用于训练神经网络以确定代表设备的磨损状态的特征向量的方法技术

用于训练神经网络以确定代表设备的磨损状态的特征向量的方法。根据各种实施方式，描述一种用于训练神经网络以确定代表设备的磨损状态的特征向量的方法，所述方法包括检测传感器数据元素；构成传感器数据元素的对；确定所述对的传感器数据元素之间的时间差异；将所述对的传感器数据元素处理成特征向量；并且通过回归网络对特征向量进行处理以用于估计所述对的传感器数据元素之间的时间差以及适配所述神经网络和所述回归网络来减少损失，在所述对的所确定的时间差和所估计的时间差之间的差异越大，所述损失就越大。所述损失就越大。所述损失就越大。

【技术实现步骤摘要】
用于训练神经网络以确定代表设备的磨损状态的特征向量的方法


[0001]本公开涉及用于训练神经网络以确定代表设备的磨损状态的特征向量的方法。

技术介绍

[0002]为了高效且可靠地运行具有一个或多个设备(诸如生产线)的技术系统，值得期望的是监控一个或多个设备的磨损，以便例如及时、但是也不提早地更换组件。可以预见的方案是使用人工智能。然而，相应的机器学习模型的训练经常需要使用专家知识，例如训练数据必须配备有标签，这意味着高的耗费。
[0003]因此，用于训练机器学习模型以用于监控设备的磨损的高效方案是值得期望的。

技术实现思路

[0004]根据各种实施方式，提供一种用于训练神经网络以确定代表设备的磨损状态的特征向量的方法，所述方法包括对于时间点的序列中的每个时间点，检测属于该时间点的传感器数据元素，所述传感器数据元素包含关于所述设备在该时间点的状态的信息或关于在该时间点由所述设备产生的产品的状态的信息；以及构成传感器数据元素的对，其中每个对具有所述传感器数据元素的属于时间点的序列的第一时间点的第一传感器数据元素和所述传感器数据元素的属于时间点的序列的第二时间点的第二传感器数据元素。该方法此外包括对于每个对，确定所述第一传感器数据元素属于的时间点与所述第二传感器数据元素属于的时间点之间的时间差；通过神经网络将第一传感器数据元素处理成第一特征向量；通过所述神经网络将所述第二传感器数据元素处理成第二特征向量；并且通过回归网络对所述第一特征向量与所述第二特征向量一起进行处理以用于从所述第一特征向量和所述第二特征向量中估计所述第一传感器数据元素属于的时间点与所述第二传感器数据元素属于的时间点之间的时间差。该方法包括适配所述神经网络和所述回归网络以用于减少损失，在所述对的所确定的时间差和所估计的时间差之间的差异越大，所述损失就越大。
[0005]由于当回归网络不正确地估计相对老化(传感器数据元素的时间差)时，为了训练所确定的损失对此进行惩罚，所以通过共同训练神经网络和回归网络实现神经网络的输出(所述输出可以被视为特征向量)包含关于设备的磨损(所述磨损可以被视为设备的实际年老化)的信息。从而使得能够训练神经网络，可以使用所述神经网络用于估计设备(或者甚至由设备组成的整个系统)的磨损。这被实现，而不必预训练神经网络或专家不必给训练数据配备标签。
[0006]实施例2是根据实施例1所述的方法，所述方法包括为所述对中的至少一些对中的每一个选择所述传感器数据元素的属于位于所述第一时间点和所述第二时间点之间的时间点的一个传感器数据元素，其中在
[0007]·
所述回归网络为所述第一传感器数据元素和所选择的传感器数据元素(也即对于由第一传感器数据元素和所选择的传感器数据元素组成的对)估计的时间差和所述回归
网络为所选择的传感器数据元素和第二传感器数据元素(也即对于由所选择的传感器数据元素和第二传感器数据元素组成的对)估计的时间差的总和与
[0008]·
由所述回归网络针对该对估计的时间差
[0009]之间的偏差越大，所述损失就越大。
[0010]因此，神经网络被训练为使得所述神经网络敬重传感器数据元素之间的时间关系。可以为许多这样的对选择这样的中间点，并且相应地在损失中予以考虑。这保证回归网络的一致估计以及也在所述估计代表的磨损方面保证通过经训练的神经网络产生的一致的特征向量。在上述示例中，例如第一时间点位于第二时间点之前，并且所选择的时间点位于两个时间点之间。
[0011]应该注意的是，在“一定的值越高，损失就越大”的上述表述中，这意味着如果损失所取决的所有其他值保持相同，则损失一起随着该值升高(即不考虑即使值升高，一定的关系也可能导致损失总计地下降，例如因为估计总计地平均更好地对应于标签，即使对于一对的上面提到的偏差增加)。
[0012]实施例3是一种用于确定设备的磨损状态的方法，所述方法包括根据实施例1或2训练神经网络；检测另一传感器数据元素，所述另一数据元素包含关于所述设备的当前状态的信息或关于由所述设备产生的产品的当前状态的信息，将所述另一传感器数据元素输送给经训练的神经网络并且从神经网络响应于所述另一传感器数据元素而输出的特征向量中推导出所述设备的磨损状态。
[0013]另一传感器数据元素例如是当前传感器数据元素，并且从而经训练的神经网络可以被使用来确定(估计)当前磨损状态。
[0014]实施例4是根据实施例3所述的方法，所述方法包括从所述神经网络响应于所述另一传感器数据元素而输出的特征向量与用于所述设备的参考磨损状态的参考特征向量之间的距离中推导出所述磨损状态。
[0015]从而不再需要使用回归网络来确定磨损状态，并且可以直接在所产生的特征向量上进行操作。
[0016]实施例5是根据实施例4所述的方法，所述方法包括检测参考传感器数据元素，将所述参考传感器数据元素输送给经训练的神经网络，以及从由所述神经网络响应于所述参考传感器数据元素输出的特征向量中确定参考特征向量。
[0017]例如，参考特征向量或甚至多个参考特征向量可以通过由神经网络响应于参考传感器数据元素输出的特征向量的求平均或聚类被构成。这提高估计的稳健性，因为参考传感器数据元素(例如测量)中的多个作为参考被用作基础。
[0018]实施例6是一种磨损监控系统，所述磨损监控系统被设立用于执行根据实施例1至5中任一项所述的方法。
[0019]实施例7是一种计算机程序，所述计算机程序具有指令，当由处理器执行所述指令时，所述指令引起所述处理器执行根据实施例1至5中任一项所述的方法。
[0020]实施例8是一种计算机可读介质，所述计算机可读介质存储指令，当由处理器执行所述指令时，所述指令引起所述处理器执行根据实施例1至5中任一项所述的方法。
[0021]下面说明各种实施例。
[0022]实施例1是如上描述的用于控制机器人的方法。
附图说明
[0023]在附图中，类似的附图标记通常在全部的不同视图中涉及相同的部分。附图不一定是按比例的，其中代替地通常将重点放在描绘本专利技术的原理上。在以下描述中，参考以下附图描述不同的方面。
[0024]图1示出根据一种实施方式的生产装置。
[0025]图2示出了根据一种实施方式的机器学习模型。
[0026]图3示出磨损曲线的示例。
[0027]图4示出阐明用于训练神经网络以确定代表设备的磨损状态的特征向量的方法的流程图。
具体实施方式
[0028]以下的详尽描述参考所附附图，所述附图为了阐述示出本公开的具体细节和方面，在所述具体细节和方面中可以执行本专利技术。在不偏离本专利技术的保护范围的情况下，可以使用其他方面，并且可以实施结构的、逻辑的和电气的改变。因为可以将本公开的一些方面与本公开的一个或多个其他方面组合，以便构成新的方面，所以本公开的不同方面不一定相互排除。
[0029]下面更详细地描述各种示例。
[0030]图1示出根本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于训练神经网络以确定代表设备的磨损状态的特征向量的方法，所述方法包括：对于时间点的序列中的每个时间点，检测属于该时间点的传感器数据元素，所述传感器数据元素包含关于所述设备在该时间点的状态的信息或关于在该时间点由所述设备产生的产品的状态的信息；构成传感器数据元素的对，其中每个对具有所述传感器数据元素的属于时间点的序列的第一时间点的第一传感器数据元素和所述传感器数据元素的属于时间点的序列的第二时间点的第二传感器数据元素，对于每个对，确定所述第一传感器数据元素属于的时间点与所述第二传感器数据元素属于的时间点之间的时间差；通过神经网络将所述第一传感器数据元素处理成第一特征向量；通过所述神经网络将所述第二传感器数据元素处理成第二特征向量；和通过回归网络对所述第一特征向量与所述第二特征向量一起进行处理以用于从所述第一特征向量和所述第二特征向量中估计所述第一传感器数据元素属于的时间点与所述第二传感器数据元素属于的时间点之间的时间差；适配所述神经网络和所述回归网络以用于减少损失，在所述对的所确定的时间差和所估计的时间差之间的差异越大，所述损失就越大。2.根据权利要求1所述的方法，所述方法包括为所述对中的至少一些对中的每一个选择所述传感器数据元素的属于位于所述第一时间点和所述第二时间点之间的时间点的一个传感器数据元素，其中在所述回归网络为所述第一传感器数据元素和所选择的传感器数据元素估计的时间差和所述回归网络为...

【专利技术属性】
技术研发人员：S，
申请(专利权)人：罗伯特，
类型：发明
国别省市：