公开(公告)号：CN116134387B

公开(公告)日：2024-04-19

申请号：CN202180059888.4

申请日：2021-07-06

Applicant: 西门子股份公司

Inventor： 弗拉迪米尔·拉夫里克 ,  孟仰峤

IPC: G05B13/02 ,  G06N3/063 ,  G06N3/082

Abstract: 本发明涉及一种根据工业任务(任务1,...,k；任务k+1,...,k+n)的AI模型的运行时属性的要求集合来确定AI模型的压缩率r*的推荐系统和方法，其中对于该AI模型，将原始的参数数量(n)缩减为减少的参数数量(n*)。在第一阶段中，以多个不同的压缩率ri来压缩每个AI模型，其中在执行环境中执行每个压缩的AI模型，并且作为执行期间的第一结果，记录运行时属性，并且其中通过对第一结果的解析分析来计算每个AI模型的最优压缩率r*并将其存储在数据库或类似系统中。在第二阶段中，来自数据库的数据被用于训练附加的机器学习模型。在针对新任务(任务k+1,...,k+n)的新AI模型的第三阶段中，定义期望运行时属性的新集合，并且使用附加的机器学习模型来确定新AI模型相对于期望运行时属性的最优压缩率r*。

公开(公告)号：CN116034325B

公开(公告)日：2025-05-27

申请号：CN202180056612.0

申请日：2021-07-29

Applicant: 西门子股份公司

Inventor： 冯竞 ,  弗拉迪米尔·拉夫里克 ,  孟仰峤 ,  克里斯托弗·保利奇

IPC: G05B23/02 ,  G06N20/10

Abstract: 公开了检测与工业环境(610)相关联的操作数据(U)中的至少一个异常数据点的系统、设备和方法。该方法包括将一个或多个异常检测模型(fi)迭代地应用于操作数据(U)的至少一个子集(S)，其中基于由被标记为正常的数据点组成的训练数据集(L)来训练异常检测模型(fi)；使用异常检测模型(fi)将该子集(S)中的子集‑数据点分类为正常数据点(N)和异常数据点(A)中的一者；至少利用正常数据点更新训练数据集；在阈值时间期满之后用更新的训练数据集重新训练异常检测模型(fi)，其中阈值时间基于对训练数据集的更新的次数；以及使用异常检测模型(f’i)检测操作数据(U)中的至少一个异常数据点。

公开(公告)号：CN116134387A

公开(公告)日：2023-05-16

申请号：CN202180059888.4

申请日：2021-07-06

Applicant: 西门子股份公司

Inventor： 弗拉迪米尔·拉夫里克 ,  孟仰峤

IPC: G05B13/02

Abstract: 本发明涉及一种根据工业任务(任务1,...,k；任务k+1,...,k+n)的AI模型的运行时属性的要求集合来确定AI模型的压缩率r*的推荐系统和方法，其中对于该AI模型，将原始的参数数量(n)缩减为减少的参数数量(n*)。在第一阶段中，以多个不同的压缩率ri来压缩每个AI模型，其中在执行环境中执行每个压缩的AI模型，并且作为执行期间的第一结果，记录运行时属性，并且其中通过对第一结果的解析分析来计算每个AI模型的最优压缩率r*并将其存储在数据库或类似系统中。在第二阶段中，来自数据库的数据被用于训练附加的机器学习模型。在针对新任务(任务k+1,...,k+n)的新AI模型的第三阶段中，定义期望运行时属性的新集合，并且使用附加的机器学习模型来确定新AI模型相对于期望运行时属性的最优压缩率r*。

公开(公告)号：CN116157809A

公开(公告)日：2023-05-23

申请号：CN202180059480.7

申请日：2021-07-13

Applicant: 西门子股份公司

Inventor： 弗拉迪米尔·拉夫里克 ,  孟仰峤 ,  克里斯托弗·保利奇

IPC: G06N5/04

Abstract: 本发明涉及用于基于人工智能的模型的压缩的模型压缩技术的自动确定的方法，本发明涉及用于基于人工智能的模型的压缩的模型压缩技术的自动确定的计算机实现的方法，相应的计算机程序产品和工业自动化环境的相应装置，其中，使用专家规则自动匹配地提供一组模型压缩技术，基于加权约束确定模型压缩技术组中的模型压缩技术的度量，并基于所确定的度量选择优化的模型压缩技术。

公开(公告)号：CN116034325A

公开(公告)日：2023-04-28

申请号：CN202180056612.0

申请日：2021-07-29

Applicant: 西门子股份公司

Inventor： 冯竞 ,  弗拉迪米尔·拉夫里克 ,  孟仰峤 ,  克里斯托弗·保利奇

IPC: G05B23/02

Abstract: 公开了检测与工业环境(610)相关联的操作数据(U)中的至少一个异常数据点的系统、设备和方法。该方法包括将一个或多个异常检测模型(fi)迭代地应用于操作数据(U)的至少一个子集(S)，其中基于由被标记为正常的数据点组成的训练数据集(L)来训练异常检测模型(fi)；使用异常检测模型(fi)将该子集(S)中的子集‑数据点分类为正常数据点(N)和异常数据点(A)中的一者；至少利用正常数据点更新训练数据集；在阈值时间期满之后用更新的训练数据集重新训练异常检测模型(fi)，其中阈值时间基于对训练数据集的更新的次数；以及使用异常检测模型(f’i)检测操作数据(U)中的至少一个异常数据点。