【技术实现步骤摘要】
【国外来华专利技术】
技术介绍
1、为了制造复杂的技术产品，诸如机器人、电机、涡轮机、涡轮叶片、内燃机、工具、机动车辆或其组件，计算机辅助设计系统正变得越来越普遍。借助于此类设计系统，通常生成设计数据，这些设计数据详细指定所要制造的产品，并且借助于这些设计数据可以操控用于制造指定产品的生产系统。
2、为了改善所希望的产品特性，在许多情况下，力求自动优化产品的设计数据，这些产品特性通常通过性能来表示。在此，这种性能尤其可以涉及产品的功率、产量、速度、重量、运行时间、精度、故障率、资源消耗、效率、功效、污染物排放、稳定性、磨损、使用寿命、物理特性、机械特性、电特性、要遵守的约束条件或者其他目标参量。
3、为了优化所要制造的产品的性能，通常使用多维优化方法，即所谓的mdo方法(mdo：multi dimensional optimization)。这些mdo方法通常模拟该产品的由设计数据指定的多个设计变体，并且具体地选择使所模拟的性能优化的那些设计变体。
4、然而，此类模拟所需的计算工作量通常相当大，尤其是因为经常要评估大量的设计变体。为了减少所需的计算工作量，通常使用所谓的代理模型，这些代理模型尤其是通过机器学习方法来被训练，以预测相关的模拟结果，而无需详细的模拟。然而，此类代理模型通常具有低精度或者波动的精度。
技术实现思路
1、本专利技术的任务在于说明一种用于控制生产系统的方法和系统，该方法和该系统允许更高效的设计优化。
2、该任务通过具有专利权利要求1
3、为了控制生产系统来依据第一和第二产品版本的设计数据集制造该第一产品版本，读入多个特定于产品版本的训练数据集。这些训练数据集分别包括：指定相应产品版本的设计变体的设计数据集；以及量化该设计变体的性能的性能值。这些设计数据集被馈入到跨产品版本的机器学习模块中。该跨产品版本的机器学习模块的输出信号不仅被馈入到特定于产品版本的第一机器学习模块中而且被馈入到特定于产品版本的第二机器学习模块中。根据本专利技术，这些机器学习模块被联合训练，使得第一机器学习模块的输出数据再现第一产品版本的性能值，并且第二机器学习模块的输出数据再现第二产品版本的性能值。然后，生成多个综合设计数据集，并且将这些综合设计数据集馈入到经过训练的跨产品版本的机器学习模块中。该经过训练的跨产品版本的机器学习模块的所得到的输出信号被馈入到经过训练的第一机器学习模块中。根据经过训练的第一机器学习模块的所得到的输出数据，从这些综合设计数据集中导出性能优化的设计数据集，并且输出该性能优化的设计数据集以制造第一产品版本。
4、为了执行根据本专利技术的方法，提供了一种用于控制生产系统的系统、一种计算机程序产品以及一种计算机可读的、优选地非易失性的存储介质。
5、根据本专利技术的方法和根据本专利技术的系统例如可以借助于一个或多个计算机、处理器、专用集成电路(asic)、数字信号处理器(dsp)和/或所谓的“现场可编程门阵列(fieldprogrammable gate arrays)”(fpga)来执行或实现。
6、本专利技术允许使用来自针对其他、尤其是以前的产品版本执行过的优化和训练的数据，用于预测当前要制造的第一产品版本的性能，以及用于对该第一产品版本进行优化。这种将以前的优化或训练结果用于针对新应用的机器训练通常也称为迁移学习。
7、在许多情况下，借助于该跨产品版本的机器学习模块，可以非常高效地学习不同产品版本所共有的在设计和性能之间的相互关系。在此，通常可以非常有利地使用以前的产品版本的训练数据。与之相对应地，通过这些特定于产品版本的机器学习模块，可以考虑这些产品版本之间的差异。
8、以这种方式，通常可以显著提高训练效率，尤其是在产品版本相似的情况下。在许多情况下，要新制造的第一产品版本所需的训练数据较少。此外，通常可以提高优化速度和/或预测精度。
9、本专利技术的有利实施方式和扩展方案在从属权利要求中说明。
10、根据本专利技术的一个有利的实施方式，针对多个设计数据集，可以分别以模拟方式来确定通过相应的设计数据集指定的设计变体的性能值。接着，可以将相应的设计数据集与相应预测的性能值一起用作训练数据集。为了以模拟方式确定性能值，有多种高效的模拟方法可用，尤其是用于对产品或其组件的机械、电和/或热模拟。
11、根据本专利技术的另一有利的实施方式，可以读入要由第一产品版本满足的第一产品规格和要由第二产品版本满足的第二产品规格。在对这些机器学习模块进行联合训练时，第一产品规格可以被馈入到第一机器学习模块中，并且第二产品规格可以被馈入到第二机器学习模块中。接着，在将所得到的输出信号馈入到经过训练的第一机器学习模块中时，也可以相对应地将第一产品规格馈入到经过训练的第一机器学习模块中。以这种方式，可以通过训练来对产品规格、设计数据集和/或性能值之间的相关性进行建模或者学习，并且使用这些相关性来预测性能。
12、此外，这些特定于产品版本的机器学习模块可以分别实现线性回归模型，并且该跨产品版本的机器学习模块可以实现高斯过程。以这种方式，可以高效地学习不同产品版本的性能值之间的线性相关性。由于线性关系通常通过相对少的参数就能被建模，因此在许多情况下，训练只需要相对少的训练数据。
13、替代地或附加地，这些机器学习模块可以分别包括神经网络。在此，该跨产品版本的机器学习模块尤其可以借助于多层感知器来实现。这些特定于产品版本的机器学习模块可以分别包括一个或多个神经层。通过神经层，还可以高效地学习不同产品版本的性能值之间的非线性相关性。
14、根据本专利技术的一个有利的扩展方案，可以提供多个机器学习模块组，这些机器学习模块组分别具有一个跨产品版本的机器学习模块和至少两个特定于产品版本的机器学习模块。此外，可以确定可用的训练数据集的数目或集合。接着，根据所确定的数目或集合，可以选择这些组中的一组来执行训练并且导出性能优化的设计数据集。以这种方式，根据可用的训练数据的数目或集合，可以有针对性地选择特别适合于该数目或集合的机器学习模块组。这样，针对只存在相对少的训练数据的情况下，例如一个或多个线性回归模型。
15、还可以检查：对于第一产品版本以及对于第二产品版本是否分别存在产品规格。
16、在此，尤其还可以检查：这些产品规格是否涉及两个产品版本共同的产品参数。如果检查结果为肯定，则可以选择如下机器学习模块组，应将产品规格馈入到该机器学习模块组的特定于产品版本的机器学习模块中。
本文档来自技高网...【技术保护点】
1.一种用于控制生产系统(PS)来依据第一产品版本和第二产品版本的设计数据集(DR1、DR2)制造所述第一产品版本(PV1)的计算机实现的方法，其中
2.根据权利要求1所述的方法，其特征在于，
3.根据前述权利要求中任一项所述的方法，其特征在于，
4.根据前述权利要求中任一项所述的方法，其特征在于，
5.根据前述权利要求中任一项所述的方法，其特征在于，
6.根据前述权利要求中任一项所述的方法，其特征在于
7.根据权利要求6所述的方法，其特征在于，
8.一种用于控制生产系统(PS)来依据第一产品版本和第二产品版本的设计数据集(DR1、DR2)制造所述第一产品版本(PV1)的系统(DS)，所述系统被设立用于执行根据前述权利要求中任一项所述的方法。
9.一种计算机程序产品，所述计算机程序产品被设立用于执行根据权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质具有根据权利要求9所述的计算机程序产品。
【技术特征摘要】
【国外来华专利技术】
1.一种用于控制生产系统(ps)来依据第一产品版本和第二产品版本的设计数据集(dr1、dr2)制造所述第一产品版本(pv1)的计算机实现的方法，其中
2.根据权利要求1所述的方法，其特征在于，
3.根据前述权利要求中任一项所述的方法，其特征在于，
4.根据前述权利要求中任一项所述的方法，其特征在于，
5.根据前述权利要求中任一项所述的方法，其特征在于，
6.根据前述权利要求中任一项所述的方法，其特征在于
...【专利技术属性】
技术研发人员：S·德佩威格，K·希什，M·凯撒，
申请(专利权)人：西门子股份公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。