Search

JP-2026076985-A - 技術的システム、特に仮想センサ信号を決定するためのシステムをテストするための装置及びコンピュータ実装された方法

JP2026076985AJP 2026076985 AJP2026076985 AJP 2026076985AJP-2026076985-A

Abstract

【課題】仮想センサ信号を決定するシステムをテストする装置及び方法を提供する。 【解決手段】システムは、物理的プロセスのモデルと、物理的プロセスを記述する代理モデルを含み、入力値３０２を検出し、入力空間において、検出した入力値によって張設されたシンプレックス３０４を決定し、それぞれのシンプレックスごとに、入力空間からの入力値３０６を、ユーザとのヒューマン・マシン・インタラクション又は所定の確率分布に従って、シンプレックス上でランダムに抽出し、代理モデルを用いて入力値に対する出力値を決定し、仮想センサ信号を決定するために、モデルを用いて入力値を出力値の予測へ写像し、予測と出力値との距離を決定する。モデルが入力空間からの物理的入力量の入力値を予測へと写像する際に、当該予測が入力値を有する物理的入力量に対する物理的プロセスの物理的出力値から所定の偏差を超えて逸脱する確率は、テストの結果に含まれる。 【選択図】図３

Inventors

  • トーマス シュピーカー
  • ダーフィト レープ
  • シュテファン アウルバッハ

Assignees

  • ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツング

Dates

Publication Date
20260512
Application Date
20251023
Priority Date
20241024

Claims (11)

  1. 技術的システム（１０６）、特に、例えば仮想センサの仮想センサ信号を決定するためのシステムをテストするためのコンピュータ実装された方法において、 前記システムは、物理的プロセスをモデル化するモデルを含み、 前記物理的プロセスにおいて、前記物理的プロセスの物理的入力量は、前記物理的プロセスの物理的出力量をもたらし、 入力空間は、前記物理的入力量の入力値を含み、出力空間は、前記物理的出力量の出力値を含み、 前記モデルに対する代理モデルが提供され、 前記代理モデルは、現実の物理的プロセスを記述するように構成されており、 入力値（３０２）が検出され（２０２）、 前記入力空間において、検出された前記入力値（３０２）によって張設されたシンプレックス（３０４）が決定され（２０４）、 それぞれのシンプレックスごとに、前記入力空間からの少なくとも１つの入力値（３０６）が、特に、ユーザとのヒューマン・マシン・インタラクションにおいて決定され、又は、所定の確率分布に従って、特に一様分布に従って前記シンプレックス上でランダムに抽出され、前記代理モデルを用いて前記入力値に対する出力値が決定され、 特に前記仮想センサ信号を決定するために、前記モデルを用いて前記入力値が前記出力値についての予測へと写像され（２０６）、 前記予測と前記出力値との間の距離が決定され（２０８）、 前記モデルが前記入力空間からの前記物理的入力量の入力値を予測へと写像する際に、当該予測が、前記入力値を有する前記物理的入力量に対する前記物理的プロセスの物理的出力値から特に所定の偏差を超えて逸脱する確率が、前記テストの結果に含まれる（２１０）、 ことを特徴とする方法。
  2. 前記距離は、前記予測と前記出力値との間の差の絶対値に依存して決定される、 請求項１に記載の方法。
  3. 前記確率は、前記テストの際に決定された距離の個数に対する、許容誤差よりも大きい距離の個数の比率に依存して決定される（２１０）、 請求項１又は２に記載の方法。
  4. 前記確率は、一般化パレート分布（５０２）を用いて決定され（２１０）、 前記一般化パレート分布（５０２）は、前記シンプレックスに対して決定された、許容誤差よりも小さい距離に合わせて適合させられる、 請求項１乃至３のいずれか一項に記載の方法。
  5. 前記テストの際に、前記許容誤差よりも大きい少なくとも１つの距離が決定されたかどうかかがチェックされ（２１０）、 少なくとも１つの距離が前記許容誤差よりも大きい場合には、前記確率は、前記比率に依存して決定され、 そうでない場合には、前記確率は、前記一般化パレート分布を用いて決定される、 請求項３及び４に記載の方法。
  6. 前記代理モデルは、前記現実の物理的プロセスを、許容誤差 を以て記述するように構成されており、 前記許容誤差は、許容可能な偏差に依存して、特に前記偏差の一部として、例えば、前記偏差の半分 として決定される（２１０）、 請求項３、４又は５に記載の方法。
  7. 前記確率は、複数のシンプレックスに対して同一の許容誤差を以て、特に、時間的に重なり合うように決定され若しくは同時に決定され（２１０）、又は、 前記確率は、少なくとも２つのシンプレックスに対してそれぞれ異なる許容誤差を以て決定される（２１０）、 請求項３乃至６のいずれか一項に記載の方法。
  8. それぞれのシンプレックスごとに、例えば、複数の異なる入力値に対する複数の距離が決定される（２０８）、 請求項１乃至７のいずれか一項に記載の方法。
  9. 前記モデルは、測定された訓練データ集合に基づいて学習され、前記訓練データ集合は、前記入力空間からの入力値と前記出力空間からの出力値とのペアを含み、 少なくとも１つのシンプレックスについての確率が、所定の境界値よりも大きい場合には、特に前記境界値よりも大きい確率を有するシンプレックスからの入力値を有する新たな訓練データが測定されて、前記訓練データ集合に追加され、前記モデルは、前記訓練データによって補足された前記訓練データ集合に基づいて学習され、又は、 いずれのシンプレックスについての確率も、前記所定の境界値より大きくない場合には、前記モデルは、前記物理的プロセスの信頼性のある予測のために承認される、 請求項１乃至８のいずれか一項に記載の方法。
  10. 技術的システム（１０６）、特に、例えば仮想センサの仮想センサ信号を決定するためのシステムをテストするための装置（１００）であって、 前記装置（１００）は、 少なくとも１つのプロセッサ（１０２）と、 少なくとも１つのメモリ（１０４）と、 を含み、 前記少なくとも１つのプロセッサ（１０２）は、前記メモリ（１０４）に格納されている命令を実行するように構成されており、 前記命令が前記少なくとも１つのプロセッサ（１０２）によって実行された場合に、前記装置（１００）は、請求項１乃至９のいずれか一項に記載の方法を実施する ことを特徴とする、装置（１００）。
  11. コンピュータプログラムであって、 前記コンピュータプログラムは、コンピュータ実行可能命令を含み、前記コンピュータ実行可能命令がコンピュータによって実行された場合に、請求項１乃至９のいずれか一項に記載の方法が実施される、 ことを特徴とするコンピュータプログラム。

Description

従来技術 本発明は、技術的システム、特に仮想センサ信号を決定するためのシステムをテストするための装置及びコンピュータ実装された方法に関する。 安全性に関連する製造において人工ニューラルネットワークを使用することを可能にする解決手段には、大きい関心が寄せられている。 テストするための装置の概略図である。テストするための方法のステップを有するフローチャートである。入力空間の概略図である。物理的プロセスの出力値を決定するためのモデルの出力値の概略図である。予測と出力値との間の距離のヒストグラムの概略図である。 図１には、装置１００が概略的に示されている。 装置１００は、少なくとも１つのプロセッサ１０２と、少なくとも１つのメモリ１０４とを含む。装置１００は、技術的システム１０６をテストするように構成されている。技術的システム１０６は、本例においては、テストのために装置１００の内部に配置されている。技術的システム１０６を、テストのために装置１００の外部に配置するものとしてもよい。 技術的システム１０６は、例えば、仮想センサ信号を決定するためのシステムである。技術的システム１０６は、例えば、仮想センサである。 技術的システム１０６は、モデルを含む。モデルは、例えば、機械学習の関数、例えば、人工ニューラルネットワークｆ又はガウス過程を含む。技術的システム１０６は、機械１１０からの入力値１０８を検出するように構成されている。機械１１０は、例えば、内燃機関又は電動機である。 少なくとも１つのプロセッサ１０２は、メモリ１０４に格納されている命令を実行するように構成されており、それらの命令が少なくとも１つのプロセッサ１０２によって実行された場合に、装置１００は、技術的システム１０６をテストするための方法を実施する。 モデルは、例えば、仮想のセンサ信号を決定するための出力値を予測するように構成されている。 技術的システム１０６は、例えば、予測に依存して仮想のセンサ信号を決定及び出力するように構成されている。 技術的システム１０６が、ユーザとのヒューマン・マシン・インタラクションのために構成されているということを想定することができる。 入力量１０８は、１次元又は多次元であるということを想定することができる。 技術的システム１０６をテストするための装置１００は、例えば、テストベンチに接続されている。テストベンチは、現実に存在する物理的システムを所期のように測定するように構成されている。テストベンチは、入力空間における所与の範囲からの入力値に対して、特にシンプレックスに対して、特に所与の入力値に対して、物理的システム上で実行される物理的プロセスの出力値を決定するように構成されている。テストベンチは、入力値と出力値との新たなペアを所期のように生成するように構成されている。テストベンチは、例えばデータ集合、例えば、技術的システム１０６をテストするために必要とされる訓練データ集合を拡張するためのペアを検出するように構成されている。 技術的システム１０６をテストするための装置１００は、例えば、以下の手順に従って、機械学習（ＭＬ）においてテストを実施するように構成されている。 １．入力空間からの入力値と出力空間からの出力値とのペアとが含まれる測定された訓練データ集合に基づいて、モデル、例えば、ＭＬ関数を学習する。モデルは、例えば、人工ニューラルネットワークｆ又はガウス過程によって表される。 ２．本方法に基づいてモデルをテストする。 本方法の出力は、期待される物理的出力値に対して大きい偏差を有する予測をモデルが行う確率であり、より詳細には、それぞれの個々のシンプレックスごとの確率である。 ３．テストを繰り返す。 少なくとも１つのシンプレックスについての確率が、所定の境界値ｐ＊よりも大きい場合には、テストベンチは、特に確率ｐ＞ｐ＊を有するシンプレックスからの入力値を有する新たな訓練データを要求する。これらの新たな訓練データが、既存の訓練データ集合に追加されて、ステップ１及び２が繰り返される。 ４．モデルを承認する。 いずれのシンプレックスについての確率も、境界値ｐ＊より大きくない場合には、モデルが、物理的プロセスの信頼性のある予測のために承認される。 ５．中断基準。 ステップ４が、例えば、テストベンチにおいて所定の時間の後に達成されない場合、又は、訓練データ集合が、所定の量に到達した場合若しくは所定の量を上回る場合には、テストされたモデルが破棄されて、別のモデルがテストされる。 この別のモデルは、例えば、モデルの代替的なアーキテクチャを有する。ニューラルネットワークの場合には、例えば、ニューラルネットワークｆにより多くのニューロンが設けられる。ガウス過程の場合には、例えば、ガウス過程において別のカーネルが設けられる。 この別のモデルは、例えば、１つ又は複数の代替的な入力量を使用する。 続いて、この別のモデルを用いて、手順が新たに開始される。 図２には、本方法の例示的なステップを有するフローチャートが示されている。本方法は、人工ニューラルネットワークｆの例において使用され、別のモデル、例えば、ガウス過程を用いるモデルにおいても相応に適用される。 人工ニューラルネットワークｆは、物理的プロセスｇ：Ｘ→Ｙをモデル化する。 物理的プロセスにおいて、物理的プロセスの入力空間Ｘからの物理的プロセスｇの物理的入力量ｘ∈Ｘは、物理的プロセスの出力空間Ｙにおける物理的プロセスの物理的出力量ｙ∈Ｙをもたらす。 入力空間Ｘは、物理的入力量ｘの入力値を含む。出力空間Ｙは、物理的出力量ｙの出力値を含む。 人工ニューラルネットワークｆは、物理的入力量ｘの入力値を、物理的出力量ｙの出力値についての予測ｆ（ｘ）へと写像する。 入力量１０８は、物理的入力量ｘについての一例である。仮想消費量は、物理的出力量ｙについての一例である。 テストのために、モデルに対する、すなわち、本例においては人工ニューラルネットワークｆに対する代理モデルが提供される。本例においては、代理モデルは、関数ｈ：Ｘ→Ｙである。 代理モデルｈは、現実の物理的プロセスｇを記述するように構成されている。例えば、関数は、現実の物理的プロセスを、許容誤差 を以て記述するように構成されている。 本方法は、ステップ２０２を含む。 ステップ２０２においては、入力値が検出される。 本方法は、ステップ２０４を含む。 ステップ２０４においては、入力空間Ｘにおいて、検出された入力値によって張設されたシンプレックスが決定される。 １次元のシンプレックスＳは、例えば、２つの検出された入力値によって以下のように張設される。 ｘ（λｉｊ）＝λｉｊｘｊ＋（１＋λｉｊ）ｘｉ ここで、λｉｊ∈［０，１］ 提供された代理モデルｈに対して、以下が成り立つ。 このことはつまり、代理モデルｈが、現実の物理的プロセスｇを全てのシンプレックスの内部において良好に、すなわち、 によって定義された許容誤差を以て記述するということを意味する。 本方法は、ステップ２０６を含む。 ステップ２０６においては、それぞれのシンプレックスごとに、 ａ）入力空間からの少なくとも１つの入力値ｘｋが決定され又はランダムに抽出され、 ｂ）代理モデルｈを用いて入力値ｘｋに対する出力値ｈ（ｘｋ）が決定され、 ｃ）人工ニューラルネットワークｆを用いて入力値ｘｋが出力値についての予測へと写像される。 それぞれの入力値ｘｋは、例えば、ユーザとのヒューマン・マシン・インタラクションにおいて決定される。 それぞれの入力値ｘｋは、例えば、所定の確率分布Ｕ（Ｓ）に従って、特に一様分布に従ってシンプレックス上でランダムに抽出されるｘｋ～Ｕ（Ｓ）。 本方法は、ステップ２０８を含む。 ステップ２０８においては、それぞれの予測ごとに予測ｆ（ｘｋ）と、代理モデルの出力値ｈ（ｘｋ）との間の距離ｄｋが決定される。 距離は、例えば、予測と出力値との間の差の絶対値に依存して決定され、例えば、ｄｋ＝｜ｆ（ｘｋ）－ｈ（ｘｋ）｜である。 それぞれのシンプレックスごとに、複数の異なる入力値ｘｋに対する複数の距離が決定されるということを想定することができる。 本方法は、ステップ２１０を含む。 ステップ２１０においては、人工ニューラルネットワークｆが、入力空間からの物理的入力量の入力値を予測へと写像する際に、その予測が、入力値を有する物理的な入力量に対する物理的プロセスの物理的出力値から、特に所定の偏差（例えば、 ）を超えて逸脱する確率ｐが、そのシンプレックスに対して決定された距離ｄｋの個数Ｎに依存して決定される。 例えば、テストの結果は、確率を含む。 確率ｐは、例えば、テストにおいて決定された距離の個数に対する、許容誤差よりも大きい距離の個数の比率に依存して決定される。 確率ｐは、例えば、密度関数γを有する一般化パレート分布を用いて決定され、一般化パレート分布は、シンプレックスに対して決定された、許容誤差よりも小さい距離に合わせて適合させられる。 例えば、許容誤差は、偏差 に依存して決定される。許容誤差が、偏差 の一部として決定されるということを想定することができる。例えば、許容誤差は、偏差の半分として、すなわち、 として決定される。 テストの際に、許容誤差よりも大きい少なくとも１つの距離が決定されたかどうかかがチェックされるということ想定することができる。確率は、例えば、少なくとも１つの距離が許容誤差よりも大きい場合には、比率に依存して決定される。確率は、例えば、そうでない場合には、一般化パレート分布を用いて決定される。 本方法は、確率が、複数のシンプレックスに対して同一の許容誤差を以て決定されるということを想定することができる。確率は、例えば、複数のシンプレックスに対して時間的に重なり合うように決定され又は同時に決定される。 本方法は、確率が、少なくとも２つのシンプレックスに対してそれぞれ異なる許容誤差を以て決定されるということを想定することができる。 図３には、例示的な入力空間が概略的に示されている。 入力空間は、検出された入力値３０２を含む。検出された入力値３０２は、例えば、機械１１０における入力量１０８の測定の結果である。 図３には、シンプレックス３０４が示されている。本例においては、３つのシンプレックスが示されている。 図３においては、複数のシンプレックス３０４のうちの１つのシンプレックス３０４の内部に、例えば、テストの際に決定又は抽出された入力値３０６が示されている。 図４には、例示的な２つの入力値３０２によって張設された例示的な１次元のシンプレックスについて、この１次元のシンプレックスからの例示的な入力値ｘに対して関数ｆを用いて決定された例示的な出力値ｙ＝ｆ（ｘ）の概略図が示されており、これらの出力値には、図４においては、参照符号４０２が付されている。出力値ｙは、本例においては、許容誤差 の範囲内に位置する。このことはつまり、上限及び下限における絶対的な距離が、それぞれ よりも小さいということを意味する。 図５には、人工ニューラルネットワークの予測と、関数の出力値との間の距離のヒストグラム５００が概略的に示されている。 境界値ｕを超えた先には、一般化パレート分布５０２が示されている。一般化パレート分布５０２は、シンプレックスに対して決定された、許容誤差 よりも小さくて境界値ｕよりも大きい距離に合わせて適合させられている。 １つの例示的な実施形態は、現実の物理的プロセスを記述するように提供及び構成される代理モデルｈに関する。 代理モデルｈは、例えば