-
公开(公告)号：CN117807430A
公开(公告)日：2024-04-02
申请号：CN202311270215.0
申请日：2023-09-27
Applicant: 罗伯特·博世有限公司
IPC: G06F18/214 , G01H17/00 , G01H9/00 , G06N20/00 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 使用加速度计数据进行基于深度学习的声音预测的系统和方法。一种系统包括与一个或多个传感器通信的处理器，其中所述处理器被编程为从运行时设备接收包括实时电流信息、实时电压信息或实时振动信息中的一个或多个的数据，其中所述运行时设备为致动器或电驱动；并且利用经训练的机器学习模型和数据作为经训练的机器学习模型的输入，输出与运行时设备发出的估计声音相关联的声音预测。
-
公开(公告)号：CN118567219A
公开(公告)日：2024-08-30
申请号：CN202410213606.7
申请日：2024-02-27
Applicant: 罗伯特·博世有限公司
IPC: G05B13/04
Abstract: 提供了用于制造的具有预训练特征提取的预测性维护。一种计算机实施的系统和方法包括建立给定零件遍历的站序列。每个站包括相对于给定零件执行至少一个操作的机器。接收与遍历多个机器的多个零件的属性相关的测量数据。测量数据由传感器获得，并且对应于当前处理周期。第一机器学习模型被预训练以生成(i)基于测量数据的隐表示和(ii)基于隐表示的机器状态。接收与当前处理周期相关的机器观察数据。基于测量数据和机器观察数据生成聚合数据。第二机器学习模型基于聚合数据生成维护预测。维护预测对应于下一个处理周期。
-
公开(公告)号：CN118211694A
公开(公告)日：2024-06-18
申请号：CN202311737459.5
申请日：2023-12-15
Applicant: 罗伯特·博世有限公司
IPC: G06Q10/04 , G01D21/02 , G06Q10/20 , G06N3/0442 , G06N3/0464
Abstract: 计算机实现的系统和方法包括建立给定部件穿过的站序列。第一神经网络基于站子序列的每个站处的给定部件的观察测量数据生成一组参数数据。该组参数数据与对应于站子序列的潜在变量子序列相关联。第二神经网络基于历史测量数据和该组参数数据生成下一参数数据。历史测量数据涉及在给定部件之前被处理的另一部件，并与站序列的每个站相关联。下一参数数据与潜在变量子序列之后的下一潜在变量相关联。下一潜在变量对应于站序列中的站子序列之后的下一站。第二神经网络基于下一潜在变量和下一参数数据生成下一站处的给定部件的预测测量数据。
-
公开(公告)号：CN118211695A
公开(公告)日：2024-06-18
申请号：CN202311740310.2
申请日：2023-12-15
Applicant: 罗伯特·博世有限公司
IPC: G06Q10/04 , G01D21/02 , G06Q10/20 , G06N3/0442 , G06N3/0464
Abstract: 计算机实现的系统和方法包括建立给定部件穿过的站序列。历史嵌入序列被生成并包括(a)基于历史测量数据的历史测量嵌入，(b)基于至少一个其他部件的至少一个历史部件标识符的历史部件标识符嵌入，和(c)基于对应于历史测量数据的至少一个历史站标识符的历史站标识符嵌入。输入嵌入序列被生成并包括(a)基于观察测量数据的测量嵌入，(b)基于给定部件的部件标识符的部件标识符嵌入，和(c)基于对应于观察测量数据的站标识符的站标识符嵌入。编码网络基于历史嵌入序列生成中间历史特征。解码网络基于中间历史特征和输入嵌入序列生成预测测量数据。预测测量数据包括下一站处的给定部件的下一测量数据，下一站在站序列中跟随站子序列。
-
公开(公告)号：CN117809688A
公开(公告)日：2024-04-02
申请号：CN202311259010.2
申请日：2023-09-27
Applicant: 罗伯特·博世有限公司
Inventor： I·巴塔洛夫 , T·阿尔贝尔 , F·J·C·孔德萨 , F·郎 , F·舍恩 , C·欧 , M·胡贝尔 , D·瑙姆金 , M·库卡 , B·利普奇克 , M·博舍特 , A·亨克
Abstract: 用于使用加速度计数据预测声音感知的模型的系统和方法。一种系统，包括处理器，其中所述处理器被编程为从第一环境中的设备接收声音信息和振动信息；利用至少振动信息和与振动信息的对应声音相关联的声音感知分数生成训练数据集，其中所述训练数据集被馈送到未训练的机器学习模型中；响应于满足未训练的机器学习模型的收敛阈值，输出经训练的机器学习模型；在第二环境中接收来自设备的实时振动信息；并且基于实时振动信息作为经训练的机器学习模型的输入，输出指示与从设备发出的声音相关联的特性的实时声音感知分数。
-
Patent Agency Ranking
公开(公告)号：CN117785522A
公开(公告)日：2024-03-29
申请号：CN202311278531.2
申请日：2023-09-28
Applicant: 罗伯特·博世有限公司
IPC: G06F11/07 , G06F18/241 , G06F18/214 , G06N20/00
Abstract: 提供了利用经训练机器学习模型执行根本原因分析的方法和系统。使用经训练的机器学习模型来对制造过程执行根本原因分析的方法和系统。提供了被训练来预测无故障部件的测量的预先训练的机器学习模型。所述预先训练的模型在如由多个制造站处的多个传感器测量的关于制造部件的物理特性的训练测量数据上进行训练。利用经训练的模型，然后接收来自传感器的关于制造部件和站的测量数据。该新的测量数据集通过预先训练的模型反向传播，以确定新的测量数据的绝对梯度的量值。然后基于该绝对梯度的量值确定根本原因。在其他实施例中，基于在使用模型的部件的预测测量数据集和实际测量数据之间确定的损失来标识根本原因。
-
公开(公告)号：CN117633608A
公开(公告)日：2024-03-01
申请号：CN202311109626.1
申请日：2023-08-30
Applicant: 罗伯特·博世有限公司
IPC: G06F18/241 , G06F18/214 , G06F18/25 , G06N20/00
Abstract: 提供了利用去噪扩散模型对输入干扰进行通用净化的系统和方法。一种存储指令的计算机程序产品，当由计算机执行时，所述指令使计算机进行以下操作：从传感器接收输入数据；利用输入数据生成训练数据集，其中通过创建输入数据的一个或多个副本并将噪声添加到一个或多个副本来创建训练数据集；将训练数据集发送到扩散模型，其中扩散模型被配置成通过以下方式重建和净化训练数据集：去除与输入数据相关联的噪声，并重建训练数据集的一个或多个副本，以创建经修改的输入数据集；将经修改的输入数据集发送到固定分类器；以及响应于由固定分类器获得的经修改的输入数据集的分类的多数投票，输出与输入数据相关联的分类。
-
公开(公告)号：CN117250914A
公开(公告)日：2023-12-19
申请号：CN202310713383.6
申请日：2023-06-15
Applicant: 罗伯特·博世有限公司
IPC: G05B19/418
Abstract: 用在制造过程期间捕获的测量数据训练机器学习模型的方法和系统。接收关于多个制造零件的物理特性的测量数据，所述物理特性由各个制造站处的多个传感器测量。时间序列动力学机器学习模型将测量数据编码到具有多个节点的潜在空间中。每个节点与制造站之一处的制造零件之一的测量数据相关联。可以构建一批测量数据，所述批包括第一节点和经由第一边直接连接到第一节点并且在时间上早于第一节点被测量的第一多个节点。预测机器学习模型可以基于所述批的节点的潜在空间来预测第一制造零件的测量。
-
公开(公告)号：CN119106708A
公开(公告)日：2024-12-10
申请号：CN202410736494.3
申请日：2024-06-07
Applicant: 罗伯特·博世有限公司
IPC: G06N3/0455 , G06N3/0495 , G06N3/084 , G06N3/096
Abstract: 经由深度平衡模型进行一步扩散蒸馏。公开了生成平衡变换器。所公开的实施例提供简单且有效的技术，所述技术可以仅使用噪声/图像对来将多步扩散过程蒸馏成单步生成模型。
-
公开(公告)号：CN118112995A
公开(公告)日：2024-05-31
申请号：CN202311611385.0
申请日：2023-11-29
Applicant: 罗伯特·博世有限公司
IPC: G05B19/418
Abstract: 提供了具有预训练特征提取的工业质量监视系统。公开了用于对制造品进行分类的方法和系统。用训练数据训练分类器，所述训练数据包括1)与物品相关的特征向量，其基于在制造过程的特定站处捕获的与物品相关的测量，以及2)编码的时间序列数据，其表示在特定站之前在制造过程的站序列处捕获的与该制造品相同类型的物品的测量历史。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.02 seconds)
