[发明专利]用于监测机器学习模型的方法和装置

说明书

本发明涉及监测或控制工业过程的领域，特别是借助于人工神经网络。该方法包括以下步骤：借助于第一输入数据集(31)作为第一输入(11)来训练第一控制模型(10)，产生经训练的第一控制模型(10T)；将经训练的第一控制模型(10T)复制到第二控制模型(20)，其中，在复制之后，第二输入层(22)和多个第二隐藏层(24)与多个第一隐藏层(14)相同，并且第一输出层(18)被第二输出层(28)替代；冻结多个第二隐藏层(24)；借助于第一输入数据集(31)作为第二输入(21)来训练第二控制模型(20)，产生经训练的第二控制模型(20T)；以及借助于第二输入数据集(32)作为第二输入(21)来运行经训练的第二控制模型(20T)，其中第二输出(29)输出第一控制模型(10)的质量度量(qm)。

技术领域

本发明涉及监测或控制工业过程的领域，特别是借助于人工神经网络ANN。本发明还涉及一种装置、计算机程序产品、计算机可读存储介质、以及用途。

背景技术

机器学习模型(例如人工神经网络(ANN))可以被用于工业过程，例如用于执行监测和/或控制任务。然而，至少一些机器学习模型可能会随着时间的推移而退化，因为产生相关数据的过程可能会随着使用时间的推移而改变。在至少一些应用中，退化是难以测量的。

发明内容

因此，本发明的目的是提供一种至少部分地改进这种情况的方法。该目的由独立权利要求的主题实现。其他实施例从从属专利权利要求和以下描述中显而易见。

一个方面涉及一种用于确定第一控制模型的质量度量以监测或控制工业过程的方法，其中第一控制模型是人工神经网络ANN，包括第一输入、第一输入层、多个第一隐藏层、第一输出层、以及第一输出。该方法包括以下步骤：

借助于第一输入数据集作为第一输入来训练第一控制模型，产生经训练的第一控制模型。

将经训练的第一控制模型复制到第二控制模型，其中第二控制模型包括第二输入、第二输入层、多个第二隐藏层、第二输出层、以及第二输出，该第二输出被配置为输出第一控制模型的质量度量，其中，在复制之后，第二输入层与第一输入层相同，多个第二隐藏层与多个第一隐藏层相同，并且第一输出层被第二输出层替代。

冻结多个第二隐藏层的至少部分。

借助于第一输入数据集作为第二输入来训练第二控制模型，产生经训练的第二控制模型。

借助于第二输入数据集作为第二输入来运行经训练的第二控制模型，其中第二输出输出第一控制模型的质量度量。

第一控制模型可以被称为“初级模型”。工业过程可以是生产、制造和/或改变任何商品的任何过程，例如化学、机械和/或电气性质的。第一控制模型可以被用于直接或间接地控制工业过程，和/或用于监测工业过程，例如通过递送关于过程和/或其行为的信息。第一控制模型可以是或包括人工神经网络，可能与标准计算机和/或其他计算部件组合，简称为“ANN”。第一控制模型的层中的每层可以包括神经元集合，这些神经元由加权边缘连接。由第一输出层产生的值可以经由第一输出被输出到工业过程和/或显示器、警报设备等。被输出到工业过程的值可能有助于控制和/或引导工业过程。

在第一控制模型的生产性使用之前，第一控制模型借助于第一输入数据集作为第一输入来训练或被应用于第一输入。第一输入数据集可以包括一个或多个(多个)已知监测或控制情况的历史数据，即，输入和输出(例如期望的动作或反应)都是已知的。(多个)情况可以包括运行良好或非常好的情况和/或运行不佳的情况。训练意味着第一控制模型被训练改变，特别是它的多个第一隐藏层、它的神经元和/或它的加权边缘的权重可以被改变。训练第一控制模型可以包括当监测或控制输出在期望范围内时考虑成本函数和/或奖励。这可以包括工业过程在不久的将来(例如在一秒、一分钟、一小时、一天等)会如何表现的某种预测。预测时间范围可能取决于类型和/或工业过程的其他细节。