用于针对技术系统生成计算机可读模型的方法和设备与流程

1.本发明涉及一种用于借助人工神经网络、尤其是借助生成对抗神经网络（generative adversarial neural network）来针对技术系统生成计算机可读模型的计算机实施的方法和设备。此外，本发明集中于一种用于执行根据本发明的方法的步骤的计算机程序产品。


背景技术：

2.计算机辅助仿真可被用作技术系统（例如设施或者工厂设施（fabrikanlagen））的数字规划工具。例如，借助仿真，可以验证规划设计。此外，可以在设施的运行阶段期间采用计算机仿真，以便例如实现运行平滑的辅助系统。对于这两种类型的仿真而言，已知了如下仿真工具或者simulationstools：利用所述仿真工具，仿真专家可能从现有的仿真组件库手动创建仿真模型。在通常情况下，基于可用的工厂计划和可用的工厂数据创建仿真模型要求仿真专家的高度专业知识，因为仿真专家首先必须确定和/或创建合适的仿真组件，用于映射真实的工厂组件。因而，仿真模型的创建可能是耗时的、易于出错的和/或质量上参差不齐的。
3.已知了其他所谓的生成对抗神经网络（英语“generative adversarial networks”）、缩写gan，所述生成对抗神经网络属于用于无监督学习的算法。生成对抗网络包括两个人工神经网络，它们被训练成使得这些神经网络之一（生成器（generator））创建候选者，第二神经网络（判别器（diskriminator））评估这些候选者。例如，生成对抗网络可被用于对相当逼真的图像、视频或者序列进行图像生成。


技术实现要素：

4.本发明的任务是，使针对技术系统（如例如针对工厂设施）创建计算机辅助模型变得容易。
5.通过在独立权利要求中所描述的措施，解决该任务。在从属权利要求中，表示了本发明的有利的扩展方案。
6.根据第一方面，本发明涉及一种用于针对技术系统生成计算机可读模型的计算机实施的方法，该方法包括以下方法步骤：
‑ꢀ
获取（erfassen）针对技术系统的基于文本的规范数据，其中基于文本的规范数据详细说明至少一个系统条件，
‑ꢀ
提供多个模型组件，用于以计算机辅助的方式对技术系统进行建模的，其中给相应的模型组件分配有一个模型组件标志，
‑ꢀ
提供第一神经网络，所述第一神经网络借助第二神经网络训练成，在针对技术系统的基于文本的规范数据的基础上，依据模型组件的模型组件标志，从多个模型组件中选择模型组件，并且从所选择的模型组件来针对该技术系统生成计算机可读模型，使得计算机可读模型的模型数据满足至少一个在基于文本的规范数据中详细说明的系统条件，
‑ꢀ
借助第一神经网络，根据所获取的基于文本的规范数据，从所提供的多个模型组件来针对该技术系统生成计算机可读模型。
7.只要在随后的描述中不另外说明，术语“执行”、“核算（berechnen）”、“提供”、“计算机辅助地”、“计算”、“查明”、“生成”、“配置”、“重建”、“提取”等优选地涉及通过计算机执行的并且改变和/或产生数据和/或将这些数据转化为另外的数据的行动和/或过程和/或处理步骤，其中这些数据尤其是可以被表示为物理变量或者作为物理变量存在，例如被表示为电脉冲或者作为电脉冲存在。尤其是，表达“计算机”应尽可能宽泛地被解释，以便尤其是覆盖具有数据处理特性的所有电子设备。因此，计算机例如可以是个人计算机（personal computer）、服务器（server）、手持计算机系统（handheld
‑
computer
‑
systeme）、掌上电脑设备（pocket
‑
pc
‑
geraete）、移动无线电设备和另外的能够以计算机辅助的方式处理数据的通信设备、处理器和另外的用于数据处理的电子设备。
8.与本发明有关地，“计算机辅助”或者“计算机实施”可以被理解为例如该方法的实施，其中尤其是处理器执行该方法的至少一个方法步骤。与本发明有关地，“计算机可读”可以被理解为例如如下数据集：取得所述数据集来使得，该数据集可以被计算机读取和/或解释。此外，尤其是“计算机可读模型”可以包括可由计算机读取和处理的数据。计算机可读模型例如可以是形式化模型或者计算机辅助的仿真模型。
9.本发明能够实现针对技术系统创建计算机可读模型，该计算机可读模型这样设立来以计算机辅助的方式映射和/或仿真真实技术系统。例如，计算机辅助仿真或计算机仿真用于映射和分析技术系统的物理过程。
10.例如，技术系统可以是设施或者工厂设施或者机器（如例如发电机或者电动机）或者机床等。技术系统包括多个组件。真实技术系统的组件可以是硬件和/或软件组件。模型组件是真实组件的相对应映射。模型组件尤其是可以被称为仿真组件，所述仿真组件优选地成形为使得，由此可以以计算机辅助的方式来映射真实组件的物理的和/或功能的过程和/或特性。
11.本发明的优点是：借助经过训练的第一人工神经网络、尤其是生成神经网络，从多个模型组件（例如从模型组件库）自动地针对技术系统产生计算机可读模型，所述计算机可读模型符合所输入的基于文本的规范数据。因此，依据技术系统的所读入的基于文本的规范，可以针对该技术系统生成模型。因此，从模型组件产生具有如下拓扑的模型：该拓扑对应于相对应的真实技术系统的拓扑。
12.此外，该方法能够实现，在针对技术系统创建计算机可读模型时，减少手动开销，因为可以自动执行模型生成和模型参数化。这尤其是能够实现模型的始终不变的质量。除此以外，这种基于数据的方案与例如基于规则的方案相比更稳健和更灵活，在所述基于规则的方案中，依据所规定的规则来产生模型。
13.依据特定的模型组件标志，选择模型组件，并且这些模型组件被并合成计算机可读模型。生成的计算机可读模型例如可以被用于仿真和/或控制和/或分析技术系统。尤其是，根据本发明的方法可被用于规划技术系统，也就是说，在建造真实技术系统之前，首先创建计算机可读模型。
14.在所获取的基于文本的规范数据的基础上进行模型生成。基于文本的规范数据例如可以呈技术系统要满足的文本要求（如例如设施的生产目标）的形式而存在。例如，基于
文本的规范数据可以仅包括对技术系统的边界条件和/或基本前提。所述基于文本的规范数据以后可以利用生成的模型的模型数据来校正（abgeglichen）。
15.在计算机实施的方法的有利实施形式中，依据针对技术系统的基于文本的规范数据，可以提取针对技术系统的和/或技术系统的组件的参数的参数值，并且生成的计算机可读模型可以根据所提取的参数值并借助第一神经网络而被参数化。
16.基于文本的规范数据可以包括例如如下参数值：在生成计算机可读模型时，可以考虑这些参数值。为此，例如借助用于处理来自基于文本的规范数据的文本数据和/或自然语音的方法，可以获得如下信息：从这些信息可能得出参数值。
17.在计算机实施的方法的有利实施形式中，可以借助第二神经网络并依据训练数据来训练第一神经网络，
‑ꢀ
其中训练数据可以至少包括技术系统的基于文本的规范数据和/或技术系统的至少一个计算机可读模型的模型数据，
‑ꢀ
其中借助第二神经网络来训练第一神经网络包括：借助第一神经网络，在针对技术系统的基于文本的规范数据的基础上，依据模型组件的模型组件标志，从多个模型组件中选择模型组件，从所选择的模型组件来针对该技术系统生成计算机可读模型，并借助第二神经网络，依据训练数据来检查：由第一神经网络生成的计算机辅助模型的模型数据是否满足在基于文本的规范数据中详细说明的系统条件。
18.第一神经网络也可以称为生成器网络。第二神经网络也可以称为判别器网络。它们一起描述了生成对抗网络。这两个神经网络尤其是被共同训练。训练数据包括例如多个技术系统的数据，其中为每个技术系统，既给出计算机可读模型的模型数据又给出所分配的基于文本的规范数据。为了在针对技术系统的基于文本的规范数据的基础上生成计算机可读模型，借助判别器网络来训练生成器网络。该模型的生成从多个模型组件并依据这些模型组件的模型组件标志进行。优选地，选择如下模型组件：所述模型组件的模型组件标志可以被分配给基于文本的规范数据。依据分配给基于文本的规范数据的其他（训练）模型数据，由第二神经网络来检查生成的计算机可读模型，该生成的模型是否满足在基于文本的规范数据中详细说明的系统条件。经过训练的生成器网络紧接着被提供（如例如被存储），用于针对技术系统生成计算机可读模型。
19.在计算机实施的方法的有利实施形式中，可以借助第二神经网络来针对该技术系统验证所提供的计算机辅助模型。
20.此外，在训练生成对抗网络之后，判别器网络尤其是可以被用于验证所提供的计算机可读模型。为此，由经过训练的第二神经网络来检查计算机可读模型的模型数据，并且输出检查结果。由此尤其是可能检查：与详细说明的系统条件相比，计算机可读模型的拓扑和/或在计算机可读模型的基础上的仿真的输出是否是富有意义的。
21.在计算机实施的方法的有利实施形式中，技术系统的规范数据可以借助语音输入单元来获取，技术系统的规范数据可以借助评估单元被转换为基于文本的规范数据，并且可以提供所述基于文本的规范数据。
22.例如，规范数据可以由用户口头传送，借助语音输入单元来获取，并且为了进一步使用而被转换为基于文本的规范数据。
23.在计算机实施的方法的有利实施形式中，计算机可读模型可以被生成为计算机辅
助的仿真模型，用于仿真技术系统。
24.从计算机可读模型创建计算机辅助的仿真模型优选地可以借助仿真单元中的仿真工具（也称作simulationstool）来执行，该仿真单元包括至少一个处理器。在此，仿真单元的输入优选地是生成神经网络的输出。可以从所提供的仿真组件创建计算机辅助的仿真模型。仿真组件例如是真实组件的计算机辅助的映射，这些计算机辅助的映射优选地成形为使得，真实组件的物理的和/或功能的过程和/或特性可以由此以计算机辅助的方式被仿真。计算机辅助的仿真模型尤其是可执行模型，利用该可执行模型例如可以以计算机辅助的方式来仿真技术系统的过程的随着时间过去的变化过程。
25.在计算机实施的方法的有利实施形式中，技术系统和/或技术系统的过程或者功能可以借助计算机辅助的仿真模型以计算机辅助的方式来仿真，和/或可以输出计算机辅助的仿真模型，用于控制技术系统。
26.在生成和参数化计算机辅助的仿真模型之后，可以提供仿真模型，并且可以以计算机辅助的方式在仿真环境中实施该仿真模型。尤其是，紧接着可以输出相对应的仿真数据，用于控制真实技术系统。例如，对技术系统的过程和/或功能和/或规范的验证可以借助计算机辅助的仿真来执行。
27.根据第二方面，本发明涉及一种用于针对技术系统生成计算机可读模型的设备，其中该设备具有至少一个处理器，用于执行按照前述权利要求所述的方法的步骤。
28.处理器尤其是可以是中央处理单元（英语：central processing unit，cpu）、微处理器或者微控制器，例如可以是专用集成电路或者数字信号处理器，可能与用于存储程序指令的存储单元相结合，等等。处理器例如也可以是ic（集成电路，英语 integrated circuit）或者图形处理器gpu（graphics processing unit（图形处理单元）/tensor processing unit（张量处理单元），tpu）或者现场可编程门阵列（fpga，field programmable gate array）。处理器可以具有一个或者多个计算核（多核（multi
‑
core））。处理器也可以被理解为虚拟处理器或者软cpu。例如也可以涉及如下可编程处理器：该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，或者利用配置步骤来配置为使得，该可编程处理器实施本方法或者本发明的另外方面和子方面的根据本发明的特征。
29.该设备例如可以与仿真单元或仿真工具耦合，使得可以生成和/或实施计算机辅助的仿真模型，用于仿真技术系统。
30.此外，本发明涉及一种计算机程序产品，该计算机程序产品可直接加载到可编程计算机中，该计算机程序产品包括程序代码部分，所述程序代码部分适合于执行根据本发明的计算机实施的方法的步骤。
31.计算机程序产品（如例如计算机程序装置）可以例如被提供或者被供应为存储介质或者数据载体，如例如可以作为存储卡、usb棒、cd
‑
rom、dvd或者也呈从网络中的服务器可下载的文件的形式而被提供或者被供应。
附图说明
32.根据本发明的计算机实施的方法和设备的实施例在附图中示例性地示出，并且依据随后的描述更详细地予以阐述。在附图中：
图1示出了根据本发明的方法的实施例的流程图；图2示出了根据本发明的方法的其他实施例的示意图；图3示出了根据本发明的方法的其他实施例的示意图；以及图4以框图示出了根据本发明的设备的示意图。
33.彼此相对应的部分在所有图中配备有相同的附图标记。
具体实施方式
34.尤其是，随后的实施例仅示出了尤其是根据本发明的教导的这种实现可能会看起来如何的示例性的实现可能性，因为不可能提名所有这些实现可能性，而且也为了理解本发明不方便或者不必需提名所有这些实现可能性。
35.尤其是对于知晓该方法权利要求/所述方法权利要求的本领域（相关）技术人员而言，在现有技术中惯用的用于实现本发明的所有可能性当然也是已知的，使得尤其是不需要在说明书中的单独公开。
36.图1示出了根据本发明的用于针对技术系统（如例如工厂设施）生成计算机可读模型的方法的流程图。例如，该方法可被用于，在计算机上规划尚不存在的设施。
37.在步骤s1中，为要建模的设施提供基于文本的规范，并且作为基于文本的规范数据来获取该基于文本的规范。这些基于文本的规范数据例如可以包括针对工厂设施的要求、边界条件、建造条件、运行条件、生产目标或者诸如此类。例如，基于文本的规范数据可以由用户来提供、也就是说例如来制定和/或输入，并且可以为其他步骤而被读入。可替选地，可以从文件中提取和/或读入基于文本的规范数据。现在要借助计算机实施的方法来创建如下计算机可读模型：该计算机可读模型满足在基于文本的规范数据中详细说明的针对工厂设施的系统条件。例如，要生成设施的计算机可读模型，该计算机可读模型满足针对该设施的预先给定的生产目标。换言之，要借助根据本发明的方法来规划由组件构成的设施，并且要为此生成由相对应的模型组件构成的模型，使得所建模的设施满足预先给定的生产目标。
38.计算机可读模型例如可以是形式化的工程模型，该形式化的工程模型要作为计算机可读的文本数据被输出，例如要以被存储在xml文件中的方式被输出。可替选地，计算机可读模型也可以是计算机仿真模型，该计算机仿真模型可以由计算机来读取和执行。此外，计算机可读模型可以作为抽象设施架构被输出，例如可以作为sysml或者automationml文件被输出。
39.在步骤s2中，为此提供多个模型组件。例如，操控具有模型组件的库或者数据库，用于以计算机辅助的方式对技术系统进行建模。模型组件优选地分别被分配给真实技术系统的真实组件（如例如软件和/或硬件），使得可以借助模型组件来映射或建模和/或仿真真实组件。
40.将模型组件分配给真实组件例如可以事先借助经过训练的机器学习方法来进行，其中机器学习方法被训练成，给技术系统的真实组件分别分配如下一个模型组件：该模型组件映射真实组件的功能和/或物理特性。
41.相应的模型组件通过模型组件标志来表征。模型组件标志可以呈标志数据的形式存在，所述标志数据可以包括例如名称、标记、名字、标签、标识号、描述、简要描述或者诸如
此类。模型组件标志优选地明确地分配给一个模型组件。依据标志数据可以描述和/或标识相应的模型组件和/或其功能。这样，例如在基于文本的规范数据的基础上，依据模型组件的模型组件标志，可以选择适当的模型组件。
42.在步骤s3中，提供经过训练的生成神经网络。经过训练的生成神经网络例如作为数据结构被提供，如例如被存储在存储单元上并从那里被读入。优选地，生成神经网络首先借助判别器网络来训练，如示例性地在图2中示出的那样。生成神经网络训练为使得，在针对技术系统的所读入的基于文本的规范数据的基础上，从模型组件数据库中，依据相应的模型组件标志选择确定的模型组件，并且从所选择的模型组件来生成计算机可读模型。在此，生成的计算机可读模型被创建为使得，模型数据满足至少一个在所读入的基于文本的规范数据中详细说明的系统条件。例如，利用规范数据来校正生成的模型的模型数据。
43.可替选地，也可以借助生成的模型来执行系统仿真，以便测试该模型是否满足详细说明的系统条件。例如，可以对借助生成的模型来生产产品进行仿真，以便测试是否满足设施的生产目标。
44.在步骤s4中，所获取的基于文本的规范数据被传送，并被读入到经过训练的生成神经网络中。在所读入的基于文本的规范数据的基础上，生成神经网络生成由模型组件数据库的模型组件构成的计算机可读模型。
45.在步骤s5中，输出生成的计算机可读模型。例如，生成的计算机可读模型作为数据结构被输出。计算机可读模型例如可被用于规划、建造、用于以计算机辅助的方式仿真和/或用于控制工厂设施。例如，这样可以借助输出的计算机可读模型来规划和/或建造和/或控制工厂设施。
46.图2示出了根据本发明的用于训练生成对抗网络的方法的实施例，该方法适合于针对技术系统生成计算机可读模型。尤其是，示出了对第一神经网络nn1和第二神经网络nn2进行训练的训练步骤。
47.训练神经网络一般应被理解为将输入参数的映射优化到一个或者多个目标参数上。该映射在训练阶段期间按照预先给定的、经过学习的和/或要学习的标准进行优化。训练结构例如可以包括神经网络的神经元的联网结构和/或神经元之间的连接的权重，它们通过训练构造为使得，尽可能好地满足预先给定的标准。
48.在针对技术系统的基于文本的规范数据d_spec的基础上，第一神经网络nn1生成计算机可读模型m。为此，基于文本的规范数据d_spec被读入到第一神经网络nn1中。此外，给第一神经网络nn1提供多个模型组件mk，给所述模型组件mk分别分配有模型组件标志mkk。例如，第一神经网络nn1与如下数据库或者库耦合：在所述数据库或者库中，存储有模型组件mk。在所读入的基于文本的规范数据d_spec的基础上并依据模型组件标志mkk，第一神经网络nn1从中选择针对计算机可读模型m的确定的模型组件mk。
49.例如，规范数据d_spec包括要求“在时间y生产产品x的设施”，其中“x”和“y”具有确定的值。依据所述规范数据d_spec，可以选择适当的模型组件、如例如用于机床、传送带等的模型组件。从所选择的模型组件mk来生成计算机可读模型。
50.向第二神经网络nn2输出并在那里读入生成的计算机可读模型m。第二神经网络nn2依据训练数据来检查计算机可读模型m。例如，这样来检查生成的计算机可读模型m是否是富有意义的。为此，作为训练数据，给第二神经网络nn2提供多个技术系统的模型数据md*
和所属的基于文本的规范数据d_spec*。换言之，训练数据包括至少一对分配给彼此的模型数据md*和基于文本的规范数据d_spec*。训练数据的基于文本的规范数据d_spec*在此优选地与原始读入的基于文本的规范数据d_spec相同或者相似。例如，训练数据md*、d_spec*来自另外的技术系统和/或类似的技术系统、如要建模的技术系统，所述另外的技术系统和/或类似的技术系统具有相同的或者相似的系统条件。
51.依据训练数据md*、d_spec*，第二神经网络nn2可以检查，由第一神经网络nn1生成的计算机可读模型m是否满足在基于文本的规范数据d_spec中详细说明的系统条件。为此，将计算机可读模型m的模型数据md与训练数据md*、d_spec*进行比较。例如，在此可以检查，模型数据md是否遵循训练模型数据md*的统计分布。
52.如果例如模型数据md不满足详细说明的系统条件d_spec，则可以根据检查结果pe来发起计算机可读模型m的重新生成，fl。优选地进行训练，直到产生如下计算机可读模型：该计算机可读模型被第二神经网络nn2检查为富有意义的或适当的，也就是说，该计算机可读模型的模型数据至少在预先给定的容差范围之内满足详细说明的系统条件。在训练之后，可以输出和提供第一神经网络nn1和第二神经网络nn2例如作为数据结构。
53.例如，借助经过训练的第二神经网络nn2，可以验证技术系统的预先给定的计算机可读模型，也就是说，可以检查该模型是否成形为使得，该模型满足系统条件。
54.图3示出了根据本发明的方法的其他实施例。示出了经过训练的第一神经网络nn1，该经过训练的第一神经网络nn1构建为生成神经网络。例如，可以如依据图2所示出的那样来执行对第一神经网络nn1的训练。第一神经网络nn1例如与模型组件数据库耦合，该模型组件数据库提供分别具有所属的模型组件标志mkk的模型组件mk。
55.提供针对技术系统的基于文本的规范数据d_spec，并将所述基于文本的规范数据d_spec递交给第一神经网络nn1。基于文本的规范数据d_spec例如可以基于如下语言规范数据：所述语言规范数据经由语音输入单元被获取并作为基于文本的规范数据d_spec被输出。
56.从基于文本的规范数据d_spec开始，神经网络nn1从多个模型组件mk生成计算机可读模型m。在此，模型组件mk依据其模型组件标志mkk根据基于文本的规范数据d_spec而被选择，并且被并合成计算机可读模型m。此外，依据基于文本的规范d_spec，可以提取针对技术系统的参数的参数值，并且生成的计算机可读模型m可以根据所提取的参数值和借助第一神经网络而被参数化，也就是说设定模型m的参数。例如，参数可以是描述模型组件的物理变量。
57.紧接着，可以输出计算机可读模型m，例如用于规划技术系统。此外，如果例如计算机可读模型m仅被生成为形式化的工程模型并且要被实现为可执行的仿真模型，则借助仿真工具，可以基于计算机可读模型m来生成计算机辅助的仿真模型sm。
58.仿真工具尤其是可以具有应用程序编程接口（英语：application programming interface，简称api）。仿真模型可以通过仿真工具的api来生成。通过该接口，可以访问仿真工具或该工具的内部功能。
59.技术系统和/或技术系统的过程或者功能可以借助计算机辅助的仿真模型来仿真。可以输出计算机辅助的仿真模型sm，用于控制技术系统。
60.图4以示意性框图示出了根据本发明的用于针对技术系统生成计算机可读模型的
设备100，例如用于规划技术系统。设备100包括至少一个处理器101，所述至少一个处理器101设立为，（如例如依据图1至3之一所示出的那样）执行根据本发明的方法的步骤。此外，设备100优选地包括至少一个存储单元102，或者与存储单元或者数据库耦合。在存储单元102上，尤其是可以存储和提供多个模型组件。此外，存储单元102可以存储经过训练的第一和/第二神经网络，并且为了进行使用而分别提供所述经过训练的第一和/第二神经网络作为数据结构。例如，生成对抗网络可以借助训练数据在训练单元103中被训练，并且可以向存储单元102或向处理器101传送生成对抗网络。设备100此外可以包括仿真单元104，或者与仿真单元104耦合，其中仿真单元例如具有呈软件形式的仿真工具，并且设立为，从仿真组件创建可在计算机上执行的仿真模型，并输出该仿真模型。此外，仿真单元也可以设立为，执行仿真模型。设备100的各个单元可以既构建为软件和/或构建为硬件，并且优选地有利地彼此耦合。
61.在本发明的范围中，所有所描述的和/或所绘出的特征可以有利地彼此组合。本发明并不限于所描述的实施例。