COMPUTER BASED DESIGN METHOD AND DESIGN SYSTEM

Für eine Vielzahl von Konstruktionsvarianten (KV) eines technischen Produkts (TP) werden jeweils ein die jeweilige Konstruktionsvariante (KV) spezifizierender Trainings-Strukturdatensatz (SDT) sowie ein ein vorgegebenes Konstruktionskriterium (K1, K2, K3) quantifizierender Trainings-Qualitätswert (Q...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Hauptverfasser: Nouri, Behnam, Depeweg, Stefan, Sterzing, Volkmar
Format: Patent
Sprache:eng ; fre ; ger
Schlagworte:
Online-Zugang:Volltext bestellen
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung:Für eine Vielzahl von Konstruktionsvarianten (KV) eines technischen Produkts (TP) werden jeweils ein die jeweilige Konstruktionsvariante (KV) spezifizierender Trainings-Strukturdatensatz (SDT) sowie ein ein vorgegebenes Konstruktionskriterium (K1, K2, K3) quantifizierender Trainings-Qualitätswert (QT1, QT2, QT3) als Trainingsdaten (TD) eingelesen. Anhand der Trainingsdaten (TD) wird ein bayessches neuronales Netz (BNN) darauf trainiert, anhand eines Strukturdatensatzes (SD, SSD) einen zugehörigen Qualitätswert (Q) zusammen mit einer zugehörigen Unsicherheitsangabe (UC) zu ermitteln. Weiterhin wird eine Vielzahl von synthetischen Strukturdatensätzen (SSD) generiert und in das trainierte bayessche neuronale Netz (BNN) eingespeist, das für die synthetischen Strukturdatensätze (SSD) jeweils einen Qualitätswert (Q) mit zugehöriger Unsicherheitsangabe (UC) generiert. Die generierten Unsicherheitsangaben (UC) werden mit einer vorgegebenen Zuverlässigkeitsangabe (REL) verglichen, und abhängig davon wird einer der synthetischen Strukturdatensätze (SD) selektiert. Der selektierte Strukturdatensatz (SD) wird dann zur Herstellung des technischen Produkts (TP) ausgegeben. For a multiplicity of design variants of a technical product, a training structural data set specifying the particular design variant and a training quality value quantifying a predefined design criterion are read in in each case as training data. The training data are taken as a basis for training a Bayesian neural network to determine an associated quality value, together with an associated uncertainty comment, on the basis of a structural data set. Furthermore, a multiplicity of synthetic structural data sets are generated and fed into the trained Bayesian neural network which generates a quality value with an associated uncertainty comment for each of the synthetic structural data sets. The uncertainty comments generated are compared with a predefined reliability comment and one of the synthetic structural data sets is selected on the basis thereof. The selected structural data set is then output for the purpose of producing the technical product.