Eigenschaft einer Maschine, insbesondere einer Werkzeugmaschine, ohne messtechnisches Erfassen der Eigenschaft

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: 20220919

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: 20251021