-
Die vorliegende Erfindung betrifft ein Verfahren zum Trainieren eines künstlichen neuronalen Netzwerks zur Qualitätsprädiktion für beheizbare Vorrichtungen und ein Verfahren zur Fertigung einer beheizbaren Vorrichtung.
-
Bei Sitzheizungen von Kraftfahrzeugsitzen ist das Qualitätsempfinden subjektiv, so dass unterschiedliche Personen die Qualität und den Komfort einer Sitzheizung bei ein und derselben Sitzheizung unterschiedlich bewerten können. Insbesondere kann dies dazu führen, dass die Sitzheizung, obwohl diese nach messbaren Kriterien, wie der Aufheizgeschwindigkeit oder der Endtemperatur, innerhalb der entsprechenden Anforderungstoleranzen liegt, dennoch als zu kalt oder zu warm beziehungsweise als zu langsam warm werdend empfunden wird. Dies geht letztlich auf das unterschiedliche Wärmeempfinden der Testpersonen, die unterschiedliche Wärmekapazität aufgrund verschiedener Körperstrukturen der Testpersonen sowie auf die automatische Temperaturregelung des menschlichen Körpers zurück. Dieser Effekt lässt sich nicht nur bei Sitzheizungen beobachten, sondern auch bei anderen beheizbaren, insbesondere elektrisch beheizbaren, Vorrichtungen, wie Sitz- und Liegemöbel mit beheizbaren Oberflächen, Sitzkissen, Heizdecken, beheizbaren Krankentragen und so weiter.
-
Bei der Konstruktion und Fertigung von Sitzheizungen oder sonstigen beheizbaren Vorrichtungen erfolgt eine Freigabe des Produkts beispielsweise basierend auf dem subjektiven Qualitätsempfinden einer Testperson, welche das Produkt benutzt und die Zielkunden repräsentiert. Um trotz des erläuterten subjektiven Eindrucks eine reproduzierbare und aussagekräftige Bewertung der beheizbaren Vorrichtung zu ermöglichen, werden die Abnahmetests durch die Testperson in definierten Testumgebungen und bei definierten Randbedingungen durchgeführt, wobei die Vorrichtung und die Testperson beispielsweise über mehrere Stunden hinweg vorkonditioniert werden und die Testpersonen beispielsweise Normkleidung tragen müssen. Ist die Abnahme nicht erfolgreich, so zieht dies dementsprechend einen entsprechend hohen Zeit- und Kostenaufwand nach sich beziehungsweise Qualitätsziele werden nicht optimal erreicht.
-
Daher ist es wünschenswert, möglichst wenige Iterationen bei der Auslegung der Vorrichtung durchführen zu müssen, um eine positive Abnahme durch die Testperson zu erzielen.
-
Vor diesem Hintergrund ist es eine Aufgabe der vorliegenden Erfindung, ein verbessertes Konzept zur Konstruktion oder Fertigung einer beheizbaren Vorrichtung anzugeben, durch welches Entwicklungszeit und Entwicklungskosten eingespart werden können.
-
Diese Aufgabe wird gelöst durch den Gegenstand des unabhängigen Anspruchs. Vorteilhafte Weiterbildungen und bevorzugte Ausführungsformen sind Gegenstand der abhängigen und nebengeordneten Ansprüche.
-
Das verbesserte Konzept beruht auf der Idee, das subjektive Qualitätsempfinden bei der Benutzung einer beheizbaren Vorrichtung unter Verwendung eines entsprechend trainierten künstlichen neuronalen Netzwerks zu prädizieren.
-
Gemäß dem verbesserten Konzept wird ein Verfahren zum Trainieren eines künstlichen neuronalen Netzwerks zur Qualitätsprädiktion für beheizbare, insbesondere elektrisch beheizbare, Vorrichtungen angegeben, wobei eine Vielzahl von annotierten Trainingsdatensätzen erzeugt wird. Für jeden Trainingsdatensatz der Vielzahl von annotierten Trainingsdatensätzen wird zum Erzeugen des jeweiligen annotierten Trainingsdatensatzes eine entsprechende beheizbare Vorrichtung bereitgestellt, und es werden jeweilige Werte für zwei oder mehr Konstruktionsparameter der Vorrichtung bestimmt. Die jeweilige Vorrichtung wird durch eine Person oder Maschine benutzt und eine Benutzereingabe wird mittels einer Trainingsrecheneinheit erfasst, um ein subjektives Qualitätsempfinden der Person oder Maschine bei der Benutzung der Vorrichtung zu quantifizieren. Basierend auf der Benutzereingabe wird mittels der Trainingsrecheneinheit eine Qualitätskennzahl für die Vorrichtung bestimmt. Mittels der Trainingsrecheneinheit werden die Werte der zwei oder mehr Konstruktionsparameter der jeweiligen Vorrichtung zusammen mit der zugehörigen Qualitätskennzahl auf ein Speichermedium gespeichert, um den jeweiligen annotierten Trainingsdatensatz zu erzeugen. Ein künstliches neuronales Netzwerk, insbesondere ein untrainiertes oder teilweise trainiertes künstliches neuronales Netzwerk, wird bereitgestellt und mittels der Trainingseinheit basierend auf der Vielzahl annotierter Trainingsdatensätze trainiert.
-
Bei der Person handelt es sich insbesondere um eine Testperson, bei der Maschine handelt es sich insbesondere um einen Roboter.
-
Hier und im Folgenden kann ein künstliches neuronales Netzwerk als Softwarecode verstanden werden, der auf einem computerlesbaren Speichermedium gespeichert ist und eines oder mehrere vernetzte künstliche Neuronen repräsentiert beziehungsweise deren Funktion nachbilden kann. Der Softwarecode kann dabei auch mehrere Softwarecode-Komponenten beinhalten, die beispielsweise unterschiedliche Funktionen haben können. Insbesondere kann ein künstliches neuronales Netzwerk ein nicht-lineares Modell oder einen nicht-linearen Algorithmus implementieren, das beziehungsweise der eine Eingabe auf einer Ausgabe abbildet, wobei die Eingabe durch einen Eingangsmerkmalsvektor oder eine Eingangssequenz gegeben ist und die Ausgabe beispielsweise eine Kategorie für eine Klassifizierungsaufgabe, einen oder mehrere prädizierte Werte oder eine prädizierte Sequenz von Werten beinhalten kann.
-
Bei der beheizbaren Vorrichtung handelt es sich insbesondere um eine Vorrichtung, die ein elektrisches Heizelement, beispielsweise ein Flächenheizelement, beinhaltet und dazu vorgesehen beziehungsweise ausgelegt ist, von einer Person berührt oder kontaktiert zu werden. Bei der Vorrichtung kann es sich insbesondere um ein Sitz- oder Liegemöbel mit einer beheizbaren Fläche oder Oberfläche, also beispielsweise um einen beheizbaren Stuhl oder um ein beheizbares Bett handeln. Es kann sich auch um ein beheizbares Sitzkissen, eine Heizdecke, eine beheizbare Trage oder Liege, beispielsweise Krankentrage, oder dergleichen handeln. Vorzugsweise handelt es sich bei der Vorrichtung um einen Sitz für ein Kraftfahrzeug mit einer Sitzheizung.
-
Bei den Konstruktionsparametern handelt es sich insbesondere um messbare oder objektiv bestimmbare Eigenschaften der Vorrichtung, beispielsweise des elektrischen Heizelements und/oder eines Materials einer weiteren Komponente der Vorrichtung, im Falle eines Kraftfahrzeugsitzes, beispielsweise des Bezugsmaterials, der Kaschierung oder der Polsterung und so weiter.
-
Die beschriebenen Schritte zum Erzeugen des annotierten Trainingsdatensatzes, also die Schritte des Bereitstellens der beheizbaren Vorrichtung und des Bestimmens der entsprechenden Werte für die zwei oder mehr Konstruktionsparameter, des Benutzens durch die Person oder Maschine, des Erfassens der Benutzereingabe, des Bestimmens der Qualitätskennzahl und des Speicherns der entsprechenden Konstruktionsparameter zusammen mit der Qualitätskennzahl, werden dabei für jeden der Trainingsdatensätze durchgeführt, wobei insbesondere für jeden Trainingsdatensatz eine andere beheizbare Vorrichtung und dementsprechend potentiell andere Werte für die zwei oder mehr Konstruktionsparameter eingesetzt werden. Die Zuweisung der Qualitätskennzahl zu den zwei oder mehr Konstruktionsparametern kann dann als Annotieren des jeweiligen Trainingsdatensatzes verstanden werden. Die Qualitätskennzahl kann also beispielsweise als Label des entsprechenden Trainingsdatensatzes verstanden werden.
-
Je nach Ausführungsform des Verfahrens kann die Benutzereingabe unterschiedliche Inhalte aufweisen. Beispielsweise kann der Inhalt der Benutzereingabe gleich der Qualitätskennzahl sein. Die Qualitätskennzahl kann dabei beispielsweise in einem Bereich von einer minimalen Qualitätskennzahl, beispielsweise 0, bis zu einer maximalen Qualitätskennzahl, beispielsweise 1, liegen, wobei die minimale Qualitätskennzahl eine vollständige Nichterfüllung der Erwartung der Person oder Maschine bei der Benutzung repräsentiert und die maximale Qualitätskennzahl eine vollständige Erfüllung der Erwartung der Person oder Maschine bei der Benutzung der Vorrichtung. In anderen Ausführungsformen kann die Benutzereingabe auch einen oder mehrere Bewertungsfaktoren beinhalten, beispielsweise betreffend eine Homogenität des Wärmeeindrucks bei der Benutzung der Vorrichtung, eine Aufheizgeschwindigkeit der Vorrichtung und/oder eine Endtemperatur oder Maximaltemperatur der Vorrichtung. Die Trainingsrecheneinheit kann dann basierend auf den Bewertungsfaktoren die Qualitätskennzahl berechnen.
-
Die Benutzereingabe beziehungsweise die basierend darauf ermittelte Qualitätskennzahl repräsentiert das subjektive Qualitätsempfinden der Person oder Maschine bei der Benutzung der Vorrichtung. Aufgrund der Komplexität des menschlichen Wärmeempfindens der Vielzahl von Einflussparametern und des unterschiedlichen Wärmeempfindens unterschiedlicher Personen oder Maschinen kann der Zusammenhang zwischen den Werten für die zwei oder mehr Konstruktionsparameter der Vorrichtung und der resultierenden Qualitätskennzahl im Allgemeinen nicht mit ausreichender Präzision analytisch dargestellt werden. Durch den Einsatz des künstlichen neuronalen Netzwerks, insbesondere durch das Trainieren des künstlichen neuronalen Netzwerks basierend auf den wie beschrieben annotierten Trainingsdatensätzen, können diese komplexen Zusammenhänge jedoch berücksichtigt und implementiert werden, ohne dass die tatsächlich zugrunde liegenden Regeln verstanden oder abstrahiert werden müssen.
-
Das gemäß dem verbesserten Konzept trainierte künstliche neuronale Netzwerk ist also in der Lage, ausgehend von den objektiv messbaren Konstruktionsparametern das subjektive Empfinden der Person oder Maschine zu prädizieren. Diese Fähigkeit kann bei der Fertigung oder Konstruktion weiterer beheizbaren Vorrichtungen eingesetzt werden, um die zwei oder mehr Konstruktionsparameter bereits vor der tatsächlichen Fertigung und vor der Durchführung der Testabnahme so einzustellen, dass die zu erwartende Qualitätskennzahl durch die Person oder Maschine mit einer hohen Wahrscheinlichkeit größer oder gleich einem vorgegebenen Sollwert ist. Dadurch kann vermieden werden, dass, obwohl objektive Kriterien zur Auslegung der Vorrichtung eingehalten wurden, beispielsweise betreffend vorgegebene Grenzkurven für die Aufheizgeschwindigkeit oder die Endtemperatur der Vorrichtung, die Abnahme durch die Person oder Maschine nicht erfolgreich ist. Die Anzahl der notwendigen Iterationen zur Konstruktion, Fertigung und Abnahme der Vorrichtung während der Entwicklung und Fertigung der Vorrichtung kann dadurch reduziert werden. Im Idealfall ist die Abnahme durch die Person oder Maschine daher bereits beim ersten Mal erfolgreich. Gemäß dem verbesserten Konzept können also Kosten und Zeit signifikant eingespart werden.
-
Gemäß zumindest einer Ausführungsform des Verfahrens zum Trainieren eines künstlichen neuronalen Netzwerks nach dem verbesserten Konzept wird das neuronale Netzwerk mittels der Trainingsrecheneinheit auf Eingangsdaten angewendet, welche die Werte der zwei oder mehr Konstruktionsparameter eines der annotierten Trainingsdatensätze beinhalten, um, insbesondere als Ausgabe des neuronalen Netzwerks, einen Ausgabewert zu erzeugen. Netzwerkparameter des neuronalen Netzwerks werden abhängig von einer Abweichung des Ausgabewerts von der Qualitätskennzahl des entsprechenden annotierten Trainingsdatensatzes mittels der Trainingsrecheneinheit angepasst, um das neuronale Netzwerk abhängig von der Vielzahl annotierter Trainingsdatensätze zu trainieren.
-
Die beschriebenen Schritte werden insbesondere für alle Trainingsdatensätze der Vielzahl annotierter Trainingsdatensätze durchgeführt. Die beschriebenen Schritte können insbesondere auch für mehrere aufeinanderfolgende Trainingsepochen wiederholt werden, um das neuronale Netzwerk zu trainieren.
-
Die Anpassung der Netzwerkparameter abhängig von der Abweichung kann auf verschiedene Weisen geschehen. Beispielsweise kann die Trainingsrecheneinheit basierend auf der Abweichung den Wert einer Verlustfunktion berechnen und einen Algorithmus zur Optimierung der Verlustfunktion durch Modifikation der Netzwerkparameter durchführen, beispielsweise einen Rückpropagierungsalgorithmus.
-
Die Netzwerkparameter beinhalten insbesondere Gewichtungsfaktoren des neuronalen Netzwerks beziehungsweise von entsprechenden Neuronen des neuronalen Netzwerks und/oder Aktivierungsschwellwerte beziehungsweise Bias-Werte des neuronalen Netzwerks beziehungsweise der Neuronen.
-
Über die gegebenenfalls iterative Anpassung der Netzwerkparameter wird erreicht, dass das trainierte neuronale Netzwerk den unbekannten Zusammenhang zwischen den Werten für die zwei oder mehr Konstruktionsparameter und der subjektiven Qualitätsempfindung der Person oder Maschine beziehungsweise der entsprechenden Qualitätskennzahl nachbildet, der analytisch nicht oder nur schwer beschreibbar ist. Dabei definieren insbesondere die Netzwerkparameter, beispielsweise die Gewichtungsfaktoren und Bias-Werte, den konkreten Zusammenhang. Auf diese Weise kann das trainierte neuronale Netzwerk als sehr effektives Werkzeug zur Vorhersage des subjektiven Qualitätsempfindens in Form der Qualitätskennzahl bereitgestellt werden.
-
Gemäß zumindest einer Ausführungsform beinhalten die Netzwerkparameter die Gewichtungsfaktoren für die Neuronen des neuronalen Netzwerks, und die Gewichtungsfaktoren werden abhängig von der Abweichung des Ausgabewerts von der Qualitätskennzahl des entsprechenden annotierten Trainingsdatensatzes mittels der Trainingsrecheneinheit angepasst.
-
Gemäß zumindest einer Ausführungsform weist die beheizbare Vorrichtung ein elektrisches Heizelement auf, und die zwei oder mehr Konstruktionsparameter beinhalten einen Konstruktionsparameter des Heizelements.
-
Das Heizelement kann dabei beispielsweise als Widerstandsheizelement ausgestaltet sein und beispielsweise einen oder mehrere Heizleiter beinhalten, die je nach Ausgestaltungsform der Vorrichtung angeordnet und ausgestaltet sein können. Beispielsweise können die Heizleiter in Form von Schlaufen angeordnet sein oder auf sonstige Weise angeordnet sein, um eine Fläche der Vorrichtung zu beheizen.
-
Konstruktionsparameter des Heizelements können einen großen Einfluss auf das subjektive Qualitätsempfinden der Person oder Maschine haben. Daher kann in Ausführungsformen, bei denen Konstruktionsparameter des Heizelements für die Eingangsdaten des neuronalen Netzwerk berücksichtigt werden, eine hohe Zuverlässigkeit bei der Prädiktion beziehungsweise eine geringe Abweichung des Ausgabewerts von der Qualitätskennzahl realisiert werden.
-
Der Konstruktionsparameter des Heizelements kann beispielsweise einer spezifizierten oder maximalen Heizleistung des Heizelements, einer Ausdehnung des Heizelements einer beheizten Fläche des Heizelements, einem Abstand verschiedener Teile des Heizleiters voneinander beziehungsweise verschiedener Heizleiter des Heizelements voneinander, einer Länge des Heizleiters oder einem Material des Heizleiters entsprechen.
-
Gemäß zumindest einer Ausführungsform beinhaltet die beheizbare Vorrichtung eine Komponente, welche das elektrische Heizelement wenigstens teilweise umgibt und die zwei oder mehr Konstruktionsparameter der Vorrichtung beinhalten einen Konstruktionsparameter der Komponente.
-
Die Komponente kann beispielsweise einem Bezug, einer Kaschierung oder einer Polsterung der Vorrichtung oder einem jeweiligen Teil davon entsprechen.
-
Konstruktionsparameter der Komponente, beispielsweise Materialparameter der Komponente, können einen großen Einfluss auf das subjektive Qualitätsempfinden der Person oder Maschine haben. Daher kann in Ausführungsformen, bei denen Konstruktionsparameter der Komponente für die Eingangsdaten des neuronalen Netzwerk berücksichtigt werden, eine hohe Zuverlässigkeit bei der Prädiktion beziehungsweise eine geringe Abweichung des Ausgabewerts von der Qualitätskennzahl realisiert werden.
-
Gemäß zumindest einer Ausführungsform ist die Vorrichtung als Kraftfahrzeugsitz mit einer Sitzheizung ausgestaltet und die Komponente beinhaltet ein Bezugsmaterial und/oder eine Kaschierung und/oder eine Polsterung des Kraftfahrzeugsitzes.
-
Der Konstruktionsparameter der Komponente kann dementsprechend beispielsweise einer Dicke der Kaschierung, des Bezugsmaterials oder der Polsterung entsprechen. Der Konstruktionsparameter der Komponente kann beispielsweise ein Material des Bezugsmaterials beziehungsweise ein Material der Kaschierung oder ein Material der Polsterung definieren.
-
Die zwei oder mehr Konstruktionsparameter der Vorrichtung können auch eine Anzahl und/oder Abmessungen, beispielsweise eine Breite, von Abheftgräben des Kraftfahrzeugsitzes beinhalten.
-
Gemäß zumindest einer Ausführungsform wird ein Wert für einen Umgebungsparameter einer Testumgebung bestimmt und die Benutzung der Vorrichtung durch die Person oder Maschine wird innerhalb der Testumgebung durchgeführt, wobei während der Benutzung der Wert für den Umgebungsparameter vorliegt oder eingestellt wird. Der Wert für den Umgebungsparameter wird zusammen mit der Qualitätskennzahl auf das Speichermedium gespeichert, um den jeweiligen annotierten Trainingsdatensatz zu erzeugen.
-
Mit anderen Worten beinhaltet der jeweilige annotierte Trainingsdatensatz die Werte für die zwei oder mehr Konstruktionsparameter der entsprechenden Vorrichtung, den Wert für den Umgebungsparameter und die Qualitätskennzahl.
-
Die Testumgebung kann insbesondere einem entsprechend dem Umgebungsparameter vorkonditionierten Bereich entsprechen, innerhalb dem die Vorrichtung zum Benutzen durch die Person oder Maschine angeordnet ist. Im Falle eines Kraftfahrzeugsitzes handelt es sich bei der Testumgebung beispielsweise um ein entsprechend vorkonditioniertes Kraftfahrzeug, in welches der Kraftfahrzeugsitz eingebaut ist.
-
Der Umgebungsparameter kann beispielsweise einer Temperatur oder einer Luftfeuchtigkeit der Testumgebung entsprechen. Im Falle eines Kraftfahrzeugsitzes kann der Umgebungsparameter auch beispielsweise einer Lüfterstufe des Kraftfahrzeugs entsprechen.
-
Neben den Konstruktionsparametern der Vorrichtung können auch Umgebungsparameter einen Einfluss auf das subjektive Qualitätsempfinden der Person oder Maschine haben. Daher kann in Ausführungsformen, bei denen Umgebungsparameter für die Eingangsdaten des neuronalen Netzwerk berücksichtigt werden, eine hohe Zuverlässigkeit bei der Prädiktion beziehungsweise eine geringe Abweichung des Ausgabewerts von der Qualitätskennzahl realisiert werden.
-
Gemäß zumindest einer Ausführungsform beinhalten die Eingangsdaten, auf welche das neuronale Netzwerk mittels der Trainingsrecheneinheit angewendet wird, den Wert für den Umgebungsparameter.
-
Gemäß zumindest einer Ausführungsform wird ein Wert für einen personenbezogenen Parameter der Person bestimmt. Der Wert für den personenbezogenen Parameter wird zusammen mit der Qualitätskennzahl auf das Speichermedium gespeichert, um den jeweiligen annotierten Trainingsdatensatz zu erzeugen.
-
Mit anderen Worten beinhaltet der annotierte Trainingsdatensatz neben der Qualitätskennzahl als Label und den Werten für die zwei oder mehr Konstruktionsparameter sowie optional dem Wert für den Umgebungsparameter auch den Wert für den personenbezogenen Parameter.
-
Neben den Konstruktionsparametern der Vorrichtung können auch personenbezogene Parameter einen Einfluss auf das subjektive Qualitätsempfinden der Person haben. Daher kann in Ausführungsformen, bei denen personenbezogene Parameter für die Eingangsdaten des neuronalen Netzwerk berücksichtigt werden, eine hohe Zuverlässigkeit bei der Prädiktion beziehungsweise eine geringe Abweichung des Ausgabewerts von der Qualitätskennzahl realisiert werden.
-
Der personenbezogene Parameter kann beispielsweise einem Alter, einer Größe oder einem Gewicht der Person entsprechen. Diese Parameter können insbesondere einen Einfluss auf die Wärmekapazität der Person haben.
-
Gemäß zumindest einer Ausführungsform beinhalten die Eingangsdaten, auf die das neuronale Netzwerk mittels der Trainingsrecheneinheit angewendet wird, den Wert für den personenbezogenen Parameter.
-
Gemäß dem verbesserten Konzept wird auch ein Verfahren zur Fertigung einer beheizbaren Vorrichtung angegeben. Dazu wird ein künstliches neuronales Netzwerk gemäß einem Verfahren zum Trainieren eines künstlichen neuronalen Netzwerks zur Qualitätsprädiktion für beheizbare Vorrichtungen entsprechend dem verbesserten Konzept trainiert. Jeweilige Werte für die zwei oder mehr Konstruktionsparameter werden vorgegeben. Das trainierte neuronale Netzwerk wird mittels einer Recheneinheit auf Eingangsdaten angewendet, welche die vorgegebenen Werte der zwei oder mehr Konstruktionsparameter beinhalten, um eine Qualitätskennzahl zu prädizieren, insbesondere als Ausgabe des trainierten neuronalen Netzwerks. Die prädizierte Qualitätskennzahl wird mittels der Recheneinheit mit einem vorgegebenen Sollwert verglichen. Die beheizbare Vorrichtung wird abhängig von einem Ergebnis des Vergleichs gefertigt.
-
Bei der gefertigten Vorrichtung handelt es sich insbesondere um eine von den zum Trainieren des künstlichen neuronalen Netzwerks beziehungsweise zum Erzeugen der annotierten Trainingsdatensätze verwendeten Vorrichtungen verschiedene Vorrichtung. Die Recheneinheit kann identisch zu der Trainingsrecheneinheit sein oder verschieden von dieser.
-
Das Vorgeben der Werte für die zwei oder mehr Konstruktionsparameter kann manuell oder automatisch durch die Recheneinheit erfolgen. Die vorgegebenen Konstruktionsparameter können dabei insbesondere als potentielle, für die noch zu fertigende beheizbare Vorrichtung vorgesehene Konstruktionsparameter angesehen werden, insbesondere ohne dass die zu fertigende Vorrichtung zu diesem Zeitpunkt tatsächlich vorliegt. So kann insbesondere vor der tatsächlichen Fertigung der Vorrichtung geprüft werden, ob die prädizierte Qualitätskennzahl den vorgegebenen Anforderungen, repräsentiert durch den Sollwert, genügt. Nur wenn dies der Fall ist, wird die Vorrichtung beispielsweise entsprechend gefertigt und der Person oder Maschine zur Abnahme vorgelegt. Dadurch kann vermieden werden, dass eine Vielzahl von Varianten für die beheizbare Vorrichtung mit jeweils unterschiedlichen Werten für die zwei oder mehr Konstruktionsparameter gefertigt und getestet werden muss, so dass letztlich Kosten- und Zeitaufwand bei der Entwicklung und Fertigung der beheizbaren Vorrichtung reduziert werden.
-
Gemäß zumindest einer Ausführungsform des Verfahrens zur Fertigung der beheizbaren Vorrichtung werden abhängig von einem Ergebnis des Vergleichs der prädizierten Qualitätskennzahl mit dem Sollwert jeweilige angepasste Werte für die zwei oder mehr Konstruktionsparameter bestimmt, beispielsweise automatisch, insbesondere mittels der Recheneinheit, oder manuell. Die beheizbare Vorrichtung wird gemäß den angepassten Werten für die zwei oder mehr Konstruktionsparameter gefertigt.
-
Je nach Ergebnis des Vergleichs können wiederholt die vorgegebenen Werte für die Konstruktionsparameter angepasst werden und es kann entsprechend mittels des neuronalen Netzwerks wie beschrieben eine entsprechende Qualitätskennzahl prädiziert werden. Mit anderen Worten kann es sich bei den vorgegebenen Werten für die zwei oder mehr Konstruktionsparameter um initiale oder erstmals vorgegebene Werte oder um angepasste Werte für die zwei oder mehr Konstruktionsparameter aus vorhergehenden Iterationen handeln.
-
Da die Variation der Konstruktionsparameter ohne tatsächliche Fertigung der Vorrichtung wenig aufwändig ist, kann eine große Zahl von Variationen anhand des neuronalen Netzwerks getestet werden, was letztendlich zu einer insgesamt höheren Qualität der gefertigten Vorrichtung führt. Zudem können verschiedene Werte für die zwei oder mehr Konstruktionsparameter identifiziert werden, für welche die prädizierte Qualitätskennzahl jeweils größer oder gleich dem Sollwert ist. In diesem Fall können beispielsweise diejenigen Werte für die zwei oder mehr Konstruktionsparameter für die tatsächliche Fertigung der beheizbaren Vorrichtung ausgewählt werden, die anhand sonstiger Kriterien besonders vorteilhaft sind, die beispielsweise mit besonders geringen Fertigungskosten, Materialkosten oder dergleichen verbunden sind oder die besonders umweltfreundlich beziehungsweise einen besonders geringen Energiebedarf aufweisen.
-
Gemäß zumindest einer Ausführungsform ist die Vorrichtung als Kraftfahrzeugsitz mit einer Sitzheizung, als beheizbares Sitzmöbel, als beheizbares Liegemöbel, als beheizbare Trage, als beheizbares Sitzkissen oder als beheizbare Decke ausgestaltet.
-
Die Erfindung umfasst auch die Kombinationen der Merkmale der beschriebenen Ausführungsformen.
-
Im Folgenden werden Ausführungsbeispiele der Erfindung beschrieben. In den Figuren zeigen:
- 1 ein Ablaufdiagramm einer beispielhaften Ausführungsform eines Verfahrens zum Trainieren eines künstlichen neuronalen Netzwerks gemäß dem verbesserten Konzept;
- 2 schematisch einen Kraftfahrzeugsitz mit einer Sitzheizung; und
- 3 ein Ablaufdiagramm einer beispielhaften Ausführungsform eines Verfahrens zur Fertigung einer beheizbaren Vorrichtung nach dem verbesserten Konzept.
-
Bei den im Folgenden erläuterten Ausführungsbeispielen handelt es sich um bevorzugte Ausführungsbeispiele der Erfindung. Bei den Ausführungsbeispielen stellen die beschriebenen Komponenten jeweils einzelne, unabhängig voneinander zu betrachtende Merkmale der Erfindung dar, welche die Erfindung jeweils auch unabhängig voneinander weiterbilden und damit auch einzeln oder in einer anderen als der gezeigten Kombination als Bestandteil der Erfindung anzusehen sind. Des Weiteren sind die beschriebenen Ausführungsbeispiele auch durch weitere der bereits beschriebenen Merkmale der Erfindung ergänzbar.
-
In den Figuren sind funktionsgleiche Elemente jeweils mit denselben Bezugszeichen versehen.
-
1 zeigt ein Ablaufdiagramm einer beispielhaften Ausführungsform eines Verfahrens zum Trainieren eines künstlichen neuronalen Netzwerks 2 zur Qualitätsprädiktion für beheizbare Vorrichtungen 1 gemäß dem verbesserten Konzept.
-
Beispielsweise kann es sich bei der beheizbaren Vorrichtung 1 um einen Kraftfahrzeugsitz 1' mit einer Sitzheizung handeln, wie er schematisch in 2 dargestellt ist. Die Sitzheizung beinhaltet eines oder mehrere Heizelemente, die entsprechend in der Sitzfläche des Kraftfahrzeugsitzes 1' und/oder in der Rückenlehne des Kraftfahrzeugsitzes 1' verbaute Heizleiter 8 beinhalten. Die Heizleiter 8 können beispielsweise von einer Kaschierung 10 und/oder einer Polsterung 11 und/oder einem Bezug 9 des Kraftfahrzeugsitzes 1' wenigstens teilweise umgeben sein.
-
Um das künstliche neuronale Netzwerk 2 zu trainieren, wird eine Vielzahl von annotierten Trainingsdatensätzen erzeugt. Um einen der annotierten Trainingsdatensätze zu erzeugen, wird in Schritt S1 des Verfahrens eine beheizbare Vorrichtung 1 bereitgestellt, und es werden jeweilige Werte für zwei oder mehr Konstruktionsparameter der Vorrichtung 1 bestimmt. Im Falle eines Kraftfahrzeugsitzes 1' können die Konstruktionsparameter der Vorrichtung 1 beispielsweise das Material des Bezugs 9, die Dicke der Kaschierung 10, ein Material der Kaschierung 10, eine Anzahl und/oder Breite von Abheftgräben des Kraftfahrzeugsitzes 1' und/oder ein Material oder eine Dicke der Polsterung 11, insbesondere einer Schaumkomponente der Polsterung 11, beinhalten. Die Konstruktionsparameter können auch Konstruktionsparametern des Heizelements entsprechen, wie beispielsweise einer Heizleistung, einer beheizten Fläche, einem Abstand der nebeneinander verlaufenden Teile der Heizleiter 8, einer Länge der Heizleiter 8 oder einem Material der Heizleiter 8.
-
Optional können zusätzlich zu den Konstruktionsparametern einer oder mehrere personenbezogene Parameter, beispielsweise Alter, Größe und/oder Gewicht, einer Testperson 3 und/oder Werte für Umgebungsparameter einer Testumgebung, beispielsweise Temperatur, Lüfterstufe oder Luftfeuchtigkeit, bestimmt werden.
-
Im Schritt S2 wird die bereitgestellte Vorrichtung 1 nun innerhalb der Testumgebung durch die Testperson 3 benutzt. Die Testperson 3 tätigt abhängig von einem subjektiven Qualitätsempfinden bei der Benutzung eine Benutzernutzereingabe, die an eine Trainingsrecheneinheit 4 übermittelt wird. Die Benutzereingabe kann beispielsweise einer Qualitätskennzahl entsprechen, die größer oder gleich einer vorgegebenen minimalen Qualitätskennzahl und kleiner oder gleich einer vorgegebenen maximalen Qualitätskennzahl ist. Die minimale Qualitätskennzahl entspricht dabei einer vollständig Nichterfüllung der Erwartungen der Testperson 3 bei der Benutzung der Vorrichtung 1 und die maximale Qualitätskennzahl entspricht einer vollständigen Erfüllung der Erwartungen der Testperson 3.
-
Im Schritt S3 des Verfahrens werden die Werte für die zwei oder mehr Konstruktionsparameter und optional die Werte für die personenbezogenen und/oder Umgebungsparameter mittels der Trainingsrecheneinheit 4 auf ein Speichermedium 5 gespeichert, um so einen entsprechenden annotierten Trainingsdatensatz zu erzeugen. Diese Schritte werden für eine Vielzahl von beheizbaren Vorrichtungen mit unterschiedlichen Werten für die zwei oder mehr Konstruktionsparameter durchgeführt.
-
In Schritt S4 wird das künstliche neuronale Netzwerk 2 auf dem Speichermedium 5 oder einem weiteren Speichermedium (nicht dargestellt) bereitgestellt und mittels der Trainingsrecheneinheit 4 basierend auf der Vielzahl annotierter Trainingsdatensätze trainiert.
-
Das neuronale Netzwerk 2 kann beispielsweise eine Vielzahl von Eingangsknoten aufweisen, in 1 schematisch dargestellt durch drei Kreise links in Schritt S4, sowie einen Ausgangsknoten, in 1 schematisch dargestellt durch einen Kreis rechts in Schritt S4. Das neuronale Netzwerk 2 kann außerdem eine oder mehrere verdeckte Schichten von künstlichen Neuronen enthalten, in 1 schematisch dargestellt durch fünf Kreise mittig in Schritt S4. Die Anzahl der Neuronen beziehungsweise der verdeckten Schichten, die entsprechenden Übertragungsfunktionen der Neuronen, die Art und Anzahl der Eingangsknoten und die Art und Anzahl der Ausgangsknoten können dabei je nach Ausgestaltungsform des Verfahrens variieren.
-
Zum Trainieren des künstlichen neuronalen Netzwerks 2 wird dieses mittels der Trainingsrecheneinheit 4 auf Eingangsdaten 6 angewendet, welche entsprechende Werte der zwei oder mehr Konstruktionsparameter und optional der personenbezogenen Parameter und/oder der Umgebungsparameter des entsprechenden annotierten Trainingsdatensatzes beinhalten, um einen Ausgabewert 7 zu erzeugen. Netzwerkparameter, wie Gewichtungsfaktoren und/oder oder Bias-Werte des neuronalen Netzwerks 2, werden abhängig von einer Abweichung des Ausgabewerts 7 von der Qualitätskennzahl des entsprechenden annotierten Trainingsdatensatzes mittels der Trainingsrecheneinheit 4 modifiziert. Dadurch kann die Abweichung minimiert werden, insbesondere indem eine entsprechende Verlustfunktion optimiert wird.
-
In 3 ist eine beispielhafte Ausführungsform eines Verfahrens zur Fertigung einer beheizbaren Vorrichtung nach dem verbesserten Konzept dargestellt.
-
In Schritt S5 wird ein Verfahren zum Trainieren eines künstlichen neuronalen Netzwerks 2 nach dem verbesserten Konzept durchgeführt, beispielsweise wie bezüglich 1 beschrieben. Insbesondere kann Schritt S5 die Schritte S1 bis S4 beinhalten.
-
In Schritt S6 werden zwei oder mehr Konstruktionsparameter und gegebenenfalls personenbezogene Parameter und/oder Umgebungsparameter vorgegeben, wobei die Konstruktionsparameter der noch zu fertigenden beheizbaren Vorrichtung entsprechen. Das trainierte neuronale Netzwerk 2' wird mittels einer Recheneinheit 4' auf Eingangsdaten 6' angewendet, welche die vorgegebenen Werte der zwei oder mehr Konstruktionsparameter, und optional die Werte der Umgebungsparameter und/oder der personenbezogenen Parameter, beinhalten, um eine Qualitätskennzahl 7' zu prädizieren.
-
In Schritt S7 wird die prädizierte Qualitätskennzahl 7' mittels der Recheneinheit 4' mit einem vorgegebenen Sollwert verglichen.
-
Abhängig von einem Ergebnis des Vergleichs wird die beheizbare Vorrichtung entsprechend der vorgegebenen Konstruktionsparameter in Schritt S8 gefertigt oder die Konstruktionsparameter werden angepasst, und die Schritte S6 und S7 werden mit den angepassten Werten für die zwei oder mehr Konstruktionsparameter wiederholt.
-
Wie beschrieben wird durch das verbesserte Konzept also eine Möglichkeit angegeben, Zeit und Kosten bei der Konstruktion und Fertigung von beheizbaren Vorrichtungen, insbesondere Kraftfahrzeugsitzen mit Sitzheizungen, zu reduzieren. Dazu wird ausgenutzt, dass künstliche neuronale Netzwerke Zusammenhänge erkennen können, ohne die zugrunde liegenden Regeln zu abstrahieren, um so ein subjektives Qualitätsempfinden einer Testperson zu prädizieren.
-
Für Kraftfahrzeuge werden im Laufe des Produktlebenszyklus oft mehrfach verschiedene Sitzheizungen entwickelt, wobei je nach Ausgestaltung des Kraftfahrzeugsitzes selbst, je nach Ausstattungslinie des Kraftfahrzeugs oder je nach Bezugsart, wie beispielsweise Stoff, Leder oder Bezug mit einer Sitzbelüftung, unterschiedliche Konstruktionsparameter verwendet werden. Auf diese Weise kann eine Vielzahl von annotierten Trainingsdatensätzen erzeugt werden, um so eine zuverlässige Prädiktion des subjektiven Qualitätsempfindens der Testperson realisieren zu können.
-
Letztlich ermöglicht es das verbesserte Konzept, die Komfort- und Qualitätserwartungen der Testpersonen und dementsprechend auch der Endkunden, die durch die Testpersonen repräsentiert werden, genauer zu treffen und gleichzeitig den Aufwand, insbesondere den Kosten- und Zeitaufwand, zum Erreichen dieses Ergebnisses zu senken.
-
Bezugszeichenliste
-
- 1
- beheizbare Vorrichtung
- 1'
- Kraftfahrzeugsitz
- 2
- künstliches neuronales Netzwerk
- 2`
- trainiertes künstliches neuronales Netzwerk
- 3
- Testperson
- 4
- Trainingsrecheneinheit
- 4`
- Recheneinheit
- 5
- Speichermedium
- 6
- Eingangsgrößen
- 6'
- Eingangsgrößen
- 7
- Ausgabewert
- 7'
- prädizierte Qualitätskennzahl
- 8
- Heizleiter
- 9
- Bezug
- 10
- Kaschierung
- 11
- Polsterung
- S1 bis S8
- Verfahrensschritte