EP4341756A1 - Computerimplementiertes verfahren und system zur bestimmung von optimierten systemparametern eines technischen systems mittels einer kostenfunktion - Google Patents

Computerimplementiertes verfahren und system zur bestimmung von optimierten systemparametern eines technischen systems mittels einer kostenfunktion

Info

Publication number
EP4341756A1
EP4341756A1 EP22732889.5A EP22732889A EP4341756A1 EP 4341756 A1 EP4341756 A1 EP 4341756A1 EP 22732889 A EP22732889 A EP 22732889A EP 4341756 A1 EP4341756 A1 EP 4341756A1
Authority
EP
European Patent Office
Prior art keywords
cost function
system parameters
parameters
rules
probability
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
EP22732889.5A
Other languages
English (en)
French (fr)
Inventor
Christian Wirth
Jörg DIETRICH
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.)
Aumovio Germany GmbH
Original Assignee
Continental Automotive Technologies GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Continental Automotive Technologies GmbH filed Critical Continental Automotive Technologies GmbH
Publication of EP4341756A1 publication Critical patent/EP4341756A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method

Definitions

  • the invention relates to a computer-implemented method for determining a cost function, with the cost function being provided for determining optimized system parameters of a technical system, with the technical system having various components that can be set by the system parameters, and with the technical system providing various output values for when the system parameters are set the various components created. Ultimately, optimized system parameters of the technical system are determined using the cost function.
  • the invention also relates to a computer system.
  • Approximation methods or algorithms can be used to determine suitable parameters.
  • Such problems are regarded as an optimization problem, in which the parameters represent free variables and a so-called cost function, which represents an evaluation function, is to be optimized.
  • This cost function describes the quality of the selected parameters and is evaluated by testing the effect of the parameters using the system.
  • there is also no cost function since the physical system supplies several output values and the output values are not directly identified as costs (or benefits) can be interpreted. Ie the expected quality is not directly one of the (numerical) output values.
  • the output of the system then forms the input of the cost function, with the cost function being determined implicitly by the system or by experts. This means that the system has output values that can be used to show the quality of the system. For example, it is known which output values are to be considered good and a corresponding function can thus be defined.
  • system parameters usually have to be determined individually for each parameterization problem using experts and expert knowledge, with a change in the model or minor changes in the technical system necessitating complex redeterminations.
  • cost functions determined by experts require a clear, reliable definition that enables automatic evaluation. This is normally not possible due to only abstract expert knowledge.
  • determining a cost function is an iterative process in which the expert looks at the optimized system parameters to further adjust the cost function until the result meets his expectations.
  • this is costly and time-consuming.
  • WO 2001 061 573 A2 discloses a method for calculating a model of a technical system which has a function structure with functions and at least one undetermined parameter, with the steps: querying the function structure of the model; querying a data file; creating an optimization environment for computing the parameters of the model; generate from Start values for the at least one undetermined parameter from the function structure; Calculate and output the parameters.
  • the object is achieved by a computer-implemented method having the features of claim 1 and a computer system having the features of claim 8.
  • the object is achieved by a computer-implemented method for determining optimized system parameters of a technical system using a cost function, with the cost function being provided for determining optimized system parameters of the technical system, with the technical system having various components that can be set by the system parameters, and with Setting the system parameters, the technical system generates different output values for the different components, comprising the steps:
  • the computer-implemented method is not based on a predefined cost function, but on a variety of rules that the cost function is intended to obey and a direct use of historical system parameters and output values.
  • the technical system is based on these rules.
  • Such rules may be based on experience, the various historical system parameters, and operationally underpin the system. With the help of the rules, an expert's expectations of the behavior of the technical system can be defined.
  • the rules can specify limit values for the machine parameters/machine settings that the machine/the technical system should comply with when it is set (operated) (e.g. as minimum and maximum system parameters to prevent overloading or malfunctions) or output values that the technical system should comply with the various modes of operation.
  • the individual can also rules are interdependent.
  • the rules can be specified, for example, in a preferred representation form, ordinal and/or numeric representation form depending on the system parameters.
  • a function space is a set of functions that all have the same domain. Usually this is infinite dimensional.
  • the rules determined above are translated as probability functions, which are based on historical system parameters and output values and determine the observed probability with which the rules are satisfied by any cost function from the function space.
  • the rules can preferably, but not necessarily, always be translated as a pairwise probability function. This means that the existing rules are translated into pairwise probability functions. Here, pairs of historical examples are formed for which the rule applies.
  • the probability can be designed as a sigmoid function, for example.
  • the probability function p sigmoid(x — y)
  • the cost function results from the resulting certain probability functions.
  • the cost function is now optimized using an optimization method, for example one that supports multi-modal solution spaces, whereby that function is determined from the function space that maximizes the overall probability of all rules or the probability that all rules are observed. Historical output values are used to evaluate the cost function in order to compare the resulting quality of the cost function with expert opinion.
  • the computer-implemented process allows system parameters to be determined without human trial and error, which ensure a high level of quality.
  • the computer-implemented method allows expert knowledge to be reproduced in a comprehensible notation.
  • the computer-implemented method makes it easy to take account of changes in the requirements and any correlation effects that may arise as a result. Manual consideration by an expert of the changes and their correlation effects is not necessary.
  • Output values/system parameters are used for determination. Furthermore, the quality of the system parameters can be explicitly determined and justified by the computer-implemented method.
  • the technical system it is possible for the technical system to be mapped or simulated virtually as a simulation. This enables a simpler determination and, above all, validation of the optimized system parameters than when using the real technical system to validate determined optimized system parameters.
  • a probability function is generated based on a rule in each case.
  • the rules are preferably different dependent or build on each other.
  • the rules can also be specified, for example, by customer requests or boundary conditions.
  • the technical system is a physical system in which the system behavior (or components of the technical system) can be changed by freely adjustable parameters (control variables).
  • control variables control variables
  • certain manipulated variables of the components of the technical system
  • mechanically, electrically or digitally which changes the measurable properties of the system. This raises the problem of the optimal manipulated variables in relation to the measurable properties.
  • the physical system it is possible for the physical system to be mapped virtually as a simulation, which simplifies changing the manipulated variables and measuring the properties.
  • An embodiment relates to the determination of optimal parameters for the operation of a control unit (an ECU, electronic control unit), for example in a vehicle.
  • a control unit an ECU, electronic control unit
  • the functional space is modeled using an expert system.
  • the mostly infinite dimensional functional space can be restricted.
  • the expert system can independently restrict or reduce the functional space based on acquired expert knowledge.
  • the function space is represented by a machine learning model.
  • the functional space can also be reduced.
  • the usual functions in machine learning such as kernel functions or neural networks, can be used here.
  • the provided rules are weighted.
  • the more important rules are weighted higher than the less important rules.
  • the rules can be determined using an expert system. This can be done automatically, for example.
  • the individual output values can also be weighted.
  • the object is also achieved by a computer system that is set up to determine optimized system parameters of a technical system using a cost function.
  • the cost function is intended to determine optimized system parameters of the technical system.
  • the technical system has various components that can be adjusted by the system parameters, and when the system parameters are adjusted, the technical system generates different output values for the various components.
  • the computer system has a storage unit with historical system parameters and corresponding historical output values for the individual components.
  • a number of rules on which the technical system is based are stored in the storage unit and are based on the various system parameters.
  • the computer system has a processor which is designed to determine a function space.
  • the function space corresponds to a set of functions in which the cost function lies.
  • the processor is designed to generate a plurality of probability functions based on the historical system parameters and corresponding output values using one or more rules. Each of the probability functions indicates the probability with which the underlying rule is fulfilled by any cost function from the function space.
  • the computer system also has an optimization unit, the optimization unit being designed to combine all probability functions in order to determine the cost function by maximization the total probability of all rules.
  • the optimization unit is further designed to optimize the system parameters given the cost function.
  • the computer system has an output unit which is designed to set the components of the technical system for the optimized system parameters.
  • an expert system is provided, with the functional space being able to be modeled with the aid of the expert system.
  • a machine learning method is provided, with the machine learning method being designed to model the functional space.
  • an expert system can be provided, which is designed to determine/model the rules.
  • FIG. 2 shows the method schematically using a locking system.
  • the cost function is intended to determine optimized system parameters of a technical system.
  • the technical system has various components that can be set using the system parameters. When setting the system parameters, the technical system generates different output values for the different components.
  • parameterization problems are problems in which a technical system has system parameters that can be chosen freely and that influence the system behavior, with the system behavior being subject to an evaluation.
  • the system parameters represent free variables that are optimized using a cost function (evaluation function). This cost function describes the quality of the system and is evaluated by testing the effect of the system parameters on the system. The output of the system then forms the input of the cost function.
  • An environment for such parameterization problems are, for example, automatic locking systems for tailgates, (sliding) doors, windows or sunroofs, drive units and injection systems, transmission systems, exhaust gas regulation systems, manufacturing and production processes, printed circuit boards, temperature protection systems, etc.
  • a first step S1 historical system parameters and the historical output values corresponding thereto are generated and evaluated for the individual components. These can, for example, have been approved by an expert.
  • a set of rules which is based on the various system parameters and historical system parameters, is determined. This can be based on experience, customer requests or simply reflect system limits or good operating conditions.
  • Examples of such rules are: - the output values of an analysis A or a test A are better than the output values of an analysis B or test B,
  • the rules may be defined in ordinal notation and/or nominal notation and/or as preferences.
  • a function space is determined, the function space corresponding to a set of functions in which the desired cost function lies.
  • the functional space is usually infinitely dimensional.
  • functions that are common in machine learning such as kernel functions or artificial neural networks, can be used with which the function space can be modeled.
  • An expert system can also be provided, in which case the function space can be represented using the expert system.
  • a plurality of paired probability functions based on the historical output values are generated using two rules, each of the paired probability functions indicating the probability with which the rules are fulfilled. This means that the existing rules are translated into pairwise probability functions.
  • pairs of historical examples are formed for which the rule applies.
  • a fifth step S5 all probability functions are combined to determine the cost function by maximizing the overall probability of all rules. Then the system parameters are optimized given the cost function.
  • step S6 the optimized system parameters obtained from step S5 are output for setting the components of the technical system.
  • FIG. 2 describes the computer-implemented method using the example of a locking system for vehicles.
  • parameterizable systems are responsible for detecting whether an object/person is trapped and the closing process must therefore be interrupted.
  • these locking systems not only affect the detection of jamming, but also the locking behavior itself.
  • the locking behavior can be subject to explicit requirements of the vehicle manufacturer.
  • a first step A1 historical system parameters and the corresponding historical output values for the individual components are generated and evaluated. These system parameters can be evaluated using an expert, for example.
  • a set of rules is created. This can be based on preferences, ordinal ratings and numerical ratings of the historical and non-historical system parameters. Furthermore, empirical values or operating parameters (from the manufacturer) or customer requests can be formulated as a rule. Such are for example:
  • the maximum closing force must have a certain value and should be minimized
  • rule 1 is rated higher than all others.
  • a function space of the cost function is determined. This is an infinite set of functions, determined by their function parameters.
  • one of the rules here is that the maximum closing force must always be above a certain value. Therefore, this part of the cost function can be determined using a limit function G Y , but it is not yet determined how quickly the costs will increase if the limit is exceeded.
  • Rules 1 to 3 are translated into pairwise probability functions.
  • pairs of historical examples are formed for which the rule applies.
  • the probability can be defined as the sigmoid function of the cost difference.
  • a sigmoid function is a mathematical function with an S-shaped graph.
  • the probability functions indicate the correctness of the set of rules in relation to the system parameters of the cost function.
  • the final probability function is determined. This is the product of all probability functions derived from the rules.
  • the result of the fifth step A5 is now a function that defines the probability of the correctness of the cost function as a function of the free parameters g,b, a 1 , a 2 , s.
  • a sixth step A6 the cost function is optimized.
  • Multi-modal optimization methods can be used for this, which determine these system parameters in such a way that the probability is maximized and thus the cost function is fully defined. Examples of this can be the Hamiltonian Monte Carlo method (hybrid Monte Carlo algorithm) or the maximum likelihood estimation method.
  • Markov chains can also be used.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Feedback Control In General (AREA)

Abstract

Die Erfindung betrifft ein computerimplementiertes Verfahren zur Bestimmung von optimierten Systemparametern eines technischen Systems mittels einer Kostenfunktion, wobei die Kostenfunktion zur Bestimmung von optimierten Systemparametern des technischen Systems vorgesehen ist, wobei das technische System verschiedene durch die Systemparameter einstellbare Komponenten aufweist, und wobei bei Einstellung der Systemparameter das technische System verschiedene Ausgabewerte für die verschiedenen Komponenten erzeugt, umfassend der Schritte: - Bereitstellen von historischen Systemparametern und der dazu korrespondierenden historischen Ausgabewerte für die einzelnen Komponenten, - Bereitstellen mehrerer dem technischen System zugrundeliegenden Regeln, welche auf den verschiedenen Systemparametern und deren Ausgabewerte basieren, - Bestimmen eines Funktionsraumes, wobei der Funktionsraum einer Menge von Funktionen entspricht, in welchen die Kostenfunktion liegt, - Generieren mehrerer, auf den historischen Systemparametern und korrespondierender Ausgabewerten basierender, Wahrscheinlichkeitsfunktionen anhand einer oder mehrerer Regeln, wobei jede der Wahrscheinlichkeitsfunktionen angibt, mit welcher Wahrscheinlichkeit die Regel von einer beliebigen Kostenfunktion aus dem Funktionsraum erfüllt werden, - Zusammenfassen aller Wahrscheinlichkeitsfunktionen zur Bestimmung der Kostenfunktion durch Maximierung der Gesamtwahrscheinlichkeit aller Regeln, - Optimieren der Systemparameter gegeben der Kostenfunktion, und - Ausgeben der optimierten Systemparameter zur Einstellung der Komponenten des technischen Systems.

Description

Beschreibung
Computerimplementiertes Verfahren und System zur Bestimmung von optimierten Systemparametern eines technischen Systems mittels einer Kostenfunktion
Die Erfindung betrifft ein computerimplementiertes Verfahren zur Bestimmung einer Kostenfunktion, wobei die Kostenfunktion zur Bestimmung von optimierten Systemparametern eines technischen Systems vorgesehen ist, wobei das technische System verschiedene durch die Systemparameter einstellbare Komponenten aufweist, und wobei bei Einstellung der System parameter das technische System verschiedene Ausgabewerte für die verschiedenen Komponenten erzeugt. Letztendlich werden mittels der Kostenfunktion optimierte Systemparameter des technischen Systems bestimmt.
Ferner betrifft die Erfindung ein Rechnersystem.
Komplexe technische Systeme (bzw. Anlagen), weisen viele Komponenten auf, welche mit Systemparametern eingestellt werden müssen. In der Praxis bereitet das Bestimmen der Parameter große Schwierigkeiten.
Diese Probleme werden Parametrisierungsprobleme genannt und sind im allgemeinen Probleme, bei denen das technische System frei zu wählende Parameter besitzt, die das Systemverhalten beeinflussen, wobei das Systemverhalten einer Bewertung unterliegt.
Zur Bestimmung geeigneter Parameter können Näherungsverfahren oder Algorithmen eingesetzt werden.
Solche Probleme werden als Optimierungsproblem betrachtet, bei dem die Parameter freie Variablen darstellen und eine sogenannte Kostenfunktion, welche eine Bewertungsfunktion darstellt, optimiert werden soll. Diese Kostenfunktion beschreibt die Güte der gewählten Parameter und wird evaluiert, in dem die Auswirkung der Parameter anhand des Systems getestet werden. In den meisten Fällen ist zudem keine Kostenfunktion gegeben, da das physikalische System mehrere Ausgabewerte liefert und die Ausgabewerte nicht direkt als Kosten (oder Nutzen) interpretiert werden können. D.h. die erwartete Güte ist nicht direkt einer der (numerischen) Ausgabewerte. Die Ausgabe des Systems bildet dann die Eingabe der Kostenfunktion, wobei die Kostenfunktion implizit durch das System oder durch Experten bestimmt wird. D.h. das System hat Ausgabewerte, mit deren Hilfe sich die Güte des Systems darstellen lässt. Beispielsweise ist bekannt, welche Ausgabewerte als gut zu erachten sind und es kann somit eine entsprechende Funktion definiert werden.
Ferner müssen Systemparameter für gewöhnlich anhand von Experten und dem Expertenwissen für jedes Parametrisierungsproblem einzeln bestimmt werden, wobei ein Wechsel des Modells oder geringfügige Änderungen des technischen Systems aufwändige Neubestimmungen notwendig machen. Durch Experten bestimmte Kostenfunktionen erfordern aber eine eindeutige, zuverlässige Definition, die eine automatische Auswertung ermöglicht. Dies ist auf Grund von nur abstraktem Expertenwissen normalerweise nicht möglich.
Gerade die Abwägung, welche Ausgabewerte wieviel Einfluss auf die Kostenfunktion haben sollen, ist häufig nicht präzise zu entscheiden und unterliegt oft der Experten-Erfahrung oder Experten-Intuition. Zudem muss der Experte gewährleisten, dass alle relevanten Einflüsse korrekt berücksichtigt werden.
In der Praxis ist das Bestimmen einer Kostenfunktion daher ein iterativer Prozess, in dem der Experte die optimierten Systemparameter betrachtet, um die Kostenfunktion weiter anzupassen, bis das Ergebnis seinen Erwartungen entspricht. Dies ist jedoch kosten- und zeitintensiv.
Des Weiteren muss die Kostenfunktion bei speziellen Kundenwünschen angepasst werden, was wiederum einen entsprechenden Expertenprozess erfordert.
Die WO 2001 061 573 A2 offenbart ein Verfahren zum Berechnen eines Modells eines technischen Systems, das eine Funktionsstruktur mit Funktionen und mindestens einem unbestimmten Parameter aufweist, mit den Schritten: Abfragen der Funktionsstruktur des Modells; Abfragen einer Datendatei; Erzeugen einer Optimierumgebung zum Berechnen der Parameter des Modells; Generieren von Startwerten für den mindestens einen unbestimmten Parameter aus der Funktionsstruktur; Berechnen und Ausgeben der Parameter.
Es ist daher eine Aufgabe der Erfindung ein computerimplementiertes Verfahren zur im wesentlichen automatisierten Bestimmung von optimierten Systemparametern eines technischen Systems mittels einer Kostenfunktion anzugeben, wobei die Kostenfunktion zur Bestimmung von optimierten System Parametern des technischen Systems vorgesehen ist. Ferner ist eine weitere Aufgabe ein entsprechend eingerichtetes Rechnersystem anzugeben.
Die Aufgabe wird gelöst durch ein computerimplementiertes Verfahren mit den Merkmalen des Anspruchs 1 und ein Rechnersystem mit den Merkmalen des Anspruchs8.
Vorteilhafte Aus- und Weiterbildungen, welche einzeln oder in Kombination miteinander eingesetzt werden können, sind Gegenstand der Unteransprüche.
Die Aufgabe wird gelöst durch ein computerimplementiertes Verfahren zur Bestimmung von optimierten System Parametern eines technischen Systems mittels einer Kostenfunktion, wobei die Kostenfunktion zur Bestimmung von optimierten Systemparametern des technischen Systems vorgesehen ist, wobei das technische System verschiedene durch die Systemparameter einstellbare Komponenten aufweist, und wobei bei Einstellung der Systemparametern das technische System verschiedene Ausgabewerte für die verschiedenen Komponenten erzeugt, umfassend der Schritte:
- Bereitstellen von historischen System Parametern und der dazu korrespondierenden historischen Ausgabewerte für die einzelnen Komponenten,
- Bereitstellen mehrerer dem technischen System zugrundeliegenden Regeln, welche auf den verschiedenen Systemparametern und deren Ausgabewerte basieren, - Bestimmen eines Funktionsraumes, wobei der Funktionsraum einer Menge von Funktionen entspricht, in welchen die Kostenfunktion liegt,
- Generieren mehrerer, auf den historischen Systemparametern und korrespondierender Ausgabewerten basierender, Wahrscheinlichkeitsfunktionen anhand einer oder mehrerer Regeln, wobei jede der Wahrscheinlichkeitsfunktionen angibt, mit welcher Wahrscheinlichkeit die zugrundeliegende Regel von einer beliebigen Kostenfunktion aus dem Funktionsraum erfüllt werden,
- Zusammenfassen aller Wahrscheinlichkeitsfunktionen zur Bestimmung der Kostenfunktion durch Maximierung der Gesamtwahrscheinlichkeit aller Regeln,
- Optimieren der Systemparameter gegeben der Kostenfunktion, und
- Ausgeben der optimierten System parameter zur Einstellung der Komponenten des technischen Systems.
Es wurde erkannt, dass in vielen (Engineering-)Bereichen noch keinerlei automatisierte Verfahren genutzt werden, um die optimalen Systemparameter eines technischen Systems zu ermitteln.
Demgemäß basiert das computerimplementierte Verfahren nicht auf einer vordefinierten Kostenfunktion, sondern auf einer Vielzahl von Regeln, die die Kostenfunktion einhalten soll, und einer direkten Nutzung von historischen Systemparametern und Ausgabewerten. Dabei liegen diese Regeln dem technischen System zugrunde.
Solche Regeln können auf Erfahrungen, den verschiedenen historischen Systemparametern basieren und dem System betriebstechnisch zugrunde liegen. Mit Hilfe der Regeln können die Erwartungen eines Experten an das Verhalten des technischen Systems definiert werden. Beispielsweise können die Regeln Grenzwerte der Maschinenparameter/ Maschineneinstellungen angeben, die die Maschine/ das technische System bei ihrer Einstellung (Betrieb) einhalten sollte (z.B. als minimaler und maximaler Systemparameter, um eine Überlastung oder Fehlfunktionen zu verhindern) oder Ausgabewerte, die das technische System bei den verschiedenen Betriebsweisen einhalten sollte. Auch können die einzelnen Regeln abhängig voneinander sein. Die Regeln können beispielsweise in einer Präferenzdarstellungsform, ordinalen oder/und numerischen Darstellungsform in Abhängigkeit von den Systemparametern angegeben werden.
Weiterhin wird ein Funktionsraum bestimmt, in welchem die gewünschte Kostenfunktion liegt.
Ein Funktionsraum ist eine Menge von Funktionen, die alle denselben Definitionsbereich besitzen. Für gewöhnlich ist dieser unendlich dimensional. Weiterhin werden die oben bestimmten Regeln als Wahrscheinlichkeitsfunktionen übersetzt, welche auf historischen Systemparametern und Ausgabewerten basieren und bestimmen, mit welcher observierten Wahrscheinlichkeit die Regeln von einer beliebigen Kostenfunktion aus dem Funktionsraum erfüllt werden.
Dabei können die Regeln bevorzugt, jedoch nicht zwingend, immer jeweils als paarweise Wahrscheinlichkeitsfunktion übersetzt werden. Dies bedeutet, dass die vorhandenen Regeln in paarweise Wahrscheinlichkeitsfunktionen übersetzt werden. Hierbei werden Paare von historischen Beispielen gebildet, für die die Regel greift. Die Wahrscheinlichkeit kann beispielsweise als Sigmoidfunktion ausgebildet sein.
So ergibt sich beispielsweise bei einer Regel, dass die Ausgabewerte x besser sind als die Ausgabewerte y die Wahrscheinlichkeitsfunktion p = sigmoid(x — y)
Die Kostenfunktion ergibt sich aus den resultierenden bestimmten Wahrscheinlichkeitsfunktionen. Es wird nun mit Hilfe eines Optimierungsverfahrens, beispielsweise eines, welches multi-modale Lösungsräume unterstützt, die Kostenfunktion optimiert, wodurch diejenige Funktion aus dem Funktionsraum ermittelt wird, welche die Gesamtwahrscheinlichkeit aller Regeln bzw. die Wahrscheinlichkeit, dass alle Regeln eingehalten werden maximiert. Zur Bewertung der Kostenfunktion werden historische Ausgabewerte angewendet, um die resultierende Güte der Kostenfunktion mit der Expertenmeinung abzugleichen.
Durch das computerimplementierte Verfahren können System parameter ohne menschliches Ausprobieren ermittelt werden, welche einen hohen Gütegrad gewährleisten.
Durch das computerimplementierte Verfahren kann Expertenwissen in einer verständlichen Notation wiedergegeben werden.
Weiterhin können durch das computerimplementierte Verfahren Änderungen der Anforderungen und dadurch ggf. entstehende Korrelationseffekte einfach berücksichtigt werden. Eine manuelle Berücksichtigung durch einen Experten der Änderungen sowie deren Korrelationseffekte ist nicht notwendig.
Zudem wird durch das computerimplementierte Verfahren die Gültigkeit der Kostenfunktion implizit gewährleistet, da historische
Ausgabewerte/Systemparameter zur Bestimmung genutzt werden. Ferner lässt sich die Güte der System parameter durch das computerimplementierte Verfahren explizit ermitteln und begründen.
Widersprüche zwischen historischen Ausgabewerten und Expertenwissen lassen sich durch das computerimplementierte Verfahren explizit darstellen.
Gemäß einer Ausführungsvariante ist es möglich, dass das technische System virtuell als eine Simulation abgebildet bzw. simuliert wird. Dies ermöglicht eine einfachere Bestimmung und vor allem Validierung der optimierten Systemparameter als bei Verwendung des realen technischen Systems zur Validierung von ermittelten optimierten Systemparametern.
In einer Ausführungsform wird jeweils eine Wahrscheinlichkeitsfunktion anhand jeweils einer Regel generiert. Dabei sind die Regeln vorzugsweise voneinander abhängig oder bauen aufeinander auf. Die Regeln können auch beispielsweise durch Kundenwünsche oder Randbedingungen vorgegeben sein.
Gemäß einer Ausführungsform ist das technisches System ein physikalisches System, bei dem das Systemverhalten (bzw. Komponenten des technischen Systems) durch frei einstellbare Parameter (Stellgrößen) verändert werden kann. D.h. bestimmte Stellgrößen (der Komponenten des technischen Systems) können mechanisch, elektrisch oder digital verändert werden, wodurch sich messbare Eigenschaften des Systems verändern. Somit stellt sich das Problem der optimalen Stellgrößen in Bezug auf die messbaren Eigenschaften.
Als Ausführungsvariante ist es möglich, dass das physikalische System virtuell als Simulation abgebildet wird, welches das Verändern der Stellgrößen und Messen der Eigenschaften vereinfacht.
Eine Ausführungsform betrifft die Bestimmung von optimalen Parametern für den Betrieb eines Steuergeräts (einer ECU, electronic control unit), z.B. in einem Fahrzeug.
In einerweiteren Ausführungsform wird der Funktionsraum mithilfe eines Expertensystem als Modell dargestellt. Dabei kann der zumeist unendlich dimensionale Funktionsraum eingeschränkt werden. Das Expertensystem kann eigenständig anhand erworbenen Expertenwissens den Funktionsraum einschränken bzw. reduzieren.
In einerweiteren Ausführungsform wird der Funktionsraum durch ein Modell aus dem maschinellen Lernverfahren dargestellt. Dadurch kann der Funktionsraum ebenfalls reduziert werden. Hierbei können die im maschinellen Lernen übliche Funktionen wie Kernel-Funktionen oder Neuronale Netze genutzt werden.
In einerweiteren Ausführungsform werden die bereitgestellten Regeln gewichtet. Dabei werden die wichtigeren Regeln höher gewichtet als weniger wichtige Regeln. Weiterhin können die Regeln anhand eines Expertensystems bestimmt werden. Dies kann beispielsweise automatisiert erfolgen. Auch können die einzelnen Ausgabewerte gewichtet werden.
Dadurch können bessere Systemparameter durch eine verbesserte Kostenfunktion gefunden werden.
Ferner wird die Aufgabe gelöst durch ein Rechnersystem, welches zur Bestimmung von optimierten Systemparametern eines technischen Systems mittels einer Kostenfunktion eingerichtet ist. Die Kostenfunktion ist zur Bestimmung von optimierten Systemparametern des technischen Systems vorgesehen ist. Das technische System weist verschiedene durch die Systemparameter einstellbare Komponenten auf, und bei Einstellung der Systemparameter erzeugt das technische System verschiedene Ausgabewerte für die verschiedenen Komponenten.
Das Rechnersystem weist eine Speichereinheit mit historischen Systemparametern dazu korrespondierenden historischen Ausgabewerte für die einzelnen Komponenten auf. In der Speichereinheit sind mehrere, dem technischen System zugrundeliegende Regeln gespeichert, welche auf den verschiedenen Systemparametern basieren.
Das Rechnersystem weist einen Prozessor auf, der dazu ausgebildet ist, einen Funktionsraum zu bestimmen. Der Funktionsraum entspricht einer Menge von Funktionen, in welchen die Kostenfunktion liegt. Der Prozessor ist dazu ausgebildet, mehrere, auf den historischen Systemparametern und korrespondierenden Ausgabewerten basierende, Wahrscheinlichkeitsfunktionen anhand einer oder mehrerer Regeln zu generieren. Jede der Wahrscheinlichkeitsfunktionen gibt an, mit welcher Wahrscheinlichkeit die zugrundeliegende Regel von einer beliebigen Kostenfunktion aus dem Funktionsraum erfüllt wird.
Das Rechnersystem weist weiter eine Optimierungseinheit auf, wobei die Optimierungseinheit dazu ausgebildet ist, alle Wahrscheinlichkeitsfunktionen zusammenzufassen zur Bestimmung der Kostenfunktion durch eine Maximierung der Gesamtwahrscheinlichkeit aller Regeln. Die Optimierungseinheit ist weiter dazu ausgebildet, die Systemparameter gegeben der Kostenfunktion zu optimieren.
Das Rechnersystem weist schließlich eine Ausgabeeinheit auf, die zum der optimierten Systemparameter zur Einstellung der Komponenten des technischen Systems ausgebildet ist.
Die Vorteile des Verfahrens können auch auf das Rechnersystem übertragen werden.
In weiterer Ausbildung ist ein Expertensystem vorgesehen, wobei der Funktionsraum mithilfe des Expertensystems modelliert werden kann.
In weiterer Ausführungsform ist ein maschinelles Lernverfahren vorgesehen, wobei das maschinelle Lernverfahren dazu ausgebildet ist, den Funktionsraum zu modellieren.
Ferner kann ein Expertensystem vorgesehen sein, welches dazu ausgebildet ist, die Regeln zu bestimmen/modellieren.
Bevorzugte Ausführungsformen der vorliegenden Erfindung werden nachfolgend anhand der beigefügten Zeichnungen näher erläutert. Es zeigen:
FIG 1 : schematisch das Verfahren, und
FIG 2: schematisch das Verfahren anhand eines Schließsystems.
FIG 1 zeigt das Verfahren zur Bestimmung einer Kostenfunktion schematisch. Die Kostenfunktion ist zur Bestimmung von optimierten System Parametern eines technischen Systems vorgesehen. Das technische System weist verschiedene Komponenten auf, welche durch die Systemparameter eingestellt werden können. Bei Einstellung der Systemparameter erzeugt das technische System verschiedene Ausgabewerte für die verschiedenen Komponenten.
Ein solches technisches System sind alle Systeme, welche über Parametrisierungsprobleme verfügen. Dabei sind Parametrisierungsprobleme Probleme, bei denen ein technisches System frei zu wählende System parameter besitzt, die das Systemverhalten beeinflussen, wobei das Systemverhalten einer Bewertung unterliegt. Bei einem solchen technischen System stellen die Systemparameter freie Variablen dar, welche mittels einer Kostenfunktion (Bewertungsfunktion) optimiert werden. Diese Kostenfunktion beschreibt die Güte des Systems und wird evaluiert, in dem die Auswirkung der Systemparameter anhand des Systems getestet werden. Die Ausgabe des Systems bildet dann die Eingabe der Kostenfunktion.
Ein Umfeld für solche Parametrisierungsprobleme sind beispielsweise automatische Schließsysteme für Heckklappen, (Schiebe-) Türen, Fenster oder Schiebedächer, Antriebsaggregate und Einspritzsysteme, Getriebesysteme, Abgas Regulations-Systeme, Herstellungs- und Produktionsprozesse, Platinen Temperatur-Schutzsysteme etc.
Dabei werden in einem ersten Schritt S1 historische Systemparameter und die dazu korrespondierenden historischen Ausgabewerte für die einzelnen Komponenten generiert und bewertet. Diese können beispielsweise anhand eines Experten für gut befunden worden sein.
In einem zweiten Schritt S2 wird ein Regelsatz, welcher auf den verschiedenen System parametern sowie historischen System Parametern basiert, bestimmt. Dieser kann auf Erfahrungen basieren, Kundenwünsche oder einfach nur Systemgrenzen oder gute Betriebsbedingungen widerspiegeln.
Beispiele für solche Regeln sind: - die Ausgabewerte einer Analyse A oder eines Test A sind besser als die Ausgabewerte einer Analyse B oder Tests B,
- ein bestimmter System parameter oder Ausgabewert soll klein oder groß sein oder in einem Wertebereich liegen,
- die Ausgabewerte von einer Analyse Test A sollen einen bestimmten Wert auf einer ordinalen Skala oder nominalen Skala aufweisen,
- die Systemparameter oder Ausgabewerte in einem bestimmten Bereich sollen einen vorgegebenen Wert auf einer ordinalen Skala aufweisen,
- die Ausgabewerte einer Analyse oder Tests A sollen einen vorgegebenen Gütewert aufweisen.
Die Regeln können in einer ordinalen Darstellungsform und/oder nominalen Darstellungsform und/oder als Präferenzen definiert werden.
Ferner wird in einem dritten Schritt S3 ein Funktionsraum bestimmt, wobei der Funktionsraum einer Menge von Funktionen entspricht, in welchen die gewünschte Kostenfunktion liegt. Dabei ist der Funktionsraum normalerweise unendlich dimensional. Zur Reduzierung können im maschinellen Lernen übliche Funktionen wie Kernel-Funktionen oder künstliche neuronale Netze genutzt werden, mit denen der Funktionsraum modelliert werden kann. Ebenfalls kann ein Expertensystem ein Expertensystem vorgesehen sein, wobei der Funktionsraum mithilfe des Expertensystems dargestellt werden kann.
In einem vierten Schritt S4 werden mehrere paarweise, auf den historischen Ausgabewerten basierende, Wahrscheinlichkeitsfunktionen anhand zweier Regeln generiert, wobei jeder der paarweisen Wahrscheinlichkeitsfunktionen angibt, mit welcher Wahrscheinlichkeit die Regeln erfüllt werden. Dies bedeutet, dass die vorhandenen Regeln in paarweise Wahrscheinlichkeitsfunktionen übersetzt werden. Hierbei werden Paare von historischen Beispielen gebildet, für die die Regel greift.
Auch können nicht nur paarweise Wahrscheinlichkeitsfunktionen gebildet werden, sondern Wahrscheinlichkeitsfunktionen, die eine oder mehrere Regeln erfüllen. Die Regeln werden damit als eine Wahrscheinlichkeitsfunktion übersetzt, welche basierend auf historischen Ausgabewerten definieren, mit welcher observierten Wahrscheinlichkeit die angewendeten Regeln erfüllt werden.
In einem fünften Schritt S5 werden alle Wahrscheinlichkeitsfunktionen zusammengefasst zur Bestimmung der Kostenfunktion durch eine Maximierung der Gesamtwahrscheinlichkeit aller Regeln. Anschließend werden die Systemparameter gegeben der Kostenfunktion optimiert.
Dies kann mit Hilfe eines Optimierungsverfahrens, welches multi-modale Lösungsräume unterstützt, vorgenommen werden. Dadurch ist es möglich, diejenige Funktion aus dem Funktionsraum zu wählen, welche die Gesamtwahrscheinlichkeit aller Regeln maximiert.
In einem sechsten Schritt S6 werden die aus Schritt S5 erhaltenen optimierten Systemparameter ausgegeben zur Einstellung der Komponenten des technischen Systems.
FIG 2 beschreibt das computerimplementierte Verfahren am Beispiel eines Schließsystems für Fahrzeuge.
Im Bereich der elektrischen Schließsysteme für Fahrzeuge, wie z.B. Heckklappen, Türen oder Fensterheber, sind parametrisierbare Systeme dafür verantwortlich, um zu erkennen, ob ein Objekt / Person eingeklemmt wird und somit der Schließvorgang abgebrochen werden muss. Diese Schließsysteme beeinflussen aber nicht nur die Klemmerkennung, sondern auch das Schließverhalten an sich. Zudem kann das Schließverhalten expliziten Anforderungen des Fahrzeugherstellers unterliegen.
In einem ersten Schritt A1 werden historische System parameter und die dazu korrespondierenden historischen Ausgabewerte für die einzelnen Komponenten generiert und bewertet. Diese Systemparameter können beispielsweise anhand eines Experten bewertet werden. In einem zweiten Schritt A2 wird ein Regelsatz erstellt. Dabei kann dieser auf Präferenzen, ordinalen Bewertungen und numerischen Bewertungen der historischen und nichthistorischen Systemparameter basieren. Ferner können Erfahrungswerte oder Betriebsparameter (vom Hersteller) oder Kundenwünsche als Regel formuliert werden. Solche sind beispielsweise:
1 . Die Anzahl der nicht erkannten Klemmungen soll minimiert werden,
2. Die Anzahl der fälschlich erkannten Klemmungen soll minimiert werden,
3. Die maximale Schließkraft muss einen bestimmten Wert haben und soll minimiert werden,
4. Die finalen Parameter aus den historischen Daten sind als gut zu erachten.
Zudem werden die Regeln mit einer Gewichtung versehen, um auszudrücken, dass nicht alle Regeln gleich relevant sind. So wird beispielsweise die Regel 1 höher bewertet als alle anderen.
In einem dritten Schritt A3 wird ein Funktionsraum der Kostenfunktion bestimmt. Dies ist eine unendliche Menge von Funktionen, die durch ihre Funktionsparameter bestimmt wird.
So ist hier beispielsweise eine der Regeln, dass die maximale Schließkraft immer über einem bestimmten Wert liegen muss. Daher kann dieser Teil der Kostenfunktion über eine Grenzwertfunktion GY bestimmt werden, bei der aber noch nicht bestimmt ist, wie schnell die Kosten steigen, wenn der Grenzwert überschritten wird.
Die Bewertung von nicht erkannten und falsch erkannten Klemmungen ist hingegen vergleichbar mit einer binären Klassifikation. Daher können hierfür gängige Bewertungsmechanismen wie die F-Beta-Score Fß verwendet werden, wobei aber der Beta Wert nicht bekannt ist. Zudem muss bestimmt werden, wie die beiden Teile der Kostenfunktion in Abhängigkeit zueinanderstehen.
Zum Bestimmen der Kostenfunktion c mit verschiedenen Funktionsparametern: ist es somit nötig den Steigungswert g der Grenzwertfunktion G, den ß Faktor und die Gewichtung a1, a2 der beiden Terme zu lernen.
In einem vierten Schritt A4 werden mehrere paarweise
Wahrscheinlichkeitsfunktionen anhand zweier Regeln generiert. Die Regeln 1 bis 3 werden dabei in paarweise Wahrscheinlichkeitsfunktionen übersetzt. Hierbei werden Paare von historischen Beispielen gebildet, für die die Regel greift.
In diesem Fall kann die Wahrscheinlichkeit als Sigmoidfunktion der Kostendifferenz definiert werden. Eine Sigmoidfunktion ist eine mathematische Funktion mit einem S-förmigen Graphen.
So hat beispielsweise der/die Systemparameter x mit den entsprechenden Auswerteparametern eine niedrigere, maximale Schließkraft als y. Daraus ergibt sich die Wahrscheinlichkeitsfunktion: p = sigmoid(x — y).
Die Regel 4 lässt sich über eine variable Normalverteilung darstellen. D.h. alle historischen finalen Systemparameter x, bekommen eine Wahrscheinlichkeitsfunktion: p = iV( 0, s ) * pd/(x) wobei N die Normalverteilung ist, 0 für einen „guten“ Kostenwert steht, s die Varianz als freie Variable beschreibt und pdf die Punktwahrscheinlichkeit (probability density function), welche sich nur auf den Systemparameter x bezieht, ist.
Dabei geben die Wahrscheinlichkeitsfunktionen jeweils die Korrektheit des Regelsatzes in Bezug auf die Systemparameter der Kostenfunktion an. In einem fünften Schritt A5 wird die finale Wahrscheinlichkeitsfunktion bestimmt. Diese ist das Produkt aller Wahrscheinlichkeitsfunktionen, die aus den Regeln abgeleitet wurden.
Das Ergebnis von dem fünften Schritt A5 ist nun eine Funktion, die die Wahrscheinlichkeit der Korrektheit der Kostenfunktion in Abhängigkeit von den freien Parametern g,b, a1, a2, s definiert.
In einem sechsten Schritt A6 wird die Kostenfunktion optimiert. Hierzu können multi-modale Optimierungsverfahren verwendet werden, die diese Systemparameter so bestimmen, dass die Wahrscheinlichkeit maximiert wird und somit die Kostenfunktion voll definiert. Beispiele hierfür können das Hamiltonian Monte Carlo Verfahren (Hybrid-Monte-Carlo-Algorithmus) oder das Maximum Likelihood Schätzverfahren sein.
Ferner können auch Markov - Ketten, Generische Algorithmen, „Simulated Annealing“ - Verfahren oder andere geeignete Verfahren herangezogen werden.
Bezugszeichenliste:
S1-6, A1-6 Verfahrensschritte

Claims

Patentansprüche
1. Computerimplementiertes Verfahren zur Bestimmung von optimierten Systemparametern eines technischen Systems mittels einer Kostenfunktion, wobei die Kostenfunktion zur Bestimmung von optimierten System Parametern des technischen Systems vorgesehen ist, wobei das technische System verschiedene durch die Systemparameter einstellbare Komponenten aufweist, und wobei bei Einstellung der Systemparameter das technische System verschiedene Ausgabewerte für die verschiedenen Komponenten erzeugt, g e k e n n z e i c h n e t, d u r c h die Schritte:
- Bereitstellen von historischen System Parametern und der dazu korrespondierenden historischen Ausgabewerte für die einzelnen Komponenten,
- Bereitstellen mehrerer dem technischen System zugrundeliegenden Regeln, welche auf den verschiedenen Systemparametern und deren Ausgabewerte basieren,
- Bestimmen eines Funktionsraumes, wobei der Funktionsraum einer Menge von Funktionen entspricht, in welchen die Kostenfunktion liegt,
- Generieren mehrerer, auf den historischen Systemparametern und korrespondierender Ausgabewerten basierender,
Wahrscheinlichkeitsfunktionen anhand einer oder mehrerer Regeln, wobei jede der Wahrscheinlichkeitsfunktionen angibt, mit welcher Wahrscheinlichkeit die Regel von einer beliebigen Kostenfunktion aus dem Funktionsraum erfüllt wird,
- Zusammenfassen aller Wahrscheinlichkeitsfunktionen zur Bestimmung der Kostenfunktion durch Maximierung der Gesamtwahrscheinlichkeit aller Regeln,
- Optimieren der Systemparameter gegeben der Kostenfunktion,
- und Ausgeben der optimierten System parameter zur Einstellung der Komponenten des technischen Systems.
2. Computerimplementiertes Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass jeweils eine Wahrscheinlichkeitsfunktion anhand jeweils einer Regel generiert wird.
3. Computerimplementiertes Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass das technisches System ein physikalisches System ist, bei dem das Systemverhalten durch frei einstellbare Parameter verändert werden kann.
4. Computerimplementiertes Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass bestimmte Stellgrößen durch die frei einstellbaren Parameter mechanisch, elektrisch oder digital verändert werden.
5. Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die bereitgestellten Regeln gewichtet werden.
6. Computerimplementiertes Verfahren nach einem der vorhergehenden
Ansprüche, dadurch gekennzeichnet, dass die Regeln anhand eines Expertensystems bestimmt werden.
7. Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die einzelnen Ausgabewerte gewichtet werden.
8. Rechnersystem eingerichtet zur Bestimmung von optimierten Systemparametern eines technischen Systems mittels einer Kostenfunktion, wobei die Kostenfunktion zur Bestimmung von optimierten System Parametern des technischen Systems vorgesehen ist, wobei das technische System verschiedene, durch die Systemparameter einstellbare Komponenten aufweist, und wobei bei Einstellung der Systemparameter das technische System verschiedene Ausgabewerte für die verschiedenen Komponenten erzeugt, d a d u r c h g e k e n n z e i c h n e t, d a s s das Rechnersystem eine Speichereinheit mit historischen Systemparametern und der dazu korrespondierenden historischen Ausgabewerte für die einzelnen Komponenten aufweist, wobei in der Speichereinheit mehrere, dem technischen System zugrundeliegende Regeln gespeichert sind, welche auf den verschiedenen Systemparametern basieren, und wobei das Rechnersystem einen Prozessor aufweist, wobei der Prozessor dazu ausgebildet ist, einen Funktionsraum zu bestimmen, wobei der Funktionsraum einer Menge von Funktionen entspricht, in welchen die Kostenfunktion liegt, und der Prozessor dazu ausgebildet ist, mehrere, auf den historischen Systemparametern und korrespondierender Ausgabewerten basierende,
Wahrscheinlichkeitsfunktionen anhand einer oder mehrerer Regeln zu generieren, wobei jede der Wahrscheinlichkeitsfunktionen angibt, mit welcher Wahrscheinlichkeit die Regel von einer beliebigen Kostenfunktion aus dem Funktionsraum erfüllt wird, wobei das Rechnersystem weiter eine Optimierungseinheit aufweist, wobei die Optimierungseinheit zum Zusammenfassen aller Wahrscheinlichkeitsfunktionen zur Bestimmung der Kostenfunktion durch eine Maximierung der Gesamtwahrscheinlichkeit aller Regeln und zur Optimierung der Systemparameter gegeben der Kostenfunktion ausgebildet ist, und wobei das Rechnersystem eine Ausgabeeinheit aufweist, wobei die Ausgabeeinheit zur Ausgabe der optimierten Systemparameter zur Einstellung der Komponenten des technischen Systems ausgebildet ist.
9. Rechnersystem nach Anspruch 8, dadurch gekennzeichnet, dass ein Expertensystem vorgesehen ist und das Expertensystem dazu ausgebildet ist, die Regeln zu bestimmen.
EP22732889.5A 2021-05-19 2022-05-19 Computerimplementiertes verfahren und system zur bestimmung von optimierten systemparametern eines technischen systems mittels einer kostenfunktion Pending EP4341756A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021205098.0A DE102021205098A1 (de) 2021-05-19 2021-05-19 Computerimplementiertes Verfahren und System zur Bestimmung einer Kostenfunktion
PCT/DE2022/200102 WO2022242813A1 (de) 2021-05-19 2022-05-19 Computerimplementiertes verfahren und system zur bestimmung von optimierten systemparametern eines technischen systems mittels einer kostenfunktion

Publications (1)

Publication Number Publication Date
EP4341756A1 true EP4341756A1 (de) 2024-03-27

Family

ID=82163313

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22732889.5A Pending EP4341756A1 (de) 2021-05-19 2022-05-19 Computerimplementiertes verfahren und system zur bestimmung von optimierten systemparametern eines technischen systems mittels einer kostenfunktion

Country Status (5)

Country Link
US (1) US20240241482A1 (de)
EP (1) EP4341756A1 (de)
CN (1) CN117396815A (de)
DE (2) DE102021205098A1 (de)
WO (1) WO2022242813A1 (de)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001061573A2 (de) 2000-02-16 2001-08-23 Siemens Aktiengesellschaft Verfahren und vorrichtung zum berechnen eines modells eines technischen systems
DE102006059829A1 (de) 2006-12-15 2008-06-19 Slawomir Suchy Universalcomputer
US9568915B1 (en) * 2016-02-11 2017-02-14 Mitsubishi Electric Research Laboratories, Inc. System and method for controlling autonomous or semi-autonomous vehicle
DE112017002604T5 (de) * 2016-06-21 2019-02-21 Sri International Systeme und Verfahren für das maschinelle Lernen unter Verwendung eines vertrauenswürdigen Modells
US10416619B2 (en) * 2016-07-25 2019-09-17 General Electric Company System modeling, control and optimization
DE102017211209A1 (de) * 2017-06-30 2019-01-03 Robert Bosch Gmbh Verfahren und Vorrichtung zum Einstellen mindestens eines Parameters eines Aktorregelungssystems, Aktorregelungssystem und Datensatz
US20200006946A1 (en) * 2018-07-02 2020-01-02 Demand Energy Networks, Inc. Random variable generation for stochastic economic optimization of electrical systems, and related systems, apparatuses, and methods
DE102018220505A1 (de) * 2018-11-28 2020-05-28 Robert Bosch Gmbh Modellprädiktive Regelung mit verbesserter Berücksichtigung von Beschränkungen
AT521927B1 (de) * 2018-12-10 2020-10-15 Avl List Gmbh Verfahren zur Kalibirierung eines technischen Systems

Also Published As

Publication number Publication date
DE102021205098A1 (de) 2022-11-24
WO2022242813A1 (de) 2022-11-24
US20240241482A1 (en) 2024-07-18
CN117396815A (zh) 2024-01-12
DE112022002664A5 (de) 2024-02-29

Similar Documents

Publication Publication Date Title
DE112022000106T5 (de) Verfahren zur Getriebefehlerdiagnose und Signalerfassung, eine Vorrichtung und ein elektronisches Gerät
DE10297009B4 (de) Sensorfusion unter Verwendung von selbstvaluierenden Prozesssensoren
EP2425308B1 (de) Einrichtung und verfahren zur residuenauswertung eines residuums zur erkennung von systemfehlern im systemverhalten eines systems eines flugzeugs
DE102016109232A1 (de) Stichprobenmessverfahren mit Stichprobenentnahmeratenentscheidungsschema und Computerprogrammprodukt hiervon
WO2004090807A2 (de) Verfahren zum trainieren von neuronalen netzen
WO2020160761A1 (de) Verfahren und prüfvorrichtung
DE112020003050T5 (de) Fehlerkompensation in analogen neuronalen netzen
DE102011102274A1 (de) Verfahren zum Betreiben eines Sicherheitssteuergeräts
DE102011081346A1 (de) Verfahren zum Erstellen einer Funktion für ein Steuergerät
EP3627262A1 (de) Verfahren und assistenzsystem zur parametrisierung eines anomalieerkennungsverfahrens
DE102016216945A1 (de) Verfahren und Vorrichtung zum Ausführen einer Funktion basierend auf einem Modellwert eines datenbasierten Funktionsmodells basierend auf einer Modellgültigkeitsangabe
EP2433185B1 (de) Vorrichtung und verfahren zum bearbeiten einer prozesssimulationsdatenbasis eines prozesses
EP3796117B1 (de) Diagnoseverfahren und diagnosesystem für eine verfahrenstechnische anlage
WO2021089591A1 (de) Verfahren zum trainieren eines künstlichen neuronalen netzes, computerprogramm, speichermedium, vorrichtung, künstliches neuronales netz und anwendung des künstlichen neuronalen netzes
DE102022209080A1 (de) Verfahren zum Kalibrieren eines Sensors, Recheneinheit und Sensorsystem
DE102016124205A1 (de) Computer-implementiertes Verfahren zur Optimierung eines Herstellungsprozesses
EP4341756A1 (de) Computerimplementiertes verfahren und system zur bestimmung von optimierten systemparametern eines technischen systems mittels einer kostenfunktion
DE10015286A1 (de) System, Verfahren und Produkt mit Computerbefehlssatz zum automatischen Abschätzen experimenteller Ergebnisse
DE102009018785A1 (de) Verfahren und Vorrichtungen für eine virtuelle Testzelle
DE102021207094A1 (de) Computerimplementiertes Verfahren, Computerprogramm und Vorrichtung zum Erzeugen einer daten-basierten Modellkopie in einem Sensor
DE102021205097A1 (de) Computerimplementiertes Verfahren und System zur Bestimmung einer Kostenfunktion
DE102019214546A1 (de) Computerimplementiertes Verfahren und Vorrichtung zur Optimierung einer Architektur eines künstlichen neuronalen Netzwerks
WO2023209029A1 (de) Computer-implementiertes verfahren und system für den betrieb eines technischen geräts mit einem modell auf basis föderierten lernens
DE102013206274A1 (de) Verfahren und Vorrichtung zum Anpassen eines nicht parametrischen Funktionsmodells
DE102016113310A1 (de) Verfahren zur Bewertung von Aussagen einer Mehrzahl von Quellen zu einer Mehrzahl von Fakten

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: 20231219

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

RAP3 Party data changed (applicant data changed or rights of an application transferred)

Owner name: CONTINENTAL AUTOMOTIVE TECHNOLOGIES GMBH

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
RAP3 Party data changed (applicant data changed or rights of an application transferred)

Owner name: AUMOVIO GERMANY GMBH

GRAP Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOSNIGR1

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

Free format text: STATUS: GRANT OF PATENT IS INTENDED