[发明专利]训练用于控制工程系统的机器学习例程的方法和设备

权利要求书

1.一种用于训练用于控制工程系统(TS)的机器学习例程(BNN)的以计算机执行的方法，其中

a)通过机器学习例程(BNN)读取具有工程系统(TS)的第一传感器数据的第一训练数据(PIC)的序列，

b)根据所述第一训练数据(PIC)训练所述机器学习例程(BNN)，其中，通过所述训练调节所述机器学习例程(BNN)的多个学习参数(LP)，

c)得出所述学习参数(LP)的在所述训练中出现的值分布(VLP)，

d)根据所述学习参数(LP)的所得出的所述值分布(VLP)产生继续消息(CN)，并且

e)根据所述继续消息(CN)利用所述第一训练数据(PIC)的另一序列继续所述训练，或者为所述训练请求其他训练数据(PIC2)。

2.根据权利要求1所述的方法，其特征在于，所述其他训练数据(PIC2)

-具有与所述第一训练数据(PIC)不同的类型，

-以与所述第一训练数据(PIC)不同的方式被检测，

-包括与所述第一传感器数据不同的传感器数据，和/或

-来自与所述第一训练数据(PIC)不同的来源。

3.根据前述权利要求中任一项所述的方法，其特征在于，

根据所述继续消息(CN)驱控传感器或传感器系统，从而

-修改用于检测训练数据的所述传感器的传感器参数，

-促使所述传感器系统的传感器检测训练数据，和/或

-选择所述传感器系统的传感器数据作为训练数据。

4.根据前述权利要求中任一项所述的方法，其特征在于，

得出所述学习参数(LP)的所述值分布(VLP)的分布宽度和/或熵值，并且

随着分布宽度的增加和/或熵值的增加，优选地利用所述第一训练数据(PIC)的另一序列继续所述训练。

5.根据前述权利要求中任一项所述的方法，其特征在于，

得出所述学习例程(BNN)的输出数据(OCL)的值分布(VOCL)，并且

根据所述输出数据(OCL)的所述值分布(VOCL)形成所述继续消息(CN)。

6.根据权利要求5所述的方法，其特征在于，得出所述输出数据(OCL)的所述值分布(VOCL)的分布宽度和/或熵值，并且

随着分布宽度的增加和/或熵值的增加，优选请求所述其他训练数据(PIC2)。

7.根据前述权利要求中任一项所述的方法，其特征在于，由分布宽度代表相应的值分布(VLP、VOCL)。

8.根据前述权利要求中任一项所述的方法，其特征在于，

将所述第一训练数据的训练数据集(PIC(CL))分别与特定的识别类别(CL)相关联，并且

对于相应的识别类别(CL)，根据与该识别类别(CL)相关联的所述第一训练数据集(PIC(CL))：

-得出所述学习参数的类别特定的值分布，

-根据所述学习参数的所述类别特定的值分布，产生类别特定的继续消息，并且

-根据所述类别特定的继续消息，利用与该识别类别相关联的第一训练数据(PIC(CL))继续所述训练，或者请求与该识别类别(CL)相关联的其他训练数据(PIC2(CL))。

9.根据前述权利要求中任一项所述的方法，其特征在于，

所述机器学习例程实施人工神经网络、递归神经网络、卷积神经网络、贝叶斯神经网络(BNN)、自编码器、深度学习架构、支持向量机、数据驱动的可训练回归模型、k最近邻分类器、物理模型和/或决策树。

10.根据前述权利要求中任一项所述的方法，其特征在于，

通过所述机器学习例程借助于贝叶斯神经网络(BNN)得出所述学习参数(LP)的所述值分布(VLP)，其中，所述学习参数(LP)是所述贝叶斯神经网络(BNN)的神经权重。