根据贝叶斯优化方法确定物理或化学过程的鲁棒最优状态的设备和方法技术

本发明专利技术公开根据贝叶斯优化方法确定物理或化学过程的鲁棒最优状态的设备和方法，其中已知测量点中每个测量点具有物理或化学过程的输入参数值和分配给输入参数值的测量输出参数值，其中第一统计模型描述物理或化学过程的输入参数值与输出参数值之间的关系，在方法中为第一统计模型确定第二统计模型，其中第二统计模型描述物理或化学过程的输出参数值相对输入参数值的变化的鲁棒性，其中选择新测量点使得物理或化学过程的由已知测量点描述的第一统计模型在新测量点处的熵与由已知测量点描述的第一统计模型在新测量点和第二统计模型的输出参数在物理或化学过程的鲁棒最优状态下的采取的最大值处的期望熵之差基本上最大或位于最大值的预定附近范围内。

【技术实现步骤摘要】
根据贝叶斯优化方法确定物理或化学过程的鲁棒最优状态的设备和方法
不同实施例普遍涉及一种用于根据贝叶斯优化方法确定物理或化学过程的鲁棒最优状态的设备和方法。
技术介绍
在生产过程和加工过程中设定诸如过程温度、过程时间、真空或气体气氛等的过程参数，以便获得工件的期望特性，例如硬度、强度、导热率、电导率等。可以通过基于模型的优化方法（例如贝叶斯优化方法）来确定所述过程参数。但是，过程参数可能遭受噪声或干扰，使得所述过程参数可能偏离通过所述优化方法确定的过程参数，并且因此所述工件的特性可能偏离期望的特性。因此，例如在生产过程和加工过程中需要确定鲁棒最优状态，在该鲁棒最优状态时所述工件具有所期望的特性。可以使用不同的模型来确定在不同的物理或化学过程中材料的过程参数和/或与过程相关的特性，例如硬度、电导率、密度、微观结构、宏观结构、化学成分等，以便获得期望的过程结果，其中所述过程参数或与过程相关的特性可能与用于设定（例如优化）相应过程的值偏离。因此，可能有必要提供一种能够确定考虑到这些偏差的鲁棒最优状态的模型。在Nogueira等人的“UnscentedBayesianOptimizationforSafeRobotGrasping（用于安全机器人抓取的无迹贝叶斯最优化）”（arXiv：1603.02038，2016）中，描述了一种用于确定鲁棒最优状态的方法，其中使用关于噪声的期望值确定鲁棒性标准。在Beland等人的“BayesianOptimizationUnderUncertainty（不确定性下的贝叶斯优化）”，ConferenceonNeuralInformationProcessingSystems，2017年，中描述了一种用于确定鲁棒最优状态的方法，其中鲁棒性标准通过高斯过程回归确定。在Bogunovic等人的“AdversariallyBayesianOptimizationwithGaussianProcesses（具有高斯过程的对抗性贝叶斯优化）”，ConferenceonNeuralInformationProcessingSystems，2018年，中描述了一种确定鲁棒最优状态的方法。
技术实现思路
具有独立权利要求1（第一示例）和权利要求5（第二十四示例）的特征的方法和设备使得可以通过模型根据输入参数的偏差来确定过程窗口。统计模型可以是描述物理或化学过程的输入参数和输出参数之间的关系并考虑概率分布的任何类型的数学表示。该方法还可以具有：测量分配给新测量点的输入参数值的输出参数值。该方法可以具有使用所述新测量点来适配第一统计模型，其中，适配的第一统计模型可以描述已知测量点和新测量点处的物理或化学过程，并且该方法还可以具有确定适配的第一统计模型的鲁棒最优状态。这具有以下优点：可以确定一个或多个过程参数，对于这些过程参数而言，物理或化学过程对于过程参数的干扰或噪声是鲁棒的。在本段中描述的特征与第一示例结合形成第二示例。确定所述第一统计模型的鲁棒最优状态可以具有为所述适配的第一统计模型确定适配的第二统计模型，并且可以具有确定所述适配的第二统计模型的全局最大值，其中所述第二统计模型的全局最大值的输入参数值对应于所述第一统计模型的鲁棒最优状态的输入参数值。本段中描述的特征与第二示例结合形成第三示例。该方法还可以具有使用鲁棒最优状态和输入参数值的变化来确定所述物理或化学过程的过程窗口。这具有以下优点：可以确定过程区域，在该过程区域中，所述物理或化学过程的过程参数导致所述物理或化学过程的期望的特性或期望的成功。该方法还可以具有控制所述物理或化学过程，其中根据所述鲁棒最优状态的输入参数值来选择所述物理或化学过程的输入参数值，特别是所述物理或化学过程的输入参数值与所述鲁棒最优状态的输入参数值对应。本段中描述的特征与第二示例或第三示例结合形成第四示例。分配给输入参数值的输入参数可以是第一物理变量。分配给输出参数值的输出参数可以是第二物理变量。本段中描述的特征与第一示例至第四示例中的一个相结合形成第五示例。已知测量点中的一个测量点的输入参数值可以由第一传感器探测。已知测量点中的一个测量点的输出参数值可以由第二传感器探测。所述第一传感器可以探测新测量点的输入参数值，而所述第二传感器可以探测新测量点的输出参数值。在本段中描述的特征与第二示例至第五示例中的一个结合形成第六示例。可以使用已知测量点借助于高斯过程回归来确定第一统计模型。本段中描述的特征与第一示例至第六示例中的一个相结合形成第七示例。所述第一统计模型可以由贝叶斯神经网络形成。在本段中描述的特征与第一示例至第七示例中的一个相结合形成第八示例。可以使用输入参数值变化的分布为所述第一统计模型确定第二统计模型。本段中描述的特征与第一示例至第八示例中的一个相结合形成第九示例。所述输入参数值变化的分布可以使用已知测量点的相应测量点的输入参数值的方差来确定。在本段中描述的特征与第九示例结合形成第十示例。可以使用第一预测分布来确定通过所述已知测量点描述的第一统计模型的熵。本段中描述的特征与第一示例至第十示例中的一个相结合形成第十一示例。所述第一预测分布可以是所述第一统计模型的第一条件概率分布，其中以所述已知测量点为条件。在本段中描述的特征与第十一示例相结合形成第十二示例。所述第一预测分布可以是高斯分布。在本段中描述的特征与第十一示例或第十二示例结合形成第十三示例。可以借助于高斯过程确定所述第一预测分布。在本段中描述的特征与第十一示例至第十三示例之一相结合形成第十四示例。可以使用第二预测分布来确定期望熵。第二预测分布可以是所述第一统计模型的第二条件概率分布，其中以所述已知测量点和所述第二统计模型的输出参数在所述鲁棒最优状态下所采取的最大值为条件。在本段中描述的特征与第一示例至第十四示例中的一个相结合形成第十五示例。可以通过蒙特卡洛近似来确定期望熵。在本段中描述的特征与第十五示例相结合形成第十六示例。可以使用通过所述已知测量点描述的第一统计模型的熵和所述第二统计模型的输出参数在所述物理或化学过程的鲁棒最优状态下的多个近似最大值来确定所述期望熵。本段中描述的特征与第十六示例结合形成第十七示例。可以使用第三预测分布来确定由所述已知测量点描述的第一统计模型的熵和所述第二统计模型的输出参数在所述物理或化学过程的鲁棒最优状态下的多个近似最大值。所述第三预测分布可以是所述第一统计模型的第三条件概率分布，其中以所述已知测量点和所述第二统计模型的多个近似最大值为条件。在本段中描述的特征与第十七示例结合形成第十八示例。多个近似最大值中的一个近似最大值的确定可以具有使用第四预测分布来确定第三统计模型，其中所述第四预测分布可以是所述第二统计模型的第四条件概率分布，其中以所述已知测量点为条件，并且其中所述近似最大值可以是所述第三统计模型的输出参数的最大值。本段中描述的特征与第十八示例结合形成第十九示例。可以使用第五预测分布借助于稀本文档来自技高网...

【技术保护点】
1.根据贝叶斯优化方法来确定物理或化学过程的鲁棒最优状态的方法，其中已知测量点中的每个测量点具有物理或化学过程的输入参数值和分配给所述输入参数值的测量的输出参数值，并且其中第一统计模型描述了所述物理或化学过程的所述输入参数值和所述输出参数值之间的关系，所述方法具有：/n•为所述第一统计模型确定第二统计模型，其中所述第二统计模型描述了所述物理或化学过程的输出参数值相对于所述输入参数值的变化的鲁棒性；/n•其中选择新测量点，使得下面两项的差基本上是最大的或位于最大值的预给定附近范围内：/no所述物理或化学过程的由所述已知测量点描述的第一统计模型在所述新测量点处的熵，和/no由所述已知测量点描述的第一统计模型在所述新测量点处以及以所述第二统计模型的输出参数在所述物理或化学过程的待确定的鲁棒最优状态下的所采取的最大值为条件的熵的期望值；/n•测量分配给所述新测量点的输入参数值的输出参数值；/n•使用所述新测量点来适配所述第一统计模型；/n•确定适配的第一统计模型的鲁棒最优状态；以及/n•其中适配的第一统计模型描述了针对所述已知测量点和所述新测量点的物理或化学过程；/n•其中确定所述第一统计模型的鲁棒最优状态具有：/no为所述适配的第一统计模型确定适配的第二统计模型；和/no确定所述适配的第二统计模型的全局最大值，其中所述第二统计模型的全局最大值的输入参数值对应于所述第一统计模型的鲁棒最优状态的输入参数值；和/n•控制所述物理过程或化学过程，其中根据所述鲁棒最优状态的输入参数值来选择所述物理过程或化学过程的输入参数值，特别是使其与所述鲁棒最优状态的输入参数值相对应。/n...

【技术特征摘要】
20190920 EP 19198558.91.根据贝叶斯优化方法来确定物理或化学过程的鲁棒最优状态的方法，其中已知测量点中的每个测量点具有物理或化学过程的输入参数值和分配给所述输入参数值的测量的输出参数值，并且其中第一统计模型描述了所述物理或化学过程的所述输入参数值和所述输出参数值之间的关系，所述方法具有：
•为所述第一统计模型确定第二统计模型，其中所述第二统计模型描述了所述物理或化学过程的输出参数值相对于所述输入参数值的变化的鲁棒性；
•其中选择新测量点，使得下面两项的差基本上是最大的或位于最大值的预给定附近范围内：
o所述物理或化学过程的由所述已知测量点描述的第一统计模型在所述新测量点处的熵，和
o由所述已知测量点描述的第一统计模型在所述新测量点处以及以所述第二统计模型的输出参数在所述物理或化学过程的待确定的鲁棒最优状态下的所采取的最大值为条件的熵的期望值；
•测量分配给所述新测量点的输入参数值的输出参数值；
•使用所述新测量点来适配所述第一统计模型；
•确定适配的第一统计模型的鲁棒最优状态；以及
•其中适配的第一统计模型描述了针对所述已知测量点和所述新测量点的物理或化学过程；
•其中确定所述第一统计模型的鲁棒最优状态具有：
o为所述适配的第一统计模型确定适配的第二统计模型；和
o确定所述适配的第二统计模型的全局最大值，其中所述第二统计模型的全局最大值的输入参数值对应于所述第一统计模型的鲁棒最优状态的输入参数值；和
•控制所述物理过程或化学过程，其中根据...

【专利技术属性】
技术研发人员：L·弗勒利希，E·克伦斯克，J·维诺格拉德思卡，M·蔡林格，
申请(专利权)人：罗伯特·博世有限公司，
类型：发明
国别省市：德国;DE