[發明專利]基于虛擬數據和真實數據的機器學習

在審

• 申請號: 202010329355.0
• 申請日: 2020-04-23
• 公開（公告）號: CN111823594A
• 公開（公告）日: 2020-10-27
• 發明（設計）人: A·J·M·范德威登;畢婧;薩布漢姆·塞特
• 申請（專利權）人: 達索系統西姆利亞公司
• 主分類號: B29C64/386
• 分類號: B29C64/386;B29C64/153;G06F30/20;B33Y50/00
• 代理公司: 北京派特恩知識產權代理有限公司 11270
• 代理人: 張瑋;王琳

一種方法，包括：采用基于計算機的軟件來模擬過程，以生成關于所述過程的虛擬數據；識別出用于所述過程的真實世界版本的過程參數；提供真實世界傳感器以感測與所述過程的所述真實世界版本相關聯的參數；在所述真實世界版本被執行時，從所述真實世界傳感器接收傳感器讀數；以及訓練機器學習軟件模型以基于關于所述過程的虛擬數據、所述過程參數和所述傳感器讀數來預測所述真實世界傳感器的性能。

相關申請的交叉引用

本申請要求于2019年4月23日遞交、題為“基于V+R數據的機器學習服 務(MACHINELEARNING SERVICE BASED ON V+R DATA)”的美國臨時專 利申請62/837,452的優先權權益，并且要求于2019年4月23日遞交、題為“具 有用于選擇性激光熔化打印參數優化的快速特征生成的機器學習(MACHINE LEARNING WITH FAST FEATURE GENERATION FORSELECTIVE LASER MELTING PRINT PARAMETERS OPTIMIZATION)”的美國臨時專利申請 62/838,114的優先權權益。這些在先申請所公開的全部內容通過引用并入本文。

技術領域

本申請涉及機器學習，并且更具體地，涉及基于虛擬數據和真實數據的機 器學習。

背景技術

在硬件上，傳感器值被用于控制(例如，飛行器飛行控制或制造控制)。如 今，網絡物理控制系統通常使用虛擬模型來進行設計。因此，重要的是精確預 測傳感器值。此外，制造業受到在早期(例如，首次)就生產出質量可接受的 產品零件的挑戰。

特別是，與增材制造過程相關聯的復雜性包括大量的打印參數和發生在不 同尺度下的快速演進物理特性，比如，熔池級別處的材料相變和多孔性，以及 零件級別的失真和殘余應力發展。通常，使用物理模擬以預測所有質量度量的 成本高。

發明內容

本在一個方面，一種方法包括：采用基于計算機的軟件來模擬過程，以生 成關于所述過程的虛擬數據；識別出用于所述過程的真實世界版本的過程參數； 提供真實世界傳感器以感測與所述過程的所述真實世界版本相關聯的參數；在 所述真實世界版本被執行時，從所述真實世界傳感器接收傳感器讀數；以及訓 練機器學習軟件模型以基于關于所述過程的虛擬數據、所述過程參數和所述傳 感器讀數來預測所述真實世界傳感器的性能。在典型的實施方式中，訓練技術 包括監督訓練。

在另一個方面，一種系統，包括：計算機；被配置成執行過程的一個或多 個機器；至少一個真實世界傳感器，用以感測過程的性能參數；以及機器學習 軟件模型。所述計算機包括：至少一個基于計算機的處理器；以及基于計算機 的存儲器，存儲有計算機可執行指令，當計算機可執行指令被基于計算機的處 理器執行時，使得基于計算機的處理器模擬過程以生成關于所述過程的虛擬數 據。所述一個或多個機器被配置成基于與所述過程相關聯的過程參數，執行所 述過程的真實世界版本。所述真實世界傳感器感測與所述過程的真實世界版本 相關聯的參數(特征)。機器學習軟件模型被訓練成基于以下各項來預測所述真 實世界傳感器的性能：關于所述過程的虛擬數據、所述過程參數、以及在所述 過程的真實世界版本中來自所述真實世界傳感器的傳感器讀數。

在某些實施方式中，存在以下優勢中的一個或多個。

例如，高度準確的傳感器預測成為可能。此外，在無需采用第一原則對傳 感器的具體工作進行建模的情況下并且在無需進行廣泛校準努力的情況下，就 可實現預測。能夠高效地實現高度準確的傳感器預測。一經訓練，預測模型可 用于各種方式，包括：用來優化機器過程參數、用來檢測傳感器異常、和/或支 持后續系統模擬。

此外，特別是在某些實施方式中，本發明所公開的技術提供了對傳感器性 能的快速訓練和快速預測。這在可用時間受限但卻需要準確度和精確度的情況 下尤其有用。