[發明專利]中間過程狀態估計方法

有效

• 申請號: 201910522672.1
• 申請日: 2019-06-17
• 公開（公告）號: CN110647997B
• 公開（公告）日: 2023-06-27
• 發明（設計）人: 梶本哲也;佐佐木裕;三輪誠;林田勇太
• 申請（專利權）人: 豐田自動車株式會社;學校法人豐田學園
• 主分類號: G06N20/00
• 分類號: G06N20/00;G06N3/08
• 代理公司: 華進聯合專利商標代理有限公司 44224
• 代理人: 何沖;黃隸凡

在中間過程狀態估計方法中，使用兩個生成器，并且輸入共同的輸入噪聲到各生成器，將與特定步驟對應的標簽輸入到一個生成器，并將不同于特定步驟的步驟對應的標簽輸入到另一個生成器。然后，將各個生成器生成的生成數據和訓練數據之一隨機輸入到鑒別器，并且所述生成器和所述鑒別器以對抗方式從鑒別器中的鑒別結果中學習。然后，將與期望最終狀態對應的輸入噪聲和與期望估計中間過程狀態的步驟對應的標簽輸入到已學習的生成器，以基于由生成器生成的生成數據來估計中間過程狀態。

技術領域

本發明涉及一種中間過程狀態估計方法，該中間過程狀態估計方法用于對從初始狀態經過多個中間成型物到達最終狀態的成型過程，以時間序列估計從最初狀態到最終狀態的變形過程中最適于成型的中間過程狀態。

背景技術

近年來，已經提出了使用深度學習的機器學習方法，例如生成性對抗網絡(GAN：Generative?Adversarial?Networks)。GAN有兩種神經網絡，這兩種神經網絡是生成器(generator)和鑒別器(discriminator)，GAN是一種其中生成器和鑒別器以對抗的方式進行學習的機器學習方法。即，在GAN中，生成器和鑒別器通過相互競爭來學習。例如，生成器試圖通過欺騙鑒別器來學習，而鑒別器試圖通過更準確地執行鑒別來學習。

例如，當GAN用于生成面部圖像時，生成器通過接收在[-1,1]的范圍內隨機選擇的潛在噪聲作為輸入來生成生成圖像，并隨機地給出生成圖像或者面部訓練圖像到鑒別器。鑒別器鑒別所給出的圖像是生成圖像還是訓練圖像。生成器和鑒別器通過執行鑒別器中鑒別的準確性的誤差反向傳播以對抗的方式進行學習，以使生成器輸出捕捉面部訓練圖像的特征的生成圖像。

此外，Grigory?Antipov,Moez?Baccouche,Jean-Luc?Dugelay,arXiv:1702.01983v2,2017年5月30日，公開了Age-cGAN(Age-conditional?GAN，年齡狀況GAN)技術，該技術基于上述GAN技術改變面部輸入圖像以與由標簽向量表示的年齡群體對應。在Age-cGAN中，除了由編碼器基于面部輸入圖像而估計的潛在噪聲外，代表特定年齡群體的人(例如，那些60多歲的人)的標簽向量也被輸入到已經被GAN學習的生成器。然后，生成器輸出生成圖像，該生成圖像中，面部輸入圖像被改變以與標簽向量的年齡群體對應。

發明內容

在從初始狀態(即材料的形狀)經過到多個中間成型物到達最終狀態(即最終成型物的形狀)的成型過程(如鍛造過程)中，有必要從事先已知的初始狀態和最終狀態以時間序列估計最適于成型的中間過程狀態。從初始狀態到最終狀態的變形過程中有必要考慮成型性(moldability)。例如，在鍛造過程中，需要預先制造模具以獲得多個中間成型物和最終成型物。如果從初始狀態到最終狀態的變形過程不考慮成型性，則會出現最終狀態中的意外缺陷或模具壽命縮短等問題。

因此，在從初始狀態經過多個中間成型物達到最終狀態的成型過程中，需要從作為初始狀態的材料形狀和作為最終狀態的最終成型物的形狀來估計適于成型的變形過程。對于上述成型過程，技術人員基于他/她過去的經驗和直覺已經進行了以時間序列估計適于成型的變形過程中的中間過程狀態的工作。此外，通過利用CAE等模擬工具進行分析，在確認了由熟練技術人員估計的中間過程的有效性之后，確定了中間過程狀態的設計。

如上所述，對于從初始狀態經過多個中間成型物到達最終狀態的成型過程，需要技巧來以時間序列估計最適于成型的變形過程中的中間過程狀態。因此，對于上述成型過程，需要一種技術，該技術通過使用深度學習的生成模型以時間序列估計最適于成型的、變形過程中的中間過程狀態。