[发明专利]中间过程状态估计方法

说明书

在中间过程状态估计方法中，使用两个生成器，并且输入共同的输入噪声到各生成器，将与特定步骤对应的标签输入到一个生成器，并将不同于特定步骤的步骤对应的标签输入到另一个生成器。然后，将各个生成器生成的生成数据和训练数据之一随机输入到鉴别器，并且所述生成器和所述鉴别器以对抗方式从鉴别器中的鉴别结果中学习。然后，将与期望最终状态对应的输入噪声和与期望估计中间过程状态的步骤对应的标签输入到已学习的生成器，以基于由生成器生成的生成数据来估计中间过程状态。

技术领域

本发明涉及一种中间过程状态估计方法，该中间过程状态估计方法用于对从初始状态经过多个中间成型物到达最终状态的成型过程，以时间序列估计从最初状态到最终状态的变形过程中最适于成型的中间过程状态。

背景技术

近年来，已经提出了使用深度学习的机器学习方法，例如生成性对抗网络(GAN：Generative Adversarial Networks)。GAN有两种神经网络，这两种神经网络是生成器(generator)和鉴别器(discriminator)，GAN是一种其中生成器和鉴别器以对抗的方式进行学习的机器学习方法。即，在GAN中，生成器和鉴别器通过相互竞争来学习。例如，生成器试图通过欺骗鉴别器来学习，而鉴别器试图通过更准确地执行鉴别来学习。

例如，当GAN用于生成面部图像时，生成器通过接收在[-1,1]的范围内随机选择的潜在噪声作为输入来生成生成图像，并随机地给出生成图像或者面部训练图像到鉴别器。鉴别器鉴别所给出的图像是生成图像还是训练图像。生成器和鉴别器通过执行鉴别器中鉴别的准确性的误差反向传播以对抗的方式进行学习，以使生成器输出捕捉面部训练图像的特征的生成图像。

此外，Grigory Antipov,Moez Baccouche,Jean-Luc Dugelay,arXiv:1702.01983v2,2017年5月30日，公开了Age-cGAN(Age-conditional GAN，年龄状况GAN)技术，该技术基于上述GAN技术改变面部输入图像以与由标签向量表示的年龄群体对应。在Age-cGAN中，除了由编码器基于面部输入图像而估计的潜在噪声外，代表特定年龄群体的人(例如，那些60多岁的人)的标签向量也被输入到已经被GAN学习的生成器。然后，生成器输出生成图像，该生成图像中，面部输入图像被改变以与标签向量的年龄群体对应。

发明内容

在从初始状态(即材料的形状)经过到多个中间成型物到达最终状态(即最终成型物的形状)的成型过程(如锻造过程)中，有必要从事先已知的初始状态和最终状态以时间序列估计最适于成型的中间过程状态。从初始状态到最终状态的变形过程中有必要考虑成型性(moldability)。例如，在锻造过程中，需要预先制造模具以获得多个中间成型物和最终成型物。如果从初始状态到最终状态的变形过程不考虑成型性，则会出现最终状态中的意外缺陷或模具寿命缩短等问题。

因此，在从初始状态经过多个中间成型物达到最终状态的成型过程中，需要从作为初始状态的材料形状和作为最终状态的最终成型物的形状来估计适于成型的变形过程。对于上述成型过程，技术人员基于他/她过去的经验和直觉已经进行了以时间序列估计适于成型的变形过程中的中间过程状态的工作。此外，通过利用CAE等模拟工具进行分析，在确认了由熟练技术人员估计的中间过程的有效性之后，确定了中间过程状态的设计。

如上所述，对于从初始状态经过多个中间成型物到达最终状态的成型过程，需要技巧来以时间序列估计最适于成型的变形过程中的中间过程状态。因此，对于上述成型过程，需要一种技术，该技术通过使用深度学习的生成模型以时间序列估计最适于成型的、变形过程中的中间过程状态。