检测技术系统的物理参量的值的制作方法

本发明涉及用于借助诸如生成对抗网络(generative adversarial network)之类的生成机器学习模型来检测技术系统的物理参量的值的设备、计算机实现的方法和计算机程序产品。此外，本发明涉及用于提供这样的生成机器学习模型的计算机实现的方法和计算机程序产品。

背景技术：

1、可以在系统运行期间借助于物理或真实传感器检测并且从而监控技术系统的参数或物理参量，诸如温度、压力等。然而，例如因为测量位置不可达或仅很差地可达，所以经常并非技术系统的所有物理参量都能以这种方式被测量。然而为了确定这样的物理参量的值，通常应用卡尔曼滤波器作为虚拟传感器，以便估计不能测量或仅能很差地测量的状态。然而，这样的估计需要简单的计算机辅助模拟模型，以便能够在短时间内计算估计。然而，经常没有简单的、要快速计算的模拟模型可用于复杂的物理过程。

技术实现思路

1、因此，本发明的任务是使技术系统的物理参量的值的估计变得更容易。

2、该任务通过在独立权利要求中描述的措施来解决。本发明的有利改进方案在从属权利要求中示出。

3、根据第一方面，本发明涉及一种用于检测第一技术系统的物理参量的值的设备，其中第一技术系统通过第一系统说明表征，所述设备包括：

4、-接口，所述接口被设立用于读入所述第一技术系统的第一物理参量的借助于物理传感器检测的测量值，

5、-存储单元，所述存储单元被设立用于存储生成机器学习模型，

6、-其中所述生成机器学习模型被设立用于根据第二技术系统的第一物理参量的至少一个值生成并且输出第二技术系统的第二物理参量的至少一个值，

7、-其中所述第二技术系统通过第二系统说明表征，并且所述第二系统说明至少部分地与所述第一系统说明一致，

8、-测量值生成器，所述测量值生成器被设立用于借助于所述生成机器学习模型根据所述第一物理参量的测量值生成所述第一技术系统的第二物理参量的值，其中所述第一技术系统的第一物理参量对应于所述第二技术系统的第一物理参量并且所述第一技术系统的第二物理参量对应于所述第二技术系统的第二物理参量，和

9、-输出单元，所述输出单元被设立用于输出所述第一技术系统的第二物理参量的所生成的值。

10、只要在下面的描述中未另外说明，术语“执行”、“计算”、“计算机辅助的”、“计算出”、“确定”、“生成”、“配置”、“重建”等优选地涉及改变和/或产生数据和/或将数据转变成其他数据的动作和/或过程和/或处理步骤，其中数据尤其是可以被表示为物理参量或者可以作为物理参量存在，例如作为电脉冲。尤其是，表述“计算机”应该尽可能宽泛地被解释，以便尤其是涵盖具有数据处理特性的所有电子设备。因此，计算机可以例如是个人计算机、服务器、可编程逻辑控制器(sps)、手持式计算机系统、袖珍型pc设备、移动无线电设备和可以以计算机辅助的方式处理数据的其他通信设备、处理器和用于进行数据处理的其他电子设备。。

11、结合本发明，“存储单元”可以例如被理解为工作存储器形式的易失性存储器(英语：random-access memory(随机存取存储器)，ram)或者诸如硬盘或数据载体的永久存储器。

12、结合本发明，“单元”可以例如被理解为用于存储程序指令的处理器。例如，处理器专门地被设立用于执行程序指令，以便处理器执行功能，用以实施或实现根据本发明的方法或根据本发明的方法的步骤。

13、结合本发明，尤其是关于数据和/或信息的“提供”可以例如被理解为以计算机辅助的方式提供。该提供例如通过诸如网络接口、通信接口或至存储单元的接口之类的接口进行。例如在提供时，可以经由这样的接口来传送和/或发送和/或调用和/或接收对应的数据和/或信息。

14、“技术系统”尤其是可以理解为机器、设备或设施，诸如工厂设施，包括多个机器和/或设备。例如，技术系统是生产机器、机床等。技术系统还可以例如是电动机或涡轮机。

15、“系统说明”尤其是可以被理解为技术说明，其描述技术系统的技术参量、特性或技术特征。可以通过系统说明来表征技术系统，即系统说明对于技术系统是特定的。例如，系统说明是技术系统的参数或类型/系统类型。系统说明尤其是也可以被称为系统规范/规范。

16、“物理传感器”尤其是可以被理解为探测器、测量参量或测量敏感元件或测针。物理传感器尤其是是定量地检测/测量技术系统的物理和/或化学特性和/或物质性质的硬件组件或硬件构件(硬件传感器)。传感器输出测量值或测量参量的值。物理参量可以是压力、重量、加速度、光强、温度、湿度、辐射、声音、磁通量、转速等。

17、“生成机器学习模型”尤其是可以被理解为人工神经网，所述人工神经网被设立用于生成数据。优选地，借助于训练数据来训练生成机器学习模型，其中设定人工神经元的加权，用以根据输入数据再现输出数据。生成机器学习模型尤其是可以是基于生成对抗网络的估计器。

18、本发明的优点是可以以简单的方式估计技术系统的物理参量的值，而不必借助于真实的传感器来测量所述值。为此，训练并且提供生成机器学习模型，所述生成机器学习模型根据技术系统的测量值输出物理参量的值。尤其是，还可以根据预先给定的测量值来计算值的时间预报。估计或预报尤其是在计算上比执行计算机辅助模拟更高效。此外，设备可以提供物理参量的连续值，而真实测量常常是不连续的。因此，设备尤其是可以被理解为虚拟传感器。

19、在该设备的一种实施方式中，生成机器学习模型可以借助于生成对抗网络来设立。

20、生成对抗网络(gan)属于人工神经网。所述生成对抗网络可以被使用来生成数据——与典型地对数据进行分类的其他人工神经网不同。生成对抗网络由两个神经网组成，所述神经网被相互组合。训练两个神经网络追求两个相反的目标。一个网络被称为鉴别器，另一个网络被称为生成器。这两个网络共同地借助于训练数据被训练，使得生成器生成(合成)数据，鉴别器将所述数据归类为可信的。在训练之后，生成器可以作为生成机器学习模型(也称为估计器)被输出和使用。生成对抗网络尤其是还可以针对时间相关的应用被使用，例如用于预报数据。

21、在该设备的一种实施方式中，生成机器学习模型可以被设立用于根据在第一时间点时所述第二技术系统的第一物理参量的至少一个值来在第二时间点时产生该技术系统的第二物理参量的至少一个值，其中所述第二时间点在时间上处于所述第一时间点之后。

22、尤其是，该设备可以输出未来测量值的预测。为此，生成机器学习模型优选地被设立为使得所述生成机器学习模型可以根据在第一时间点的预先给定的测量值在稍后的时间点输出物理参量的值。

23、在该设备的一种实施方式中，第一技术系统的第二物理参量的值不能直接被测量或不能足够地借助于物理传感器被测量。

24、优选地，该设备可以被使用来确定借助于真实的传感器不能、很难或仅不精确地测量的物理参量的值。例如，可以是难以到达的测量位置处的参量的值，或者环境条件阻止使用真实的传感器/硬件传感器。此外，该设备可以被使用来确定大量值，而不需要对应数量的物理传感器。这尤其是节省成本。

25、在该设备的一种实施方式中，生成机器学习模型可以根据第二技术系统的计算机辅助模拟的模拟数据来设立，其中所述模拟数据包括第二技术系统的第一物理参量的至少一个值和第二物理参量的至少一个值。

26、优选地，生成机器学习模型借助于训练数据被训练并且以训练的方式被提供。优选地针对至少部分对应于第一技术系统的技术系统来训练学习模型。训练数据可以优选地是第二技术系统的计算机辅助模拟的模拟数据。尤其是，可以根据复杂的计算机辅助模拟来针对第二技术系统训练学习模型。

27、在该设备的一种实施方式中，生成机器学习模型可以根据第二技术系统的测量值来设立，其中所述测量值包括第二技术系统的第一物理参量的至少一个值和第二物理参量的至少一个值。

28、替代于模拟数据或除了模拟数据之外，训练数据还可以包括第二技术系统的测量值。

29、在一种实施方式中，设备可以包括用于人工智能的计算单元。

30、结合本发明，“用于人工智能的计算单元”尤其是可以被理解为ki加速器或神经处理单元(npu)。这样的计算单元优选地是特定地适用于计算人工智能计算的计算单元，即用于ki的特定计算单元或适用于执行基于ki的应用程序的计算单元。

31、在一种实施方式中，所述设备可以被实现为虚拟传感器。

32、虚拟传感器——也称为软传感器——尤其是被设立用于根据至少一个测量值并且借助于生成机器学习模型来估计/计算另一物理参量的值。

33、本发明的另一方面涉及一种用于检测第一技术系统的物理参量的值的计算机实现的方法，其中所述第一技术系统通过第一系统说明表征，所述方法具有以下方法步骤：

34、-读入第一技术系统的第一物理参量的借助于物理传感器检测的测量值，

35、-读入生成机器学习模型，其中

36、-所述生成机器学习模型被设立用于根据第二技术系统的第一物理参量的至少一个值来生成并且输出第二技术系统的第二物理参量的至少一个值，

37、-并且所述第二技术系统通过第二系统说明表征，并且所述第二系统说明至少部分地与第一系统说明一致，

38、-借助于生成机器学习模型，根据第一物理参量的测量值生成第一技术系统的第二物理参量的值，其中第一技术系统的第一物理参量对应于第二技术系统的第一物理参量，并且第一技术系统的第二物理参量对应于第二技术系统的第二物理参量，和

39、-输出第一技术系统的第二物理参量的所生成的值。

40、该方法尤其是可以至少部分地是电脑辅助的/计算机辅助的或计算机实现的。结合本发明，“电脑辅助的/计算机辅助的”可以例如被理解为该方法的实施，其中尤其是处理器执行该方法的至少一个方法步骤。结合本发明，处理器可以例如被理解为机器或电子电路。处理器尤其是可以是主处理器(英语：central processing unit(中央处理单元)，cpu)、微处理器或微控制器，例如专用集成电路或数字信号处理器，可能与用于存储程序指令的存储单元组合等。处理器例如还可以是ic(集成电路，英语：integrated circuit)，尤其是fpga(英语：field programmable gate array(现场可编程门阵列))或asic(专用集成电路，英语：application-specific integrated circuit)或者dsp(数字信号处理器，英语：digital signal processor)或图形处理器gpu(graphic processing unit(图形处理单元))。处理器也可以被理解为虚拟化处理器、虚拟机或者软cpu。例如，还可以是可编程处理器，所述可编程处理器被装备有用于执行所提到的根据本发明的方法的配置步骤，或者利用配置步骤被配置为使得可编程处理器实现本发明的方法、组件、模块或其他方面和/或子方面的根据本发明的特征。

41、本发明的另一方面涉及一种用于提供在上面提及的方法中使用的生成机器学习模型的计算机实现的方法，所述方法具有以下方法步骤：

42、-读入技术系统的训练数据，其中所述训练数据包括所述技术系统的第一物理参量的至少一个值和第二物理参量的至少一个值，

43、-读入生成机器学习模型，

44、-借助于训练数据和鉴别器网络对生成机器学习模型进行训练，使得生成机器学习模型根据第一物理参量的值产生并且输出第二物理参量的值，和

45、-输出经训练的生成机器学习模型，用于检测技术系统的物理参量的值。

46、在该方法的一种实施方式中，训练数据可以是计算机辅助模拟的模拟数据和/或技术系统的测量数据。

47、本发明此外涉及一种计算机程序产品，所述计算机程序产品能够直接装载到可编程计算机中，所述计算机程序产品包括程序代码部件，所述程序代码部件在通过计算机执行程序时促使所述计算机执行根据本发明的方法的步骤。

48、计算机程序产品可以例如在诸如存储卡、usb棒、cd-rom、dvd、非易失性/持久存储介质(英语：non-transitory storage medium)之类的存储介质上被提供或者供应或者也以可下载的文件的形式由网络中的服务器提供或供应。