选择用于训练人工智能的数据的方法、生成训练数据集的方法、训练数据集与流程

本发明涉及一种选择用于训练人工智能的数据的方法。此外，本发明涉及一种用于产生训练数据集的方法。此外，本发明涉及一种训练数据集。

背景技术：

1、从现有技术已知用于选择用于训练人工智能的数据的方法。

技术实现思路

1、本发明的任务在于，提供一种用于选择用于训练人工智能的数据的改进的方法、一种用于产生训练数据集的方法和一种训练数据集。

2、该任务通过根据本发明的一种用于选择用于训练人工智能的数据的改进的方法、一种用于产生训练数据集的方法和一种训练数据集解决。有利的构型是在以下列出。

3、根据一个方面，提供一种用于选择用于训练用于控制手持式工具机的人工智能的数据的方法，该方法包括：

4、提供手持式工具机的至少一个运行参量的测量值的多个数据集，其中，所述数据集以手持式工具机或者多个相同类型的手持式工具机的运行参量的多个测量为基础；

5、在所述数据集上实施多个设置用于求取所述手持式工具机的运行状态和/或预测事件时间点(在所述事件时间点，所述手持式工具机从一种运行状态转入另一种运行状态下)的不同的模型结构，和

6、由所述多个模型结构输出求取结果和/或预测结果；

7、求取在所述多个模型结构的求取结果和/或预测结果之间的结果偏差；和

8、选择至少一个数据集，在实施所述多个模型结构时，所述至少一个数据集已导致具有达到或者超过预先定义的极限值的结果偏差的求取结果和/或预测结果。

9、由此可以实现这样的技术优点：可以提供一种用于选择用于训练用于控制手持式工具机的人工智能的数据的改进方法。为此，首先接收手持式工具机的至少一个运行参量的测量值的多个数据集。接着，将多个模型结构应用到数据集上。在这里，模型结构设置用于，求取手持式工具机的运行状态和/或预测这样的事件时间点：在所述事件时间点，手持式工具机从一种运行状态转入另一种运行状态。因此，通过将模型结构应用到多个数据集，由每个模型结构确定手持式工具机的运行状态和/或预测事件时间点。接着，将模型结构的相应的求取结果(即，所求取的运行状态或者所预测的事件时间点)进行相互比较，并且求取在求取结果或者所求取的运行状态或者所预测的事件时间点之间的结果偏差。接着，选择多个数据集中这样的数据集用于产生训练数据集：对于所述数据集，不同的模型结构的相应的求取结果或者预测结果达到或者超过预先定义的极限值。由此可以实现，对于训练数据集，尤其是选择这样的数据集：在由模型结构检验时，所述数据集导致不同的结果。由此可以产生特别异构的训练数据集。此外，通过考虑模型结构中导致不同结果的相应的数据集，可以将那些不允许明确的求取结果或者预测结果的数据集考虑到训练数据集中。由此，可以改进对用于确定运行状态或者预测事件时间点的人工智能的训练，其方式是，在所述的训练中，不仅仅使用明确的数据集，而且主要也考虑这样的数据集：所述数据集可能导致不太明确的结果。

10、根据一种实施方式，模型结构构造为基于数据的模型和/或构造为人工智能。

11、由此可以实现这样的技术优点：通过模型结构可以实现由待训练的人工智能对运行状态的求取或者事件时间点的预测的特别有说服力的模拟。由此可以实现，可以选择有说服力的数据集用于待训练的人工智能的训练数据集。

12、根据一种实施方式，人工智能构造为具有不同结构的神经网络和/或支持向量机和/或决策树。

13、由此可以这样的技术优点：模型结构与待训练的人工智能类似地或者可比地构造，可以确保：在实施模型结构时导致不同的结果的数据集在待训练的人工智能的训练中也将导致类似的不明确的预测结果。由此可以实现尽可能异构的训练数据集。

14、根据一种实施方式，结果偏差构造为方差。

15、由此可以实现这样的技术优点：通过考虑方差实现对多个模型结构的不同的求取结果或者预测结果的结果偏差的精确地求取。

16、根据一种实施方式，数据集包括运行参量的被标记的和/或未标记的测量值。

17、由此可以实现这样的技术优点：实现数据集的选择的高的灵活性。尤其是，可以在具有未标记的测量值的数据集上实施数据集的选择。由此可以实现，在接收数据集时，可以直接地进行选择，而以标记测量值的形式对数据记录的费事地加工不是必要的。

18、根据一种实施方式，求取结果包括：没有任何运行状态被求取和/或其中，预测结果包括，没有任何事件时间被预测。

19、由此可以实现这样的技术优点：实现对求取结果或者预测结果的偏差的精确地探测。在这里，当例如一个模型结构输出对运行状态的明确地求取或者对事件时间点的明确地预测而另一个模型结构不能求取任何运行状态或者不能明确地预测事件时间点时，则存在着偏差。

20、根据一种实施方式，该方法此外包括：

21、在考虑到所选择的数据集的情况下，实施对多个构造为人工智能的模型结构的再训练。

22、由此可以实现这样的技术优点：通过在考虑到所选择的数据集(在多个模型结构在相应的数据集上的先前的应用中，所述所选择的数据集导致求取结果或者预测结果的偏差)的情况下对多个构造为人工智能的模型结构的再训练，实现模型结构在当前的训练数据集上的训练状态的更新。由此可以实现，在模型结构重新应用到新接收的数据集上时，又仅仅能识别出或者选择这样的数据集：所述数据集导致由于模型结构引起的不同的求取结果或者预测结果。与先前所选择的数据集一致的数据集在对模型结构再训练之后不会再次导致不同的结果。因此，通过再训练可以实现，只有实际上与分别被接收在训练数据集中的数据集不同的数据集才可能导致由于模型结构引起的不同的求取结果或者预测结果。由此可以避免，在训练数据集中接收有冗余。在这里，再训练描述了基于新的训练数据集对已经被训练的人工智能的训练。

23、根据一种实施方式，多个数据集是运行参量的测量值的全面的数据集的子集，其中，对于提供，根据一种选择标准选择数据集。

24、由此可以实现这样的技术优点：通过划分已经存在的数据集并且在已经存在的数据集的所选择的子集上实施多个模型结构可以将冗余从已经存在的数据集中滤出，以便因此产生尽可能异构的训练数据集。

25、根据一种实施方式，为了提供多个数据集，从一个手持式工具机或者多个相同类型的手持式工具机接收数据集。

26、由此可以实现这样的技术优点：可以考虑相同类型的多个不同的手持式工具机的数据集。

27、根据一种实施方式，控制参数包括以下列表中的一项或者多项：手持式工具机的发动机的发动机转数、发动机电流、发动机功率，和/或其中，运行参量包括以下列表中的一项或者多项：发动机电流、发动机位置角、发动机转动速度、手持式工具机的电压源的电压、手持式工具机的或者在手持式工具机中的运动和/或振动，和/或其中，运行状态是以下列表中的一项或者多项：负载范围(手持式工具机在所述负载范围内运行)、在手持式工具机中和/或在已加工的工件上和/或在手持式工具机的使用者中的振动的强度、在手持式工具机中和/或在工件上的温度、运行模式(手持式工具机在所述运行模式下运行)、手持式工具机的工作进度、工件的材料，在手持式工具机和工件之间的形锁合(formschluss)的存在。

28、由此可以实现这样的技术优点：在考虑到控制参数的输出目标值的情况下可以对手持式工具机的精确地控制。在这里，手持式工具机的发动机的发动机转数、发动机电流或者发动机功率是可靠的控制参数，基于所述控制参数实现对手持式工具机的控制。

29、此外，由运行参量可以提供用于确定运行状态的有意义的测量参量。通过测量手持式工具机的发动机电流、发动机位置角、发动机转动速度、其电压源的运行电压或者手持式工具机的或者在手持式工具机中的运动和/或振动可以获得有说服力的信息，所述信息可以求取手持式工具机的运行状态。

30、例如，在上面的示例中，通过对发动机电流的测量可以识别出：待旋入的螺钉是否已经行锁合地被旋入到分别待加工的工件中。在实现形锁合时，可识别出发动机电流以及发动机转动速度或者发动机转数的变化，从而基于此实现对运行状态的精确地求取。例如，根据运动信号也可以识别出，手持式工具机、例如螺钉机是否已运动至下一个工作地点并且因而先前的工作阶段(即，先前的旋紧过程)是否已经结束。这实现与那时新的工作阶段(即，那时新的旋紧过程)相应的运行状态的在时间上相匹配的复位设置。

31、附加地，在以控制参数的第二目标值形式控制手持式工具机时，可以考虑不同的运行状态：手持式工具机可以处于所述不同的运行状态下或者手持式工具机可能进入到所述不同的运行状态。因此，通过根据本发明的方法可以考虑极不同的运行状态，由此可以提供可广泛使用的控制方法。

32、根据一个方面，提供一种产生用于训练人工智能的训练数据集的方法，该方法包括：

33、实施根据以上实施方式中任一项所述的、用于选择用于训练用于控制手持式工具机的人工智能的数据的方法；

34、将所选择的数据集合并成为训练数据集。

35、由此可以实现以下的技术优点：提供一种用于产生用于训练人工智能的训练数据集的改进的方法，其中，为此而实施具有以上所说明的技术优点的、用于选择数据的方法。

36、根据一个方面，提供一种用于训练用于控制手持式工具机的人工智能的训练数据集，其中，根据用于产生用于训练人工智能的训练数据集的方法来产生训练数据集。

37、根据一个方面，提供一种计算单元，该计算单元设置用于，实施根据以上实施方式中任一种所述的、用于选择用于训练用于控制手持式工具机的人工智能的数据的方法和/或用于产生训练数据集的方法。

38、根据一个方面，提供一种包括指令的计算机程序产品，在由数据处理单元实施程序时，所述计算机程序产品促使所述数据处理单元，实施根据以上实施方式中任一种所述的、用于选择用于训练用于控制手持式工具机的人工智能的数据的方法和/或用于产生训练数据集的方法。