EP4739988A1 - Computerimplementiertes verfahren zum bereitstellen eines trainingsdatensatzes, computerimplementiertes verfahren zum trainieren eines ki-systems und verwendung eines solchen computerimplementierten verfahrens, trainingsdatensatz zum trainieren eines ki-systems - Google Patents

Computerimplementiertes verfahren zum bereitstellen eines trainingsdatensatzes, computerimplementiertes verfahren zum trainieren eines ki-systems und verwendung eines solchen computerimplementierten verfahrens, trainingsdatensatz zum trainieren eines ki-systems

Info

Publication number
EP4739988A1
EP4739988A1 EP24735493.9A EP24735493A EP4739988A1 EP 4739988 A1 EP4739988 A1 EP 4739988A1 EP 24735493 A EP24735493 A EP 24735493A EP 4739988 A1 EP4739988 A1 EP 4739988A1
Authority
EP
European Patent Office
Prior art keywords
sensor data
training
sensor
data
unadulterated
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
EP24735493.9A
Other languages
English (en)
French (fr)
Inventor
Jens Heim
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.)
Schaeffler Technologies AG and Co KG
Original Assignee
Schaeffler Technologies AG and Co KG
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 Schaeffler Technologies AG and Co KG filed Critical Schaeffler Technologies AG and Co KG
Publication of EP4739988A1 publication Critical patent/EP4739988A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L25/00—Testing or calibrating of apparatus for measuring force, torque, work, mechanical power, or mechanical efficiency
    • G01L25/003—Testing or calibrating of apparatus for measuring force, torque, work, mechanical power, or mechanical efficiency for measuring torque
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Definitions

  • Computer-implemented method for providing a training data set Computer-implemented method for training a Kl system and
  • the invention relates to a computer-implemented method for providing a training data set for training an artificial intelligence (AI) system.
  • the invention also relates to a computer-implemented method for training an AI system for evaluating the integrity of sensor data and to a use of such a method.
  • the invention also relates to a training data set for training an AI system.
  • the invention can be used, for example, to check the functionality of a sensor and/or the quality of the measured values it provides, i.e. the integrity of the sensor. Such checks are often provided in safety-relevant applications. For example, in drive modules of collaborative robots it may be necessary to check the integrity of the measurement data provided by torque and/or position sensors in order to be able to rule out damage to the people working with the collaborative robots.
  • the task is to provide a solution that reduces the effort involved in checking the integrity of a sensor and can be used regardless of the functionality and structure of the sensor.
  • the problem is solved by a computer-implemented method for providing a training data set for training a Kl system comprising the following steps:
  • a training data set is provided for an artificial intelligence (AI) system, which can be used in a trained state to check the integrity of the sensor.
  • AI artificial intelligence
  • the AI system can be taught to the respective application, i.e. the respective sensor.
  • Detailed knowledge of the functionality or structure of the sensor to be monitored is not required.
  • the provision of the training data only requires unadulterated sensor data, which can come from a functional sensor, for example. Sensor data from a non-functional sensor is not required. Rather, in the method according to the invention, falsified sensor data is generated depending on the unadulterated sensor data itself. In this way, the effort required to train the AI system is reduced.
  • the provision of the training data set can be carried out, for example, during the calibration of a (still) functional sensor, with the sensor data determined during this being used as unadulterated sensor data for the training data set.
  • Sensor data in the sense of the invention is understood to mean measurement data and/or data derived from the measurement data. Derived data can be, for example, filtered data, angle or torque signals.
  • Derived data can be, for example, filtered data, angle or torque signals.
  • both generic Kl models and parameterizations can be used for the Kl system, as well as models and/or parameterizations adapted individually to the respective sensor.
  • Transfer learning methods can also be used, for example, to adapt a generic model individually to the respective sensor.
  • a first classification information associated with the unadulterated sensor data and a second classification information associated with the falsified sensor data are provided as a further part of the training data set, wherein the first and the second classification information differ.
  • Classification information can also be referred to as a "label", i.e. an output value of the Kl system.
  • An advantageous embodiment of the invention provides that the first and second classification information comprises: - an indication of whether the unadulterated or falsified sensor data to which the classification information is assigned are unadulterated or falsified.
  • Examples of the first classification information are “unadulterated” or “no error detected”. Examples of the second classification information are “adulterated” or “error detected”.
  • the unadulterated and falsified sensor data each comprise several sensor data channels and the first and second classification information comprises:
  • the AI system can be provided with a more realistic image of the data.
  • a severity level of the error or errors can be determined and transmitted to the AI system.
  • Troubleshooting requires precise knowledge of the location of the error. Having information about which sensor data channel or channels are faulty allows for faster troubleshooting.
  • the falsified sensor data is generated by adding the unfalsified sensor data to an error signal.
  • the error signal can be a periodic or aperiodic signal and can be added to the respective unfalsified sensor data with or without taking a sign into account.
  • Another object of the invention is a computer-implemented method for training a Kl system for evaluating an integrity of sensor data, comprising the following steps:
  • a subsequent procedural step following the training of the AI system in which the AI system is tested and/or validated allows the training to be verified.
  • a further subject matter of the invention is a use of the computer-implemented method for training a Kl system for evaluating an integrity of sensor data and its design during the calibration of a sensor providing the unadulterated sensor data, preferably a torque sensor, particularly preferably a torque sensor in a drive module for a robot arm joint.
  • Another object of the invention is a drive module, in particular for a robot arm joint, comprising
  • a stress wave transmission comprising an elastic transmission element and a wave generator acting on the elastic transmission element
  • the elastic transmission element comprises a sensor with a sensor data channel, wherein a sensor data can be measured by means of the sensor
  • Another object of the invention is a training data set for training a Kl system for evaluating an integrity of sensor data comprising:
  • Fig. 1 schematically shows an industrial robot having a drive module according to an embodiment of the invention
  • Fig. 2 shows a schematic block diagram of a drive module according to Fig. 1;
  • Fig. 3 schematically shows the training of an embodiment of a Kl system according to the invention with sensor data and derived sensor data
  • Fig. 4 schematically shows the application of the already trained Kl system from Fig. 3.
  • Fig. 1 shows a schematic representation of an embodiment of a robot designed as an industrial robot 200 with several robot arm segments 201, each of which is rotatably connected via drive modules 100, in which the invention is implemented. Even if the industrial robot 200 shown here has three robot arm segments 201 and three drive modules 100, designs of the industrial robot 200 with a different number of robot arm segments 201 and drive modules 100 are conceivable, for example four, five, six or seven. Such industrial robots 200 are often used as collaborative robots that work in close cooperation with people and are therefore subject to particularly high safety requirements.
  • the drive module 100 comprises a stress wave transmission (not shown in Fig. 1) which has an elastic transmission element and a wave generator acting on the elastic transmission element.
  • the elastic transmission element comprises a sensor with a strain gauge arrangement 30 which has several sensor data channels.
  • the drive module 100 has a control device with a Kl system for evaluating the integrity of sensor data, wherein a plausibility check of the sensor data can be carried out using the Kl system.
  • Fig. 2 shows a schematic block diagram of the drive module according to Fig. 1.
  • the sensor 30 of the drive module 100 which is designed as a strain gauge arrangement, comprises several, here n, strain gauges 31.
  • Sensor data is provided to a control device 40, which comprises a Kl system 50, by means of sensor data channels 32.
  • the Kl system 50 checks the sensor data in order to draw a conclusion about falsified sensor signals 32 of the sensor 30 and then to generate signals for controlling an actuator 60, in particular torque and/or angle of rotation signals. If a falsified sensor signal is detected, a warning can be issued and/or the control device 40 can correct sensor signals 32 that are recognized as falsified.
  • Fig. 3 schematically shows the training of an embodiment of an AI system 50 according to the invention, wherein the AI system 50 is provided with sensor data via sensor data channels 32 and derived sensor data 33. Furthermore, a status signal 34 is continuously provided, which can include first and/or second classification information.
  • the classification information can contain an indication of whether the sensor data is faulty or error-free. In addition, the classification information can contain an indication of whether and how many faulty sensor data channels 32 are present and which sensor data channel or channels 32 are faulty.
  • the training of the Kl system 50 is carried out using a method comprising the following steps:
  • Fig. 4 schematically shows the application of the already trained AI system from Fig. 3. In particular, this can involve testing and/or validating the AI system 50, wherein the status signal 34 can be a warning signal, for example.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General 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)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Stored Programmes (AREA)

Abstract

Die Erfindung betrifft ein computerimplementiertes Verfahren zum Bereitstellen einesTrainingsdatensatzes zum Trainieren eines Kl-Systems umfassend folgende Schritte: - Durchführen einer Messung mit einem Sensor, insbesondere einem Drehmoment-Sensor; - Bereitstellen von unverfälschten Sensordaten, die abhängig von der mit dem Sensor durchgeführten Messung sind; - Erzeugen von verfälschten Sensordaten in Abhängigkeit von den unverfälschten Sensordaten; und - Bereitstellen der unverfälschten Sensordaten und der verfälschtenSensordaten als Teil eines Trainingsdatensatzes zum Trainieren eines Kl-Systems.

Description

Computerimplementiertes Verfahren zum Bereitstellen eines Trainingsdatensatzes, Computerimplementiertes Verfahren zum Trainieren eines Kl-Systems und
Verwendung eines solchen computerimplementierten Verfahrens, Trainingsdatensatz zum Trainieren eines Kl-Systems
Die Erfindung betrifft ein computerimplementiertes Verfahren zum Bereitstellen eines Trainingsdatensatzes zum Trainieren eines Künstliche Intelligenz (Kl)-Systems. Ferner betrifft die Erfindung ein computerimplementiertes Verfahren zum Trainieren eines Kl- Systems zur Bewertung einer Integrität von Sensordaten und eine Verwendung eines solchen Verfahrens. Zudem betrifft die Erfindung einen Trainingsdatensatz zum Trainieren eines Kl-Systems.
Die Erfindung kann beispielsweise Anwendung finden zur Überprüfung der Funktionsfähigkeit eines Sensors und/oder der Güte der von ihm bereitgestellten Messwerte, d.h. der Integrität des Sensors. Solche Überprüfungen sind oftmals in sicherheitsrelevanten Anwendungen vorgesehen. Beispielsweise kann es in Antriebsmodulen von kollaborativen Robotern erforderlich sein, die Integrität der von Drehmoment- und/oder Positionssensoren bereitgestellten Messdaten zu prüfen, um Schäden für die mit den kollaborativen Robotern zusammenarbeitenden Menschen ausschließen zu können.
Derartige Überprüfungen sind in der Regel mit hohem Aufwand verbunden und erfordern detaillierte Kenntnisse der Funktionsweise und des Aufbaus des jeweiligen Sensors.
Vor diesem Hintergrund stellt sich die Aufgabe, eine Lösung bereitzustellen, die den Aufwand bei der Überprüfung der Integrität eines Sensors reduziert und unabhängig von der Funktionsweise und dem Aufbau des Sensor verwendbar ist.
Die Aufgabe wird gelöst durch ein computerimplementiertes Verfahren zum Bereitstellen eines Trainingsdatensatzes zum Trainieren eines Kl-Systems umfassend folgende Schritte:
- Durchführen einer Messung mit einem Sensor, insbesondere einem Drehmoment-Sensor;
- Bereitstellen von unverfälschten Sensordaten, die abhängig von der mit dem Sensor durchgeführten Messung sind;
- Erzeugen von verfälschten Sensordaten in Abhängigkeit von den unverfälschten Sensordaten; und - Bereitstellen der unverfälschten Sensordaten und der verfälschten Sensordaten als Teil eines Trainingsdatensatzes zum Trainieren eines Kl- Systems.
Erfindungsgemäß wird ein Trainingsdatensatz für ein Künstliche Intelligenz (Kl)-System bereitgestellt, welches in trainiertem Zustand zur Überprüfung der Integrität des Sensors herangezogen werden kann. Durch das Training kann das Kl-System an den jeweiligen Anwendungsfall, d.h. den jeweiligen Sensor angelernt werden. Detaillierten Kenntnisse der Funktionsweise bzw. des Aufbaus des zu überwachenden Sensors sind nicht erforderlich. Das Bereitstellen der Trainingsdaten erfordert erfindungsgemäß lediglich unverfälschte Sensordaten, die beispielsweise von einem funktionsfähigen Sensor stammen können. Sensordaten eines nicht funktionsfähigen Sensors sind nicht erforderlich Vielmehr werden bei dem erfindungsgemäßen Verfahren verfälschte Sensordaten in Abhängigkeit der unverfälschten Sensordaten selbst erzeugt. Auf diese Weise wird der Aufwand zum Trainieren des Kl-Systems reduziert. Das Bereitstellen des Trainingsdatensatzes kann beispielsweise während der Kalibrierung eines (noch) funktionsfähigen Sensors durchgeführt werden, wobei dabei ermittelten Sensordaten als unverfälschte Sensordaten für den Trainingsdatensatz verwendet werden.
Unter Sensordaten im Sinne der Erfindung sind Messdaten und/oder von den Messdaten abgeleitete Daten zu verstehen. Abgeleitete Daten können beispielsweise gefilterte Daten, Winkel- oder Drehmomentsignale sein. Ferner können für das Kl-System sowohl generische Kl-Modelle und Parametrierungen verwendet werden als auch individuell auf den jeweiligen Sensor adaptierte Modelle und/oder Parametrierungen. Dabei können z.B. auch Methoden des Transfer Learning angewendet werden, um ein generisches Modell individuell auf den jeweiligen Sensor anzupassen.
Gemäß einer bevorzugten Ausgestaltung der Erfindung ist vorgesehen, dass als weiterer Teil des Trainingsdatensatzes eine den unverfälschten Sensordaten zugeordnete erste Klassierungsinformation und eine den verfälschten Sensordaten zugeordnete zweite Klassierungsinformation bereitgestellt wird, wobei sich die erste und die zweite Klassierungsinformation unterscheiden. Eine Klassierungsinformation kann auch als „label“ bezeichnet werden, d.h. ein Ausgabewert des Kl-Systems.
Eine vorteilhafte Ausführungsform der Erfindung sieht vor, dass die erste und die zweite Klassierungsinformation umfasst: - eine Angabe, ob die unverfälschten bzw. verfälschten Sensordaten, denen die Klassierungsinformation zugeordnet ist, unverfälscht oder verfälscht sind.
Ausprägungsbeispiele für die erste Klassierungsinformation sind „unverfälscht“ oder „kein Fehler erkannt“. Ausprägungsbeispiele für die zweite Klassierungsinformation sind „verfälscht“ oder „Fehler erkannt“.
Gemäß einer bevorzugten Ausgestaltung der Erfindung ist vorgesehen, dass die unverfälschten und verfälschten Sensordaten jeweils mehrere Sensordaten-Kanäle umfassen und die erste und die zweite Klassierungsinformation umfasst:
- eine Angabe, wie viele fehlerhafte Sensordaten-Kanäle vorliegen.
Dadurch, dass eine Information über die Anzahl der fehlerhaften Sensordaten-Kanäle vorliegt, kann dem Kl-System ein realitätsgetreueres Abbild der Daten bereitgestellt werden. Alternativ oder zusätzlich kann eine Schweregrad des Fehlers oder der Fehler ermittelt und dem Kl-System übermittelt werden.
Eine vorteilhafte Ausführungsform der Erfindung sieht vor, dass die unverfälschten und verfälschten Sensordaten jeweils mehrere Sensordaten-Kanäle umfassen und die erste und die zweite Klassierungsinformation umfasst:
- eine Angabe, welcher oder welche Sensordaten-Kanäle fehlerhaft sind.
Eine Fehlerbehebung setzt die genaue Kenntnis des Fehlerortes voraus. Dadurch, dass eine Information darüber vorliegt, welcher oder welche der Sensordaten-Kanäle fehlerhaft sind, kann eine schnellere Fehlerbehebung vorgenommen werden.
Gemäß einer bevorzugten Ausgestaltung der Erfindung ist vorgesehen, dass das Erzeugen der verfälschten Sensordaten durch Addition der unverfälschten Sensordaten mit einem Fehlersignal erfolgt. Das Fehlersignal kann ein periodisches oder aperiodisches Signal sein und mit oder ohne Berücksichtigung eines Vorzeichens zu dem jeweiligen unverfälschten Sensordatum addiert werden.
Ein weiterer Gegenstand der Erfindung ist ein computerimplementiertes Verfahren zum Trainieren eines Kl-Systems zur Bewertung einer Integrität von Sensordaten umfassend folgende Schritte:
- Bereitstellen von unverfälschten Sensordaten und Verknüpfen der unverfälschten Sensordaten mit einer ersten Klassierungsinformation als erste Trainingsdaten; - Bereitstellen von verfälschten Sensordaten und Verknüpfen der verfälschten Sensordaten mit einer zweiten Klassierungsinformation als zweite Trainingsdaten;
- Trainieren des Kl-Systems mit den ersten und den zweiten Trainingsdaten.
Bei dem erfindungsgemäßen Verfahren zum Trainieren eines Kl-Systems können dieselben technischen Vorteile und Wirkungen erreicht werden , die bereits im Zusammenhang mit dem Verfahren zum Bereitstellen eines Trainingsdatensatzes beschrieben worden sind.
Eine vorteilhafte Ausgestaltung des Verfahrens zum Trainieren des Kl-Systems weist folgende Schritte auf:
- Bereitstellen von unverfälschten Sensordaten und Verknüpfen der unverfälschten Sensordaten mit einer ersten Klassierungsinformation als erste Test- und/oder Validierungsdaten;
- Bereitstellen von verfälschten Sensordaten und Verknüpfen der verfälschten Sensordaten mit einer zweiten Klassierungsinformation als zweite Test- und/oder Validierungsdaten;
- Testen und/oder Validieren des Kl-Systems nach dem Trainieren des Kl- Systems mit den ersten und zweiten Test- und/oder Validierungsdaten.
Durch einen an das Training des Kl-Systems nachgelagerten Verfahrensschritt, in dem ein Testen und/oder Validieren des Kl-Systems vorgenommen wird, kann eine Überprüfung des vorgenommenen Trainings durchgeführt werden.
Ein weiterer Gegenstand der Erfindung ist eine Verwendung des computerimplementierten Verfahrens zum Trainieren eines Kl-Systems zur Bewertung einer Integrität von Sensordaten sowie seiner Ausgestaltung während der Kalibrierung eines die unverfälschten Sensordaten bereitstellenden Sensors, bevorzugt eines Drehmoment-Sensors, besonders bevorzugt eines Drehmoment-Sensors in einem Antriebsmodul für ein Roboterarm-Gelenk.
Ein weiterer Gegenstand der Erfindung ist ein Antriebsmodul, insbesondere für ein Roboterarm-Gelenk, umfassend
- ein Spannungswellengetriebe, das ein elastisches Übertragungselement und einen auf das elastische Übertragungselement wirkenden Wellengenerator aufweist, wobei das elastische Übertragungselement einen Sensor mit einem Sensordaten-Kanal aufweist, wobei ein Sensordatum mittels des Sensors messbar ist, und
- eine Steuereinrichtung mit einem Kl-System zur Bewertung einer Integrität von Sensordaten, wobei mittels des Kl-Systems eine Plausibilitätskontrolle des Sensordatums durchführbar ist. Ein weiterer Gegenstand der Erfindung ist ein Trainingsdatensatz zum Trainieren eines Kl- Systems zur Bewertung einer Integrität von Sensordaten umfassend:
- unverfälschte Sensordaten und eine den unverfälschten Sensordaten zugeordnete erste Klassierungsinformation;
- verfälschte Sensordaten und eine den verfälschten Sensordaten zugeordnete zweite Klassierungsinformation.
Bei dem Verfahren zum Trainieren des Kl-Systems, der Verwendung, dem Trainingsdatensatz und dem Antriebsmodul können auch die im Zusammenhang mit dem Verfahren zum Bereitstellen von Trainingsdaten offenbarten vorteilhaften Ausgestaltungen und Merkmale Anwendung finden.
Weitere Einzelheiten und Vorteile der Erfindung sollen nachfolgend anhand der in den Zeichnungen dargestellten Ausführungsbeispiele erläutert werden. Hierin zeigt:
Fig. 1 schematisch einen Industrieroboter, der ein Antriebsmoduls gemäß einem Ausführungsbeispiel der Erfindung aufweist;
Fig. 2 schematisch ein Blockschaltbild eines Antriebsmoduls nach Fig. 1;
Fig. 3 schematisch das Trainieren eines Ausführungsbeispiels eines erfindungsgemäßen Kl-Systems mit Sensordaten und abgeleiteten Sensordaten; und
Fig. 4 schematisch die Anwendung des bereits trainierten Kl-Systems aus der Fig. 3.
Fig. 1 zeigt in einer schematischen Darstellung ein Ausführungsbeispiel eines als Industrieroboter 200 ausgebildeten Roboters mit mehreren Roboterarmsegmenten 201 , die jeweils über Antriebsmodule 100 drehbar verbunden sind, bei denen die Erfindung verwirklicht ist. Auch wenn der hier dargestellte Industrieroboter 200 drei Roboterarmsegmente 201 und drei Antriebsmodule 100 aufweist, sind Ausgestaltungen des Industrieroboters 200 mit einer abweichenden Anzahl an Roboterarmsegmenten 201 und Antriebsmodulen 100 denkbar, beispielsweise jeweils vier, fünf, sechs oder sieben. Solche Industrieroboter 200 finden oftmals Verwendung als kollaborative Roboter, welche in enger Zusammenarbeit mit Menschen arbeiten und daher besonders hohen Sicherheitsanforderungen ausgesetzt sind. Das Antriebsmodul 100 umfasst einen in der Fig. 1 nicht gezeigtes Spannungswellengetriebe, das ein elastisches Übertragungselement und einen auf das elastische Übertragungselement wirkenden Wellengenerator aufweist. Zudem umfasst das elastische Übertragungselement einen Sensor mit einer Dehnungsmessstreifen-Anordnung 30 die mehrere Sensordaten-Kanälen, aufweist. Ferner weist das Antriebsmodul 100 eine Steuereinrichtung mit einem Kl-System zur Bewertung einer Integrität von Sensordaten auf, wobei mittels des Kl-Systems eine Plausibilitätskontrolle der Sensordaten durchführbar ist.
In Fig. 2 ist schematisch ein Blockschaltbild des Antriebsmoduls nach Fig. 1 dargestellt. Der als Dehnungsmessstreifen-Anordnung ausgebildete Sensor 30 des Antriebsmoduls 100 umfasst mehrere, hier n, Dehnungsmessstreifen 31. Mittels Sensordatenkanälen 32 werden einer Steuereinrichtung 40, die ein Kl-System 50 umfasst, Sensordaten bereitgestellt. Das Kl-System 50 überprüft die Sensordaten, um einen Rückschluss auf verfälschte Sensorsignale 32 des Sensors 30 zu ziehen und sodann Signale zur Ansteuerung eines Aktors 60, insbesondere Drehmoment- und/oder Drehwinkelsignale, zu generieren. Sofern ein verfälschtes Sensorsignal detektiert wird, kann eine Warnung ausgegeben werden und/oder die Steuereinrichtung 40 kann als verfälscht erkannte Sensorsignal 32 korrigieren.
In Fig. 3 ist schematisch das Trainieren eines Ausführungsbeispiels eines erfindungsgemäßen Kl-Systems 50 dargestellt, wobei dem Kl-System 50 Sensordaten über Sensordatenkanäle 32 und abgeleitete Sensordaten 33 bereitgestellt werden. Ferner wird fortlaufend ein Statussignal 34 bereitgestellt, das eine erste und/oder zweite Klassierungsinformation umfassen kann. Die Klassierungsinformation kann eine Angabe darüber aufweisen, ob die Sensordaten fehlerhaft oder fehlerfrei sind. Zudem kann die Klassierungsinformation eine Angabe darüber aufweisen, ob und wie viele fehlerhafte Sensordaten-Kanäle 32 vorliegen und welcher oder welche Sensordaten-Kanäle 32 fehlerhaft sind.
Das Trainieren des Kl-Systems 50 erfolgt erfindungsgemäß mit einem Verfahren umfassend folgende Schritte:
- Bereitstellen von unverfälschten Sensordaten und Verknüpfen der unverfälschten Sensordaten mit einer ersten Klassierungsinformation als erste Trainingsdaten;
- Bereitstellen von verfälschten Sensordaten und Verknüpfen der verfälschten Sensordaten mit einer zweiten Klassierungsinformation als zweite Trainingsdaten;
- Trainieren des Kl-Systems 50 mit den ersten und den zweiten Trainingsdaten. In Fig. 4 ist schematisch die Anwendung des bereits trainierten Kl-Systems aus der Fig. 3 dargestellt. Es kann sich insbesondere um ein Testen und/oder Validieren des Kl-Systems 50 handeln, wobei das Statussignal 34 beispielsweise ein Warnsignal sein kann.
Bezugszeichenliste
30 Sensor/Dehnungsmessstreifen-Anordnung
31 Dehnungsmessstreifen
32 Sensordatenkanäle
33 Abgeleitete Sensordaten
34 Statussignal
40 Steuereinrichtung
50 Kl-System
60 Aktor
100 Antriebsmodul
200 Industrieroboter
201 Roboterarm

Claims

Patentansprüche
1. Computerimplementiertes Verfahren zum Bereitstellen eines Trainingsdatensatzes zum Trainieren eines Kl-Systems (50) umfassend folgende Schritte:
- Durchführen einer Messung mit einem Sensor (30), insbesondere einem Drehmoment-Sensor;
- Bereitstellen von unverfälschten Sensordaten, die abhängig von der mit dem Sensor durchgeführten Messung sind;
- Erzeugen von verfälschten Sensordaten in Abhängigkeit von den unverfälschten Sensordaten; und
- Bereitstellen der unverfälschten Sensordaten und der verfälschten Sensordaten als Teil eines Trainingsdatensatzes zum Trainieren eines Kl- Systems (50).
2. Computerimplementiertes Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass als weiterer Teil des Trainingsdatensatzes eine den unverfälschten Sensordaten zugeordnete erste Klassierungsinformation und eine den verfälschten Sensordaten zugeordnete zweite Klassierungsinformation bereitgestellt wird, wobei sich die erste und die zweite Klassierungsinformation unterscheiden.
3. Computerimplementiertes Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass die erste und die zweite Klassierungsinformation umfasst:
- eine Angabe, ob die unverfälschten bzw. verfälschten Sensordaten, denen die Klassierungsinformation zugeordnet ist, unverfälscht oder verfälscht sind.
4. Computerimplementiertes Verfahren nach einem der Ansprüche 2 oder 3, dadurch gekennzeichnet, dass die unverfälschten und verfälschten Sensordaten jeweils mehrere Sensordaten-Kanäle umfassen und die erste und die zweite Klassierungsinformation umfasst:
- eine Angabe, wie viele fehlerhafte Sensordaten-Kanäle vorliegen.
5. Computerimplementiertes Verfahren nach einem der Ansprüche 2 bis 4, dadurch gekennzeichnet, dass die unverfälschten und verfälschten Sensordaten jeweils mehrere Sensordaten-Kanäle umfassen und die erste und die zweite Klassierungsinformation umfasst:
- eine Angabe, welcher oder welche Sensordaten-Kanäle fehlerhaft sind.
6. Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Erzeugen der verfälschten Sensordaten durch Addition der unverfälschten Sensordaten mit einem Fehlersignal erfolgt.
7. Computerimplementiertes Verfahren zum Trainieren eines Kl-Systems (50) zur Bewertung einer Integrität von Sensordaten umfassend folgende Schritte:
- Bereitstellen von unverfälschten Sensordaten und Verknüpfen der unverfälschten Sensordaten mit einer ersten Klassierungsinformation als erste Trainingsdaten;
- Bereitstellen von verfälschten Sensordaten und Verknüpfen der verfälschten Sensordaten mit einer zweiten Klassierungsinformation als zweite Trainingsdaten;
- Trainieren des Kl-Systems (50) mit den ersten und den zweiten Trainingsdaten.
8. Computerimplementiertes Verfahren zum Trainieren eines Kl-Systems (50) nach Anspruch 7, gekennzeichnet durch folgende Schritte:
- Bereitstellen von unverfälschten Sensordaten und Verknüpfen der unverfälschten Sensordaten mit einer ersten Klassierungsinformation als erste Test- und/oder Validierungsdaten;
- Bereitstellen von verfälschten Sensordaten und Verknüpfen der verfälschten Sensordaten mit einer zweiten Klassierungsinformation als zweite Test- und/oder Validierungsdaten;
- Testen und/oder Validieren des Kl-Systems (50) nach dem Trainieren des Kl- Systems (50) mit den ersten und zweiten Test- und/oder Validierungsdaten.
9. Antriebsmodul (100), insbesondere für ein Roboterarm-Gelenk, umfassend
- ein Spannungswellengetriebe, das ein elastisches Übertragungselement und einen auf das elastische Übertragungselement wirkenden Wellengenerator aufweist, wobei das elastische Übertragungselement einen Sensor (30) mit einem Sensordaten-Kanal (32) aufweist, wobei ein Sensordatum mittels des Sensors (30) messbar ist, und
- eine Steuereinrichtung (40) mit einem Kl-System (50) zur Bewertung einer Integrität von Sensordaten, wobei mittels des Kl-Systems (50) eine Plausibilitätskontrolle des Sensordatums durchführbar ist.
10. Trainingsdatensatz zum Trainieren eines Kl-Systems (50) zur Bewertung einer Integrität von Sensordaten umfassend:
- unverfälschte Sensordaten und eine den unverfälschten Sensordaten zugeordnete erste Klassierungsinformation;
- verfälschte Sensordaten und eine den verfälschten Sensordaten zugeordnete zweite Klassierungsinformation.
EP24735493.9A 2023-07-04 2024-06-10 Computerimplementiertes verfahren zum bereitstellen eines trainingsdatensatzes, computerimplementiertes verfahren zum trainieren eines ki-systems und verwendung eines solchen computerimplementierten verfahrens, trainingsdatensatz zum trainieren eines ki-systems Pending EP4739988A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102023117629.3A DE102023117629A1 (de) 2023-07-04 2023-07-04 Computerimplementiertes Verfahren zum Bereitstellen eines Trainingsdatensatzes, Computerimplementiertes Verfahren zum Trainieren eines KI-Systems und Verwendung eines solchen computerimplementierten Verfahrens, Trainingsdatensatz zum Trainieren eines KI-Systems
PCT/DE2024/100510 WO2025008017A1 (de) 2023-07-04 2024-06-10 Computerimplementiertes verfahren zum bereitstellen eines trainingsdatensatzes, computerimplementiertes verfahren zum trainieren eines ki-systems und verwendung eines solchen computerimplementierten verfahrens, trainingsdatensatz zum trainieren eines ki-systems

Publications (1)

Publication Number Publication Date
EP4739988A1 true EP4739988A1 (de) 2026-05-13

Family

ID=91664231

Family Applications (1)

Application Number Title Priority Date Filing Date
EP24735493.9A Pending EP4739988A1 (de) 2023-07-04 2024-06-10 Computerimplementiertes verfahren zum bereitstellen eines trainingsdatensatzes, computerimplementiertes verfahren zum trainieren eines ki-systems und verwendung eines solchen computerimplementierten verfahrens, trainingsdatensatz zum trainieren eines ki-systems

Country Status (5)

Country Link
EP (1) EP4739988A1 (de)
JP (1) JP2026519712A (de)
CN (1) CN121100264A (de)
DE (1) DE102023117629A1 (de)
WO (1) WO2025008017A1 (de)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008003440A1 (de) * 2008-01-07 2009-07-09 Kuka Roboter Gmbh Verfahren zur Fehlererkennung in einem Steuerungssystem eines medizinischen Behandlungs- und/oder Diagnosegeräts
JP6850638B2 (ja) * 2017-03-03 2021-03-31 本田技研工業株式会社 移動ロボットの異常接触検知方法及び接触部位特定方法
DE102017116017A1 (de) * 2017-07-17 2019-01-17 Valeo Schalter Und Sensoren Gmbh Kraftfahrzeug-Sensorvorrichtung mit mehreren Sensoreinheiten und mehreren neuronalen Netzen zum Erzeugen einer kombinierten Repräsentation einer Umgebung
DE102017217733A1 (de) * 2017-10-05 2019-04-11 Conti Temic Microelectronic Gmbh Prüfen eines neuronalen Netzes
CN112171721B (zh) * 2020-11-30 2021-02-19 北京科技大学 一种机器人关节传感器和执行器故障诊断方法及系统
JP2024528541A (ja) * 2021-06-29 2024-07-30 ナショナル ユニバーシティ オブ シンガポール 力センサおよび力センサを組み込んだ装置
DE102022107314B3 (de) * 2022-03-29 2023-06-29 Schaeffler Technologies AG & Co. KG Verfahren und Vorrichtung zur Bestimmung eines Drehmoments in einem Spannungswellengetriebe
DE102022109604A1 (de) * 2022-04-21 2023-10-26 Schaeffler Technologies AG & Co. KG Wellgetriebe und Verfahren zur Bewertung des Zustandes eines Wellgetriebes

Also Published As

Publication number Publication date
JP2026519712A (ja) 2026-06-17
DE102023117629A1 (de) 2025-01-09
WO2025008017A1 (de) 2025-01-09
CN121100264A (zh) 2025-12-09

Similar Documents

Publication Publication Date Title
DE102015008754B4 (de) Zustandsüberwachung eines Stellantriebs in einem Fluggerät
DE102019219332A1 (de) Lerndatenprüfung-Unterstütztungsvorrichtung, Maschinelles-Lernen-Vorrichtung und Ausfallvorhersagevorrichtung
DE10307342B4 (de) Vorrichtung und Verfahren zur modellbasierten On-Board-Diagnose
DE102009061036B4 (de) Vorrichtung und Verfahren zur Residuengenerierung zur Erkennung von fehlerhaften Transienten, Drift oder Oszillationen im Systemverhalten eines Systems eines Flugzeugs, und Flugzeug
EP2273369B1 (de) Verfahren zur Darstellung einer sicherheitsrelevanten Information auf einer Anzeigevorrichtung und Vorrichtung zur Durchführung des Verfahrens
EP3987373B1 (de) Effiziente fehleranalyse durch simulierten fehler in einem digitalen zwilling
WO2025012128A1 (de) Verfahren und vorrichtung zur ermittlung einer fehlerursache in fahrzeugen mithilfe von large language models
EP3282399A1 (de) Verfahren zur verbesserten erkennung von prozessanomalien einer technischen anlage sowie entsprechendes diagnosesystem
EP3546314A1 (de) Verfahren und vorrichtung zur fehleridentifizierung für ein technisches system
DE102008016801A1 (de) Onboard-Fehlerdiagnoseverfahren für Fahrzeuge
WO2025008017A1 (de) Computerimplementiertes verfahren zum bereitstellen eines trainingsdatensatzes, computerimplementiertes verfahren zum trainieren eines ki-systems und verwendung eines solchen computerimplementierten verfahrens, trainingsdatensatz zum trainieren eines ki-systems
DE102011000958A1 (de) Verfahren und System zum Testen von Software und/oder Hardware eines oder mehrerer in ein Kraftfahrzeug zu integrierender Bauteile
WO2013004589A1 (de) Dokumentation von fehlern in einem fehlerspeicher eines kraftfahrzeugs
EP3929554A1 (de) Verbesserte fehlererkennung bei maschinen mittels ki
DE102023207829A1 (de) Verfahren und System zum Erkennen von Anomalien in einem Satz von Signalen
EP3553679A1 (de) Verfahren zur computergestützten fehlerdiagnose für ein technisches system
DE102021200393A1 (de) Verfahren zur Diagnose von Fehlern eines elektrisch angetriebenen Fahrzeugs mit elektrischem Antriebsstrang
DE102007034151A1 (de) Funktionsorientierte Fehlerdiagnose von Kraftfahrzeugen
EP3933593A1 (de) Verfahren und computerprogramm zum testen eines technischen systems
EP3779797A1 (de) Verfahren zur rechnergestützten vorausschauenden instandhaltung eines technischen systems
EP4010770B1 (de) Diagnose von technischen systemen mittels hauptkomponentenanalyse (pca)
DE102024105139B4 (de) Verfahren zum Konfigurieren einer Anomaliedetektionseinrichtung, Verfahren zur Detektion von Anomalien eines Wellgetriebes, Trainingsdatensatz
DE102019218904A1 (de) Robustheitstestverfahren, Robustheitstestschaltung, Robustheitstestvorrichtung
DE102023203169A1 (de) Verfahren zum Betreiben eines Systems mit einem digitalen Zwilling
EP4498288A1 (de) Detektion von technischen zuständen oder technischen beschaffenheiten

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: 20260204

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 ME MK MT NL NO PL PT RO RS SE SI SK SM TR