EP4341845A1 - Method and system for controlling a production system - Google Patents

Method and system for controlling a production system

Info

Publication number
EP4341845A1
EP4341845A1 EP22761970.7A EP22761970A EP4341845A1 EP 4341845 A1 EP4341845 A1 EP 4341845A1 EP 22761970 A EP22761970 A EP 22761970A EP 4341845 A1 EP4341845 A1 EP 4341845A1
Authority
EP
European Patent Office
Prior art keywords
machine learning
product
learning module
product version
version
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP22761970.7A
Other languages
German (de)
French (fr)
Inventor
Stefan Depeweg
Kai Heesche
Markus Kaiser
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Original Assignee
Siemens AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens AG filed Critical Siemens AG
Publication of EP4341845A1 publication Critical patent/EP4341845A1/en
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/18—Manufacturability analysis or optimisation for manufacturability

Definitions

  • Computer-aided design systems are increasingly being used to manufacture complex technical products such as robots, motors, turbines, turbine blades, internal combustion engines, tools, motor vehicles or their components.
  • Such design systems usually generate design data which specify a product to be manufactured in detail and with the aid of which production systems for manufacturing the specified product can be controlled.
  • the aim is to automatically optimize the design data for the product.
  • Such a performance can in particular be an output, a yield, a speed, a weight, a running time, a precision, an error rate, a consumption of resources, an efficiency, an emission of pollutants, a stability, a wear , a service life, a physical property, a mechanical property, an electrical property, a constraint to be met or other target values of the product.
  • MDO Multi Dimensional Optimization
  • a large number of product-version-specific training data sets are read in to control a production system for producing a first product version using design data sets of the first and a second product version.
  • the training data sets each include a design data set specifying a design variant of a respective product version and a performance value quantifying a performance of this design variant.
  • the design data sets are fed into a cross-product version machine learning module.
  • An output signal of the cross-product version machine learning module is fed into both a first and a second product version-specific machine learning module.
  • the machine learning modules are trained together so that output data from the first machine learning module reproduces the performance values of the first product version and output data from the second machine learning module reproduces the performance values of the second product version.
  • a large number of synthetic design data sets are then generated and fed into the trained cross-product version machine learning module.
  • the resulting The output signal of the trained cross-product machine learning module is fed into the trained first machine learning module.
  • a performance-optimized design data set is derived from the synthetic design data sets and output for producing the first product version.
  • a system for controlling a production system, a computer program product and a computer-readable, preferably non-volatile, storage medium are provided for executing the method according to the invention.
  • the method according to the invention and the system according to the invention can be carried out or implemented, for example, using one or more computers, processors, application-specific integrated circuits (ASIC), digital signal processors (DSP) and/or so-called “Field Programmable Gate Arrays” (FPGA).
  • the invention makes it possible to use data from optimizations and training courses that were carried out for other, in particular earlier, product versions to predict the performance of a first product version currently to be produced and to optimize it. Such use of earlier optimization or training results for machine training for a new application is often referred to as transfer learning.
  • transfer learning Using the cross-product version machine learning module, common causal relationships between design and performance of different product versions can be learned very efficiently in many cases. Training data from earlier product versions can often be used to great advantage.
  • a performance value for the design variant specified by the respective design data set can be determined in a simulation for a large number of design data sets. A respective design data set can then be used together with the respective predicted performance value as a training data set.
  • first product specifications to be fulfilled by the first product version and second product specifications to be fulfilled by the second product version can be read in.
  • the first product specifications can be fed into the first machine learning module and the second product specifications can be fed into the second machine learning module.
  • the first product specifications can then also be fed into the trained first machine learning module. In this way, correlations between product specifications, design data sets and/or performance values can be modeled or learned by the training and used to predict the performance.
  • the product version-specific machine learning modules can each implement a linear regression model and the cross-product version machine learning module can implement a Gaussian process. In this way, linear correlations between performance values of different product versions can be efficiently learned. Insofar as linear relationships can generally be modeled using relatively few parameters, in many cases only relatively few training data are required for training.
  • the machine learning modules can each include a neural network.
  • the cross-product version machine learning module can be implemented in particular by means of a multi-layer perceptron.
  • the product version-specific machine learning modules can each comprise one or more neural layers. The neural layers can also be used to efficiently learn nonlinear correlations between performance values of different product versions.
  • ⁇ can be provided, each with a cross-product version machine learning module and at least two product version-specific machine learning modules. Furthermore, a number or quantity of available training data sets can be determined. Depending on the determined number or quantity, one of the sets can then be selected to carry out the training and to derive the performance-optimized design data set. In this way, depending on the number or volume of available training data, a set of machine learning modules that is particularly suitable for this number or volume can be selected in a targeted manner. For example, one or more linear regression models for the case that only relatively little training data is available. In addition, it can be checked whether there are product specifications for the first and for the second product version.
  • Figure 1 a design system controlling a production system for the manufacture of a product
  • Figure 2 a design system according to the invention in a training phase
  • Figure 3 different sets of machine learning modules
  • Figure 4 the design system according to the invention in an application phase.
  • FIG. 1 shows a schematic representation of a design system DS coupled to a production system PS.
  • the design system DS is used for the computer-aided construction of a new version of a product PV1 that is optimized in terms of performance and for controlling the production system PS in order to produce the product version PV1 in this way.
  • the production system PS can include a manufacturing system, a robot, a machine tool and/or other devices for manufacturing or processing the product PV1 or a component thereof using design data.
  • the manufacture The product PV1 in question can in particular be a motor, a robot, a machine tool, a turbine blade, a wind turbine, a gas turbine, a motor vehicle or another machine, another technical structure or a component of these products.
  • a respective design or a respective design variant of the product version PV1 to be produced is specified by design data in the form of a respective design data record.
  • Such a design data record can in particular specify a geometry, a structure, a property, a production step, a material and/or a component of the product version PV1.
  • the design system DS is to be enabled to largely automatically generate a realistic design data set ODR that is optimized with regard to a performance of the product version PV1.
  • optimization is also understood to mean an approximation to an optimum.
  • the performance can in particular be an output, a yield, a speed, a weight, a running time, a precision, an error rate, a consumption of resources, a tendency to oscillate, a temperature stability, a rigidity, a material fatigue, an efficiency, an efficiency , pollutant emissions, stability, wear and tear, a service life, a physical property, a mechanical property, an electrical property, a secondary condition that must be complied with or other target variables of the product PV1.
  • the design system DS is trained using available design data sets for the first product version PV1 to be produced and additionally using available design data sets for at least one further product version using machine learning methods—as explained in more detail below.
  • the design system DS generates a performance-optimized design data set ODR and transmits this to the production system PS.
  • the production system PS is prompted to produce a performance-optimized new product version PV1 according to the performance-optimized design data set ODR.
  • FIG. 2 illustrates a design system DS according to the invention in a training phase.
  • the design system DS has one or more processors PROC for executing the method according to the invention and one or more memories MEM for storing data to be processed.
  • PROC processors
  • memories MEM for storing data to be processed.
  • a large number of training data sets for the first product version PV1 currently to be produced and, in addition, a large number of training data sets for at least one further product version are read in or generated.
  • the at least one further product version can in particular be an earlier version of the product to be manufactured for which performance data or further empirical values are already available. For reasons of clarity, only data and processing steps for two product versions are explicitly shown and described in the figures.
  • the training data records specific to the first product version PV1 each include a design data record DR1 specifying a design variant of the first product version PV1 and a performance value P1 quantifying the performance of this design variant.
  • the training data records specific to a second product version each include a design data record DR2 specifying a design variant of the second product version and a performance value P2 quantifying the performance of this design variant.
  • first product specifications E1 which this product version PV1 must meet, and second product specifications E2, which the second product version must meet are also read in.
  • the product version-specific product specifications E1 and E2 are fixed and, unlike the design data sets, cannot be optimized.
  • Product specifications E1 and E2 can, for example, specify a product type, product geometry, dimensions of the product, product environment, operating environment, operating specifications, boundary conditions, ancillary conditions, installation site, ambient temperature range and/or other environmental data be specified.
  • the large number of design data records DR1 and the product specifications E1 of the first product version PV1 and the large number of design data records DR2 with the associated performance values P2 and with the product specifications E2 are read in by the design system DS from a database DB.
  • the database DB includes a large number of training data sets evaluated with regard to performance, in particular also for earlier second product versions.
  • the performance values P2 can come from measurements on earlier product versions or from simulations of these earlier product versions.
  • the design data sets DR1 and the product specifications E1 are supplied to a simulator SIM of the design system DS.
  • the SIM simulator is used to simulate design variants specified by the supplied design data records, here DR1, and to simulate the respective performance, here P1, of a respective design variant of the first product version PV1.
  • a large number of known simulation methods are available for carrying out such simulations or simulators for mechanical, electrical or thermal simulation.
  • the design data records DR1 are transmitted together with the associated performance values P1 determined by simulation and with the product specifications E1 from the simulator SIM to a selection module SEL of the design system DS.
  • the design data sets DR2 with the associated performance values P2 and the product specifications E2 are fed into the selection module SEL.
  • Several sets SL1, SL2 and SL3 of machine learning modules are coupled to the selection module SEL or can at least be addressed by the selection module SEL.
  • the selection module SEL serves the purpose of selecting one of the sets SL1, SL2 or SL3 depending on the presence of product specifications, here E1, E2, and depending on a quantity or number of available training data sets.
  • the number or set of training data sets is determined by the selection device SEL.
  • a number or quantity of training data sets with high performance values can be determined in this case, insofar as such training data sets are particularly relevant for an evaluation of high-performance design variants.
  • the selection module SEL checks whether product specifications, here E1, E2, are present for both product versions and whether product parameters common to both product versions relate.
  • the different sets SL1, SL2 and SL3 of machine learning modules are shown schematically in FIG.
  • the set SL1 includes a cross-product version machine learning module LG_1 as well as product version-specific machine learning modules L1_1 and L2_1.
  • the set SL2 includes a cross-product version machine learning module LG_2 as well as product version-specific machine learning modules L1_2 and L2_2.
  • the set SL3 includes a cross-product version machine learning module LG_3 as well as product version-specific machine learning modules L1_3 and L2_3.
  • the product version On-specific machine learning modules L1_1, L1_2 and L1_3 are assigned to the first product version PV1, while the product version-specific machine learning modules L2_1, L2_2 and L2_3 are assigned to the second product version.
  • a respective set SL1, SL2 or SL3 should be trained in the event of its selection to predict a performance of a first product version PV1 specified thereby and a performance of a second product version specified hereby using fed-in design data sets relevant set SL1, SL2 or SL3 respectively supplied the design data sets DR1 and DR2 as input data.
  • Output data O1 and O2 are derived and output from the input data DR1 and DR2 by the relevant record SL1, SL2 or SL3.
  • the product specifications E1 and E2 are also fed to the record SL3 as input data.
  • An actual performance value of a design variant specified by the design data records DR1 or DR2 should be reproduced as well as possible by the output data O1 and O2.
  • Training is generally understood to mean an optimization of a mapping from input data, here DR1, DR2 and possibly E1 and E2, to output data, here O1 and O2. This mapping is optimized according to predetermined criteria during a training phase.
  • a prediction error or reproduction error in the case of prediction models, a classification error in the case of classification models and/or a deviation from an optimized control action in the case of control models can be used as criteria here, for example.
  • model parameters, process parameters, network structures of neurons in a neural network and/or weights of connections between the neurons can be set or optimized in such a way that the criteria be fulfilled as well as possible.
  • the training can thus be understood as an optimization problem.
  • a large number of efficient optimization methods are available for such optimization problems.
  • genetic optimization methods, gradient descent methods, back propagation methods and/or particle swarm optimization can be used.
  • the fact that similar product versions have similar causal relationships or correlations between design data sets and performance values should be used for the training.
  • By training a common machine learning module for different but similar product versions common causal relationships or correlations can usually be learned very efficiently.
  • cause-and-effect relationships or correlations that differ between different product versions can be efficiently mapped using product version-specific machine learning modules.
  • Efficient, so-called transfer learning can be implemented in this way, in which training results or training data from earlier product versions are advantageously used for a current product version to be produced, here PV1.
  • the different sets SL1, SL2 and SL3 of machine learning modules make it possible, depending on the amount of available training data or product specifications, to select that one of the sets SL1, SL2 or SL3 that is particularly suitable for the respective training circumstances.
  • the sets SL1, SL2 and SL3 shown by way of example in FIG. 3 are described in more detail below.
  • the machine learning module LG_1 that is common to both product versions and across product versions preferably implements a Gaussian process and/or a Bayesian model, while the product version-specific machine learning modules L1_1 and L2_1 each implement a linear regression model.
  • the design data sets DR1 and DR2 are fed into the common machine learning module LG_1 as input data.
  • An output signal OS of the common machine learning module LG_1 derived from the input data DR1, DR2 is fed both into the machine learning module L1_1 and into the machine learning module L2_1.
  • the machine learning module L1_1 derives and outputs the output data O1 from the output signal OS and the machine learning module L2_1 derives the output data O2.
  • Such a set of machine learning modules is often also referred to as a coregionalization model.
  • the linear regression models L1_1 and L2_1 can be used to learn linear relationships between the performance values of different product versions very efficiently.
  • Such linear regression models can also be modeled using relatively few parameters, for the optimization of which in many cases a relatively small amount of training data is sufficient. Consequently, in the present exemplary embodiment, the set SL1 is selected by the selection module SEL when the available amount of training data is relatively small and, for example, falls below a predetermined threshold value.
  • the set SL2 comprises an artificial neural network, in particular a multi-layer perceptron as the machine learning module LG_2 common to the product versions.
  • the product version-specific machine learning modules L1_2 and L2_2 are each designed as an artificial neural network made up of one or more layers.
  • the layers can have a linear or non-linear effect.
  • the design data records DR1 and DR2 are fed into the common machine learning module LG_2 as input data. From this, the common machine learning module LG_2 derives an output signal OS, which is fed both into the machine learning module L1_2 and into the machine learning module L2_2. From the output signal OS, the machine learning module L1_2 Output data O1 and output data O2 derived and output by the machine learning module L2_2.
  • the product version-specific machine learning modules L1_2 and L2_2 can also be used to model or reproduce a non-linear relationship between the performance of different product versions.
  • the set SL2 is thus preferably selected by the selection model SEL when a larger amount of training data is available or when this amount exceeds a predetermined threshold value.
  • the set SL3 includes the machine learning module LG_3 that is common to both product versions, as well as the product version-specific machine learning modules L1_3 and L2_3.
  • the machine learning modules LG_3, L1_3 or L2_3 can each be implemented using an artificial neural network and/or using a Gaussian process.
  • record SL3 can also explicitly process product version-specific product specifications, here E1 and E2, and model them with regard to their correlation with design data records and/or performance values.
  • the design data sets DR1 and DR2 are fed as input data into the common machine learning module LG_3, which derives an output signal OS from them and feeds this into both machine learning modules L1_3 and L2_3.
  • the product specifications E1 are fed into the machine learning module L1_3 as additional input data
  • the product specifications E2 are fed into the machine learning module L2_3 as additional input data.
  • the machine learning module L1_3 derives and outputs output data O1 from the output signal OS and the product specifications E1.
  • the machine learning module L2_3 derives and outputs output data O2 from the output signal OS and the product specifications E2. Due to the additional consideration of the product version specific product specifications E1 and E2 by the product version-specific machine learning modules L1_3 and L2_3, correlations between product specifications, design data sets and performance values can be recognized and learned in many cases. However, due to the additional differentiation options provided by the product specifications E1 and E2, more training data is generally required for efficient training than when training the other sentences SL1 and SL2. Accordingly, the record SL3 is preferably selected by the selection module SEL when product version-specific product specifications, here E1 and E2, are present and a quantity of training data exceeds a specified threshold value.
  • a respective sentence or machine learning module may also include a Bayesian neural network, a recurrent neural network, a convolutional neural network, an autoencoder, a deep learning architecture, a support vector machine, a k-nearest-neighbor classifier, and /or include a decision tree.
  • a Bayesian neural network a recurrent neural network
  • a convolutional neural network a convolutional neural network
  • an autoencoder e.g., a deep learning architecture
  • a support vector machine e.g., a number of training data sets determined by the selection module SEL therefore exceeds a threshold value provided for the set SL3.
  • the record SL3 is selected by the selection module SEL—as FIG. 2 further illustrates. Accordingly, the design data records DR1 with the product specifications E1 and the design data records DR2 with the product specifications E2 are specifically forwarded by the selection module SEL to the selected record SL3 as input data. From the input data DR1, E1, DR2 and E2, the record SL3, as described above, the output data O1 and O2 are derived and output. The output data O1 are then compared with the performance values P1 and the output data O2 with the performance values P2, and a deviation D is determined.
  • the deviation D is fed back to the record SL3.
  • the machine learning modules LG_3, L1_3 and L2_3 contained in record SL3 are trained together to minimize the deviation D.
  • the machine learning modules LG_3, L1_3 and L2_3 of record SL3 is trained to predict the associated performance values P1 and P2 for design variants of both product versions for given design data records DR1 and DR2 and product specifications E1 and E2 through their output data O1 and O2, respectively.
  • the cross-product version machine learning module LG_3 similarities between different product versions can be learned efficiently.
  • differences between the product versions can be mapped by the product version-specific machine learning modules L1_3 and L2_3.
  • FIG. 4 illustrates the trained design system DS when generating a performance-optimized design data set ODR.
  • a multiplicity of synthetic design data records DR1 are generated by a generator GEN of the design system DS, each of which specifies a design variant of the first product version PV1 to be produced. The generation is at least partially randomly induced.
  • the synthetic design data sets DR1 are fed into the selection module SEL by the generator GEN.
  • the product specifications E1 for the first product version PV1 are also supplied to the selection module SEL.
  • the selection module SEL then feeds the synthetic design data sets DR1 and the product specifications E1 into the selected and trained set SL3 in a targeted manner.
  • the synthetic design data sets DR1 are fed to the common machine learning module LG_3 as input data.
  • the resultant output signal OS of the common machine learning module LG_3 and the product specifications E1 are then fed as input data into the machine learning module L1_3 specific to the first product version PV1 to be produced.
  • the output data O1 derived from this by the machine learning module L1_3 are output and fed into an optimization module OPT of the design system DS.
  • the synthetic design data records DR1 are also supplied to the optimization module OTP.
  • the optimization module OPT derives a performance-optimized design data set ODR from the synthetic design data sets DR1.
  • the synthetic design data set for which the highest performance value O1 is predicted can be selected as the performance-optimized design data set ODR.
  • the performance-optimized design data set ODR can be interpolated from a number of synthetic design data sets with the highest or particularly high predicted performance values O1.
  • the performance-optimized design data set ODR derived from the synthetic design data sets DR1 is then output in order to control the production system PS, as described in connection with FIG. 1, for producing the optimized product version PV1.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

For controlling a production system (PS) for producing a first product version (PV1), a number of product version-specific training data sets are read in for each of a plurality of product versions. Each training data set comprises a design data set (DR1, DR2), which specifies a design variant of a particular product version, and a performance value (P1, P2) for this design variant. The design data sets (DR1, DR2) are fed into a machine learning module (LG_3) covering all product versions. An output signal (OS) of the machine learning module (LG_3) covering all product versions is fed into both a first product version-specific machine learning module (L1_3) and also a second product version-specific machine learning module (L2_3). The machine learning modules (LG_3, L1_3, L2_3) are jointly trained so that output data (O1) of the first machine learning module (L1_3) reproduce the performance values (P1) of the first product version and output data (O2) of the second machine learning module (L2_3) reproduce the performance values (P2) of the second product version. Then a number of synthetic design data sets (DR1) are generated and fed into the trained machine learning module (LG_3) covering all product versions. The resulting output signal (OS) of the trained machine learning module (LG_3) covering all product versions is fed into the trained first machine learning module (L1_3). Depending on the output data (O1) resulting from this, a performance-optimised design data set (ODR) is derived from the synthetic design data sets (DR1) and is output for production of the first product version (PV1).

Description

Beschreibung Verfahren und System zum Steuern eines Produktionssystems Zur Herstellung komplexer technischer Produkte, wie bei- spielsweise Robotern, Motoren, Turbinen, Turbinenschaufeln, Verbrennungskraftmaschinen, Werkzeugen, Kraftfahrzeugen oder deren Komponenten, werden in zunehmendem Maße rechnergestütz- te Designsysteme eingesetzt. Mittels derartiger Designsysteme werden üblicherweise Designdaten erzeugt, die ein herzustel- lendes Produkt detailliert spezifizieren und mit deren Hilfe Produktionssysteme zur Herstellung des spezifizierten Pro- dukts angesteuert werden können. Zur Verbesserung von erwünschten Produkteigenschaften, die häufig durch eine Performanz ausgedrückt werden, wird in vie- len Fällen angestrebt, die Designdaten für das Produkt auto- matisch zu optimieren. Eine solche Performanz kann dabei ins- besondere eine Leistung, einen Ertrag, eine Geschwindigkeit, ein Gewicht, eine Laufzeit, eine Präzision, eine Fehlerrate, einen Ressourcenverbrauch, einen Wirkungsgrad, eine Effizi- enz, einen Schadstoffausstoß, eine Stabilität, einen Ver- schleiß, eine Lebensdauer, eine physikalische Eigenschaft, eine mechanische Eigenschaft, eine elektrische Eigenschaft, eine einzuhaltende Nebenbedingung oder andere Zielgrößen des Produkts betreffen. Zur Optimierung einer Performanz eines herzustellenden Pro- dukts werden häufig multidimensionale Optimierungsverfahren, sogenannte MDO-Verfahren (MDO: Multi Dimensional Optimizati- on) eingesetzt. Diese MDO-Verfahren simulieren in der Regel eine Vielzahl von durch Designdaten spezifizierten Designva- rianten des Produkts und wählen spezifisch diejenigen aus, die eine simulierte Performanz optimieren. Derartige Simulationen erfordern jedoch häufig einen erhebli- chen Rechenaufwand, insbesondere da häufig eine große Viel- zahl von Designvarianten zu bewerten sind. Zur Reduzierung des erforderlichen Rechenaufwands werden oft sogenannte Sur- rogat-Modelle benutzt, die insbesondere durch Verfahren des maschinellen Lernens darauf trainiert werden, relevante Simu- lationsergebnisse ohne detaillierte Simulation zu prädizie- ren. Derartige Surrogat-Modelle weisen jedoch häufig eine ge- ringe oder eine schwankende Genauigkeit auf. Es ist Aufgabe der vorliegenden Erfindung ein Verfahren und ein System zum Steuern eines Produktionssystems anzugeben, die eine effizientere Designoptimierung erlauben. Gelöst wird diese Aufgabe durch ein Verfahren mit den Merkma- len des Patentanspruchs 1, durch ein System mit den Merkmalen des Patentanspruchs 10, durch ein Computerprogrammprodukt mit den Merkmalen des Patentanspruchs 11 sowie durch ein compu- terlesbares Speichermedium mit den Merkmalen des Patentan- spruchs 12. Zum Steuern eines Produktionssystems zur Herstellung einer ersten Produktversion anhand von Designdatensätzen der ersten und einer zweiten Produktversion wird eine Vielzahl von pro- duktversionsspezifischen Trainingsdatensätzen eingelesen. Die Trainingsdatensätze umfassen jeweils einen eine Designvarian- te einer jeweiligen Produktversion spezifizierenden Designda- tensatz sowie einen eine Performanz dieser Designvariante quantifizierenden Performanzwert. Die Designdatensätze werden in ein produktversionsübergreifendes Maschinenlernmodul ein- gespeist. Ein Ausgabesignal des produktversionsübergreifenden Maschinenlernmoduls wird sowohl in ein erstes als auch in ein zweites produktversionsspezifisches Maschinenlernmodul einge- speist. Erfindungsgemäß werden die Maschinenlernmodule ge- meinsam darauf trainiert, dass Ausgabedaten des ersten Ma- schinenlernmoduls die Performanzwerte der ersten Produktver- sion und Ausgabedaten des zweiten Maschinenlernmoduls die Performanzwerte der zweiten Produktversion reproduzieren. Da- raufhin wird eine Vielzahl von synthetischen Designdatensät- zen generiert und in das trainierte produktversionsübergrei- fende Maschinenlernmodul eingespeist. Das resultierende Aus- gabesignal des trainierten produktversionsübergreifenden Ma- schinenlernmoduls wird in das trainierte erste Maschinenlern- modul eingespeist. Abhängig von resultierenden Ausgabedaten des trainierten ersten Maschinenlernmoduls wird ein perfor- manzoptimierter Designdatensatz aus den synthetischen Design- datensätzen abgeleitet und zu Herstellung der ersten Produkt- version ausgegeben. Zum Ausführen des erfindungsgemäßen Verfahrens sind ein Sys- tem zum Steuern eines Produktionssystems, ein Computerpro- grammprodukt sowie ein computerlesbares, vorzugsweise nicht- flüchtiges Speichermedium vorgesehen. Das erfindungsgemäße Verfahren sowie das erfindungsgemäße System können beispielsweise mittels eines oder mehrerer Com- puter, Prozessoren, anwendungsspezifischer integrierter Schaltungen (ASIC), digitaler Signalprozessoren (DSP) und/oder sogenannter „Field Programmable Gate Arrays“ (FPGA) ausgeführt bzw. implementiert werden. Die Erfindung erlaubt es, Daten von Optimierungen und Trai- nings, die für andere, insbesondere frühere Produktversionen durchgeführt wurden, zur Prädiktion der Performanz einer ak- tuell herzustellenden, ersten Produktversion sowie zu deren Optimierung zu nutzen. Eine solche Nutzung früherer Optimie- rungs- oder Trainingsergebnisse zum maschinellen Training für eine neue Anwendung wird häufig auch als Transfer-Learning bezeichnet. Mittels des produktversionsübergreifenden Maschinenlernmoduls können verschiedenen Produktversionen gemeinsame Wirkungszu- sammenhänge zwischen Design und Performanz in vielen Fällen sehr effizient gelernt werden. Dabei können Trainingsdaten von früheren Produktversionen oft in sehr vorteilhafter Weise genutzt werden. Demgegenüber können Unterschiede zwischen den Produktversionen durch die produktversionsspezifischen Ma- schinenlernmodule berücksichtigt werden. Auf diese Weise kann eine Trainingseffizienz, insbesondere bei ähnlichen Produktversionen oft erheblich gesteigert wer- den. In vielen Fällen werden weniger Trainingsdaten für die neu herzustellende, erste Produktversion benötigt. Darüber hinaus kann häufig eine Optimierungsgeschwindigkeit und/oder eine Prädiktionsgenauigkeit gesteigert werden. Vorteilhafte Ausführungsformen und Weiterbildungen der Erfin- dung sind in den abhängigen Ansprüchen angegeben. Gemäß einer vorteilhaften Ausführungsform der Erfindung kann für eine Vielzahl von Designdatensätzen jeweils ein Perfor- manzwert für die durch den jeweiligen Designdatensatz spezi- fizierte Designvariante simulativ ermittelt werden. Ein je- weiliger Designdatensatz kann dann zusammen mit dem jeweils prädizierten Performanzwert als Trainingsdatensatz verwendet werden. Zur simulativen Ermittlung von Performanzwerten sind eine Vielzahl von effizienten Simulationsverfahren, insbeson- dere zur mechanischen, elektrischen und/oder thermischen Si- mulation von Produkten oder deren Komponenten verfügbar. Nach einer weiteren vorteilhaften Ausführungsform der Erfin- dung können durch die erste Produktversion zu erfüllende, erste Produktvorgaben sowie durch die zweite Produktversion zu erfüllende, zweite Produktvorgaben eingelesen werden. Beim gemeinsamen Training der Maschinenlernmodule können die ers- ten Produktvorgaben in das erste Maschinenlernmodul und die zweiten Produktvorgaben in das zweite Maschinenlernmodul ein- gespeist werden. Entsprechend können dann bei der Einspeisung des resultierenden Ausgabesignals in das trainierte erste Ma- schinenlernmodul auch die ersten Produktvorgaben in das trai- nierte erste Maschinenlernmodul eingespeist werden. Auf diese Weise können Korrelationen zwischen Produktvorgaben, Design- datensätzen und/oder Performanzwerten durch das Training mo- delliert bzw. gelernt und zur Prädiktion der Performanz ge- nutzt werden. Weiterhin können die produktversionsspezifischen Maschinen- lernmodule jeweils ein lineares Regressionsmodell und das produktversionsübergreifende Maschinenlernmodul einen Gauß- prozess implementieren. Auf diese Weise können lineare Korre- lationen zwischen Performanzwerten verschiedener Produktver- sionen effizient gelernt werden. Insofern lineare Zusammen- hänge in der Regel durch verhältnismäßig wenige Parameter mo- dellierbar sind, werden zum Training in vielen Fällen nur verhältnismäßig wenige Trainingsdaten benötigt. Alternativ oder zusätzlich können die Maschinenlernmodule je- weils ein neuronales Netz umfassen. Dabei kann das produkt- versionsübergreifende Maschinenlernmodul insbesondere mittels eines mehrlagigen Perzeptrons implementiert sein. Die pro- duktversionsspezifischen Maschinenlernmodule können jeweils eine oder mehrere neuronale Schichten umfassen. Durch die neuronalen Schichten können auch nichtlineare Korrelationen zwischen Performanzwerten verschiedener Produktversionen ef- fizient gelernt werden. Nach einer vorteilhaften Weiterbildung der Erfindung können mehrere Sätze von Maschinenlernmodulen mit jeweils einem pro- duktversionsübergreifenden Maschinenlernmodul sowie mindes- tens zwei produktversionsspezifischen Maschinenlernmodulen bereitgestellt werden. Weiterhin kann eine Anzahl oder Menge verfügbarer Trainingsdatensätze ermittelt werden. Abhängig von der ermittelten Anzahl oder Menge kann dann einer der Sätze zur Ausführung des Trainings sowie zur Ableitung des performanzoptimierten Designdatensatzes selektiert werden. Auf diese Weise kann je nach Anzahl oder Menge verfügbarer Trainingsdaten gezielt ein für diese Anzahl oder Menge beson- ders geeigneter Satz von Maschinenlernmodulen ausgewählt wer- den. So zum Beispiel ein oder mehrere lineare Regressionsmo- delle für den Fall, dass nur verhältnismäßig wenige Trai- ningsdaten vorliegen. Darüber hinaus kann geprüft werden, ob für die erste und für die zweite Produktversion jeweils Produktvorgaben vorliegen. Dabei kann insbesondere auch geprüft werden, ob die Produkt- vorgaben beiden Produktversionen gemeinsame Produktparameter betreffen. Bei einem positiven Prüfungsergebnis kann ein Satz von Maschinenlernmodulen selektiert werden, in dessen pro- duktversionsspezifische Maschinenlernmodule Produktvorgaben einzuspeisen sind. Ein Ausführungsbeispiel der Erfindung wird nachfolgend anhand der Zeichnung näher erläutert. Dabei veranschaulichen jeweils in schematischer Darstellung: Figur 1: ein Designsystem beim Steuern eines Produktionssys- tems zur Herstellung eines Produkts, Figur 2: ein erfindungsgemäßes Designsystem in einer Trai- ningsphase, Figur 3: unterschiedliche Sätze von Maschinenlernmodulen und Figur 4: das erfindungsgemäße Designsystem in einer Anwen- dungsphase. Insofern in den Figuren gleiche oder korrespondierende Be- zugszeichen verwendet werden, bezeichnen diese Bezugszeichen die gleichen oder korrespondierende Entitäten, die insbeson- dere wie im Zusammenhang mit der betreffenden Figur beschrie- ben, implementiert oder ausgestaltet sein können. Figur 1 veranschaulicht ein an ein Produktionssystem PS ge- koppeltes Designsystem DS in schematischer Darstellung. Das Designsystem DS dient zum rechnergestützten Konstruieren ei- ner hinsichtlich einer Performanz optimierten, neuen Version eines Produkts PV1 sowie zum Ansteuern des Produktionssystems PS, um so die Produktversion PV1 herzustellen. Das Produkti- onssystem PS kann hierbei eine Fertigungsanlage, einen Robo- ter, eine Werkzeugmaschine und/oder andere Geräte zur Her- stellung oder Bearbeitung des Produkts PV1 oder einer Kompo- nente davon anhand von Designdaten umfassen. Das herzustel- lende Produkt PV1 kann insbesondere ein Motor, ein Roboter, eine Werkzeugmaschine, eine Turbinenschaufel, eine Windturbi- ne, eine Gasturbine, ein Kraftfahrzeug oder eine andere Ma- schine, eine andere technische Struktur oder eine Komponente dieser Produkte sein. Ein jeweiliges Design oder eine jeweilige Designvariante der herzustellenden Produktversion PV1 wird durch Designdaten in Form eines jeweiligen Designdatensatzes spezifiziert. Ein derartiger Designdatensatz kann insbesondere eine Geometrie, eine Struktur, eine Eigenschaft, einen Produktionsschritt, ein Material und/oder eine Komponente der Produktversion PV1 spezifizieren. Erfindungsgemäß soll das Designsystem DS dazu befähigt wer- den, einen realistischen und hinsichtlich einer Performanz der Produktversion PV1 optimierten Designdatensatz ODR weit- gehend automatisch zu erzeugen. Unter einem Optimieren sei in dieser Anmeldung auch eine Annäherung an ein Optimum verstan- den. Die Performanz kann dabei insbesondere eine Leistung, einen Ertrag, eine Geschwindigkeit, ein Gewicht, eine Lauf- zeit, eine Präzision, eine Fehlerrate, einen Ressourcenver- brauch, eine Schwingungsneigung, eine Temperaturfestigkeit, eine Steifigkeit, eine Materialermüdung, einen Wirkungsgrad, eine Effizienz, einen Schadstoffausstoß, eine Stabilität, ei- nen Verschleiß, eine Lebensdauer, eine physikalische Eigen- schaft, eine mechanische Eigenschaft, eine elektrische Eigen- schaft, eine einzuhaltende Nebenbedingung oder andere Ziel- größen des Produkts PV1 betreffen. Zu dem vorgenannten Zweck wird das Designsystem DS anhand von verfügbaren Designdatensätzen für die herzustellende erste Produktversion PV1 und zusätzlich anhand von verfügbaren De- signdatensätzen für mindestens eine weitere Produktversion mit Verfahren des maschinellen Lernens – wie unten näher er- läutert – trainiert. Als Ergebnis der Optimierung generiert das Designsystem DS einen performanzoptimierten Designdatensatz ODR und übermit- telt diesen zum Produktionssystem PS. Anhand des perfor- manzoptimierten Designdatensatzes ODR wird das Produktions- system PS dazu veranlasst, eine performanzoptimierte neue Produktversion PV1 gemäß dem performanzoptimierten Designda- tensatz ODR herzustellen. Figur 2 veranschaulicht ein erfindungsgemäßes Designsystem DS in einer Trainingsphase. Das Designsystem DS verfügt über ei- nen oder mehrere Prozessoren PROC zur Ausführung des erfin- dungsgemäßen Verfahrens sowie über einen oder mehrere Spei- cher MEM zum Speichern von zu verarbeitenden Daten. Zum Training des Designsystems DS werden eine Vielzahl von Trainingsdatensätzen für die aktuell herzustellende, erste Produktversion PV1 sowie zusätzlich eine Vielzahl von Trai- ningsdatensätzen für mindestens eine weitere Produktversion eingelesen oder generiert. Die mindestens eine weitere Pro- duktversion kann insbesondere eine frühere Version des herzu- stellenden Produkts sein, für die bereits Performanzdaten oder weitere Erfahrungswerte vorliegen. Aus Übersichtlich- keitsgründen sind in den Figuren nur Daten und Verarbeitungs- schritte für zwei Produktversionen explizit dargestellt und beschrieben. Die für die erste Produktversion PV1 spezifischen Trainings- datensätze umfassen jeweils einen eine Designvariante der ersten Produktversion PV1 spezifizierenden Designdatensatz DR1 sowie einen die Performanz dieser Designvariante quanti- fizierenden Performanzwert P1. Entsprechend umfassen die für eine zweite Produktversion spezifischen Trainingsdatensätze jeweils einen eine Designvariante der zweiten Produktversion spezifizierenden Designdatensatz DR2 sowie einen die Perfor- manz dieser Designvariante quantifizierenden Performanzwert P2. Darüber hinaus werden für die erste Produktversion PV1 noch erste Produktvorgaben E1 eingelesen, die von dieser Produkt- version PV1 zu erfüllen sind, sowie zweite Produktvorgaben E2, die von der zweiten Produktversion zu erfüllen sind. Die produktversionsspezifischen Produktvorgaben E1 und E2 sind fest vorgegeben und sind, anders als die Designdatensätze, nicht zu optimieren. Durch die Produktvorgaben E1 und E2 kön- nen beispielsweise ein Produkttyp, eine Produktgeometrie, Ab- messungen des Produkts, eine Produktumgebung, eine Be- triebsumgebung, Betriebsvorgaben, Randbedingungen, Nebenbe- dingungen, ein Aufstellungsort, ein Umgebungstemperaturbe- reich und/oder andere Umgebungsdaten spezifiziert werden. Für das vorliegende Ausführungsbeispiel sei angenommen, dass die Vielzahl von Designdatensätzen DR1 sowie die Produktvor- gaben E1 der ersten Produktversion PV1 sowie die Vielzahl der Designdatensätze DR2 mit den zugehörigen Performanzwerten P2 sowie mit den Produktvorgaben E2 durch das Designsystem DS aus einer Datenbank DB eingelesen werden. Die Datenbank DB umfasst eine Vielzahl von hinsichtlich der Performanz bewerteten Trainingsdatensätzen, insbesondere auch für frühere zweite Produktversionen. Die Performanzwerte P2 können dabei insbesondere aus Messungen an früheren Produkt- versionen oder aus Simulationen dieser früheren Produktversi- onen stammen. Es sei weiterhin angenommen, dass für die durch die Designda- tensätze DR1 spezifizierten Designvarianten der ersten Pro- duktversion PV1 noch keine Performanzangaben vorliegen. Aus diesem Grund werden die Designdatensätze DR1 sowie die Pro- duktvorgaben E1 einem Simulator SIM des Designsystems DS zu- geführt. Der Simulator SIM dient zur Simulation von durch die zugeführten Designdatensätze, hier DR1, spezifizierten De- signvarianten sowie zur simulativen Ermittlung der jeweiligen Performanz, hier P1, einer jeweiligen Designvariante der ers- ten Produktversion PV1. Zur Durchführung derartiger Simulati- onen stehen eine Vielzahl von bekannten Simulationsverfahren oder Simulatoren zur mechanischen, elektrischen oder thermi- schen Simulation zur Verfügung. Die Designdatensätze DR1 werden zusammen mit den zugehörigen simulativ ermittelten Performanzwerten P1 sowie mit den Pro- duktvorgaben E1 vom Simulator SIM zu einem Selektionsmodul SEL des Designsystems DS übermittelt. Ebenso werden die De- signdatensätze DR2 mit den zugehörigen Performanzwerten P2 sowie den Produktvorgaben E2 in das Selektionsmodul SEL ein- gespeist. An das Selektionsmodul SEL sind mehrere Sätze SL1, SL2 und SL3 von Maschinenlernmodulen angekoppelt oder zumindest durch das Selektionsmodul SEL adressierbar. Das Selektionsmodul SEL dient dem Zweck, abhängig von einem Vorliegen von Produktvor- gaben, hier E1, E2, sowie abhängig von einer Menge oder An- zahl von verfügbaren Trainingsdatensätzen einen der Sätze SL1, SL2 oder SL3 zu selektieren. Zu diesem Zweck wird durch die Selektionseinrichtung SEL die Anzahl oder Menge der Trai- ningsdatensätze ermittelt. Insbesondere kann dabei eine An- zahl oder Menge von Trainingsdatensätzen mit hohen Perfor- manzwerten ermittelt werden, insofern derartige Trainingsda- tensätze für eine Bewertung hochperformanter Designvarianten besonders relevant sind. Darüber hinaus wird durch das Selek- tionsmodul SEL geprüft, ob Produktvorgaben, hier E1, E2, für beide Produktversionen vorliegen und beiden Produktversionen gemeinsame Produktparameter betreffen. Die unterschiedlichen Sätze SL1, SL2 und SL3 von Maschinen- lernmodulen sind in Figur 3 schematisch dargestellt. Der Satz SL1 umfasst hierbei ein produktversionsübergreifendes Maschi- nenlernmodul LG_1 sowie produktversionsspezifische Maschinen- lernmodule L1_1 und L2_1. Entsprechend umfasst der Satz SL2 ein produktversionsübergreifendes Maschinenlernmodul LG_2 so- wie produktversionsspezifische Maschinenlernmodule L1_2 und L2_2. Weiterhin umfasst der Satz SL3 ein produktversionsüber- greifendes Maschinenlernmodul LG_3 sowie produktversionsspe- zifische Maschinenlernmodule L1_3 und L2_3. Die produktversi- onsspezifischen Maschinenlernmodule L1_1, L1_2 und L1_3 sind dabei der ersten Produktversion PV1 zugeordnet, während die produktversionsspezifischen Maschinenlernmodule L2_1, L2_2 und L2_3 der zweiten Produktversion zugeordnet sind. Ein jeweiliger Satz SL1, SL2 bzw. SL3 soll im Falle seiner Selektion darauf trainiert werden, anhand von eingespeisten Designdatensätzen eine Performanz einer hierdurch spezifi- zierten ersten Produktversion PV1 sowie eine Performanz einer hierdurch spezifizierten zweiten Produktversion zu prädizie- ren. Zu diesem Zweck werden dem betreffenden Satz SL1, SL2 bzw. SL3 jeweils die Designdatensätze DR1 und DR2 als Eingabedaten zugeführt. Aus den Eingabedaten DR1 und DR2 werden durch den betreffenden Satz SL1, SL2 bzw. SL3 Ausgabendaten O1 und O2 abgeleitet und ausgegeben. Im vorliegenden Ausführungsbei- spiel werden dem Satz SL3 zusätzlich die Produktvorgaben E1 und E2 als Eingabedaten zugeführt. Durch die Ausgabedaten O1 und O2 soll jeweils ein tatsächli- cher Performanzwert einer durch die Designdatensätze DR1 bzw. DR2 spezifizierten Designvariante möglichst gut reproduziert werden. Unter einem Training sei allgemein eine Optimierung einer Ab- bildung von Eingabedaten, hier DR1, DR2 und ggf. E1 und E2, auf Ausgabedaten, hier O1 und O2, verstanden. Diese Abbildung wird nach vorgegebenen Kriterien während einer Trainingsphase optimiert. Als Kriterien können hierbei zum Beispiel bei Prä- diktionsmodellen ein Prädiktionsfehler oder Reproduktionsfeh- ler, bei Klassifikationsmodellen ein Klassifikationsfehler und/oder bei Steuermodellen eine Abweichung von einer opti- mierten Steueraktion herangezogen werden. Durch das Training können beispielsweise Modellparameter, Verfahrensparameter, Vernetzungsstrukturen von Neuronen eines neuronalen Netzes und/oder Gewichte von Verbindungen zwischen den Neuronen so eingestellt bzw. optimiert werden, dass die Kriterien mög- lichst gut erfüllt werden. Das Training kann somit als Opti- mierungsproblem aufgefasst werden. Für derartige Optimie- rungsprobleme steht eine Vielzahl von effizienten Optimie- rungsverfahren zur Verfügung. Insbesondere können genetische Optimierungsverfahren, Gradientenabstiegsverfahren, Rück- propragationsverfahren und/oder Partikelschwarmoptimierungen verwendet werden. Im vorliegenden Fall soll für das Training ausgenutzt werden, dass ähnliche Produktversionen ähnliche Wirkungszusammenhänge oder Korrelationen zwischen Designdatensätzen und Performanz- werten aufweisen. Durch ein Training eines gemeinsamen Ma- schinenlernmoduls für unterschiedliche, aber ähnliche Pro- duktversionen können gemeinsame Wirkungszusammenhänge oder Korrelationen in der Regel sehr effizient gelernt werden. Darüber hinaus können Wirkungszusammenhänge oder Korrelatio- nen, die sich bei verschiedenen Produktversionen unterschei- den, durch produktversionsspezifische Maschinenlernmodule ef- fizient abgebildet werden. Auf diese Weise kann ein effizien- tes, sogenanntes Transfer-Learning implementiert werden, bei dem Trainingsergebnisse oder Trainingsdaten früherer Produkt- versionen in vorteilhafter Weise für eine aktuell herzustel- lende Produktversion, hier PV1, verwendet werden. Die unterschiedlichen Sätze SL1, SL2 und SL3 von Maschinen- lernmodulen erlauben es, je nach Menge von verfügbaren Trai- ningsdaten oder Produktvorgaben, denjenigen der Sätze SL1, SL2 oder SL3 zu selektieren, der für die jeweiligen Trai- ningsumstände besonders geeignet ist. Im Folgenden werden die in Figur 3 beispielhaft dargestellten Sätze SL1, SL2 und SL3 näher beschrieben. In Satz SL1 implementiert das beiden Produktversionen gemein- same, produktversionsübergreifende Maschinenlernmodul LG_1 vorzugsweisen einen Gaußprozess und/oder ein Bayes-Modell, während die produktversionsspezifischen Maschinenlernmodule L1_1 und L2_1 jeweils ein lineares Regressionsmodell imple- mentieren. In das gemeinsame Maschinenlernmodul LG_1 werden die Designdatensätze DR1 und DR2 als Eingabedaten einge- speist. Ein aus den Eingabedaten DR1, DR2 abgeleitetes Ausga- besignal OS des gemeinsamen Maschinenlernmoduls LG_1 wird so- wohl in das Maschinenlernmodul L1_1 als auch in das Maschi- nenlernmodul L2_1 eingespeist. Aus dem Ausgabesignal OS wer- den durch das Maschinenlernmodul L1_1 die Ausgabedaten O1 und durch das Maschinenlernmodul L2_1 die Ausgabedaten O2 abge- leitet und ausgegeben. Ein solcher Satz von Maschinenlernmo- dulen wird häufig auch als Coregionalization-Model bezeich- net. Durch die linearen Regressionsmodelle L1_1 und L2_1 können lineare Zusammenhänge zwischen den Performanzwerten verschie- dener Produktversionen sehr effizient gelernt werden. Derar- tige lineare Regressionsmodelle können zudem durch verhält- nismäßig wenige Parameter modelliert werden, zu deren Opti- mierung in vielen Fällen bereits eine verhältnismäßig geringe Menge an Trainingsdaten ausreicht. Mithin wird der Satz SL1 im vorliegenden Ausführungsbeispiel durch das Selektionsmodul SEL dann selektiert, wenn die verfügbare Trainingsdatenmenge verhältnismäßig gering ist und beispielsweise einen vorgege- benen Schwellenwert unterschreitet. Der Satz SL2 umfasst im vorliegenden Ausführungsbeispiel ein künstliches neuronales Netz, insbesondere ein mehrlagiges Perzeptron als den Produktversionen gemeinsames Maschinen- lernmodul LG_2. Die produktversionsspezifischen Maschinen- lernmodule L1_2 und L2_2 sind jeweils als künstliches neuro- nales Netz aus einer oder mehreren Schichten ausgebildet. Die Schichten können hierbei linear oder nichtlinear wirken. In das gemeinsame Maschinenlernmodul LG_2 werden die Designda- tensätze DR1 und DR2 als Eingabedaten eingespeist. Das ge- meinsame Maschinenlernmodul LG_2 leitet daraus ein Ausgabe- signal OS ab, das sowohl in das Maschinenlernmodul L1_2 als auch in das Maschinenlernmodul L2_2 eingespeist wird. Aus dem Ausgabesignal OS werden durch das Maschinenlernmodul L1_2 Ausgabedaten O1 und durch das Maschinenlernmodul L2_2 Ausga- bedaten O2 abgeleitet und ausgegeben. Anders als beim Satz SL1 kann durch die produktversionsspezi- fischen Maschinenlernmodule L1_2 und L2_2 auch ein nichtline- arer Zusammenhang zwischen der Performanz verschiedener Pro- duktversionen gut modelliert bzw. reproduziert werden. Die hierdurch erreichte größere Flexibilität erfordert aber in der Regel mehr Modellierungsparameter als im linearen Fall. Der Satz SL2 wird durch das Selektionsmodell SEL somit vor- zugsweise dann selektiert, wenn eine größere Menge an Trai- ningsdaten verfügbar ist bzw. diese Menge einen vorgegebenen Schwellenwert überschreitet. Der Satz SL3 umfasst im vorliegenden Ausführungsbeispiel das beiden Produktversionen gemeinsame Maschinenlernmodul LG_3 sowie die produktversionsspezifischen Maschinenlernmodule L1_3 und L2_3. Die Maschinenlernmodule LG_3, L1_3 oder L2_3 können jeweils mittels eines künstlichen neuronalen Netzes und/oder mittels eines Gaußprozesses implementiert werden. Anders als die Sätze SL1 und SL2 kann der Satz SL3 auch pro- duktversionsspezifische Produktvorgaben, hier E1 und E2, ex- plizit verarbeiten und hinsichtlich ihrer Korrelation mit De- signdatensätzen und/oder Performanzwerten modellieren. Die Designdatensätze DR1 und DR2 werden in das gemeinsame Ma- schinenlernmodul LG_3 als Eingabedaten eingespeist, das dar- aus ein Ausgabesignal OS ableitet und dieses in beide Maschi- nenlernmodule L1_3 und L2_3 einspeist. Weiterhin werden die Produktvorgaben E1 als zusätzliche Eingabedaten in das Ma- schinenlernmodul L1_3 und die Produktvorgaben E2 als zusätz- liche Eingabedaten in das Maschinenlernmodul L2_3 einge- speist. Aus dem Ausgabesignal OS sowie den Produktvorgaben E1 werden durch das Maschinenlernmodul L1_3 Ausgabedaten O1 ab- geleitet und ausgegeben. Entsprechend werden aus dem Ausgabe- signal OS und den Produktvorgaben E2 durch das Maschinenlern- modul L2_3 Ausgabedaten O2 abgeleitet und ausgegeben. Auf- grund der zusätzlichen Berücksichtigung der produktversions- spezifischen Produktvorgaben E1 und E2 durch die produktver- sionsspezifischen Maschinenlernmodule L1_3 und L2_3 können Korrelationen zwischen Produktvorgaben, Designdatensätzen und Performanzwerten in vielen Fällen erkannt und gelernt werden. Aufgrund der zusätzlichen Differenzierungsmöglichkeiten durch die Produktvorgaben E1 und E2 sind jedoch für ein effizientes Training in der Regel mehr Trainingsdaten als beim Training der anderen Sätze SL1 und SL2 erforderlich. Der Satz SL3 wird dementsprechend vorzugsweise dann durch das Selektionsmodul SEL selektiert, wenn produktversionsspezifische Produktvorga- ben, hier E1 und E2, vorliegen und eine Menge an Trainingsda- ten einen vorgegebenen Schwellenwert überschreitet. Anstelle oder neben den Sätzen SL1, SL2 und SL3 können einer oder mehrere andere Sätze von Maschinenlernmodulen vorgesehen sein, die in analoger Weise betrieben werden. Zudem kann ein jeweiliger Satz oder ein jeweiliges Maschinenlernmodul auch ein bayessches neuronales Netz, ein rekurrentes neuronales Netz, ein faltendes neuronales Netz, einen Autoencoder, eine Deep Learning-Architektur, eine Support-Vector-Machine, einen k-nächste-Nachbarn-Klassifikator und/oder einen Entschei- dungsbaum umfassen. Für das vorliegende Ausführungsbeispiel sei angenommen, dass eine große Vielzahl von Trainingsdaten verfügbar ist und mit- hin eine vom Selektionsmodul SEL ermittelte Anzahl von Trai- ningsdatensätzen einen für den Satz SL3 vorgesehenen Schwel- lenwert überschreitet. Insofern durch das Selektionsmodul SEL auch festgestellt wird, dass Produktvorgaben E1 und E2 für beide Produktversionen vorliegen und gemeinsame Produktpara- meter betreffen, wird – wie Figur 2 weiter veranschaulicht – der Satz SL3 durch das Selektionsmodul SEL selektiert. Dem- entsprechend werden die Designdatensätze DR1 mit den Produkt- vorgaben E1 und die Designdatensätze DR2 mit den Produktvor- gaben E2 durch das Selektionsmodul SEL gezielt in den selek- tierten Satz SL3 als Eingabedaten weitergeleitet. Aus den Eingabedaten DR1, E1, DR2 und E2 werden durch den Satz SL3, wie oben beschrieben, die Ausgabedaten O1 und O2 abgeleitet und ausgegeben. Die Ausgabedaten O1 werden daraufhin mit den Performanzwerten P1 und die Ausgabedaten O2 mit den Performanzwerten P2 ver- glichen und eine Abweichung D ermittelt. Dabei können insbe- sondere euklidische Abstände |O1-P1| und |O2-P2| zwischen den Ausgabedaten O1 und den Performanzwerten P1 sowie zwischen den Ausgabedaten O2 und den Performanzwerten P2 berechnet werden. Die Abweichung D kann damit beispielsweise als Summe dieser Abstände gemäß D = |O1–P1| + |O2–P2|, als gewichtete Summe oder als eine andere Kombination von Einzelabweichungen ermittelt werden. Die Abweichung D wird, wie in Figur 2 durch einen strichlier- ten Pfeil angedeutet, zum Satz SL3 zurückgeführt. Anhand der zurückgeführten Abweichung D werden die im Satz SL3 enthalte- nen Maschinenlernmodule LG_3, L1_3 und L2_3 gemeinsam darauf trainiert, die Abweichung D zu minimieren. Zur Durchführung einer solchen Minimierung ist eine Vielzahl von effizienten numerischen Verfahren verfügbar, wie zum Beispiel Gradienten- abstiegsverfahren, Rückpropagationsverfahren, Partikel- schwarmoptimierungen und/oder genetische Optimierungsverfah- ren. Durch die Minimierung der Abweichung D werden die Maschinen- lernmodule LG_3, L1_3 und L2_3 des Satzes SL3 darauf trai- niert, zu vorgegebenen Designdatensätzen DR1 bzw. DR2 und Produktvorgaben E1 bzw. E2 durch ihre Ausgabedaten O1 bzw. O2 die zugehörigen Performanzwerte P1 bzw. P2 für Designvarian- ten beider Produktversionen zu prädizieren. Durch das produktversionsübergreifende Maschinenlernmodul LG_3 können Gemeinsamkeiten verschiedener Produktversionen effizient gelernt werden. Demgegenüber können Unterschiede zwischen den Produktversionen durch die produktversionsspezi- fischen Maschinenlernmodule L1_3 und L2_3 abgebildet werden. Falls anstelle des Satzes SL3 einer der anderen Sätze SL1 oder SL2 durch das Selektionsmodul SEL selektiert wird, kann das Training offensichtlich in analoger Weise ausgeführt wer- den. Figur 4 veranschaulicht das trainierte Designsystem DS bei einer Generierung eines performanzoptimierten Designdatensat- zes ODR. Zu diesem Zweck wird durch einen Generator GEN des Designsystems DS eine Vielzahl von synthetischen Designdaten- sätze DR1 generiert, die jeweils eine Designvariante der her- zustellenden, ersten Produktversion PV1 spezifizieren. Die Generierung erfolgt zumindest teilweise zufallsinduziert. Die synthetischen Designdatensätze DR1 werden vom Generator GEN in das Selektionsmodul SEL eingespeist. Darüber hinaus werden dem Selektionsmodul SEL auch die Produktvorgaben E1 für die erste Produktversion PV1 zugeführt. Das Selektionsmo- dul SEL speist dann die synthetischen Designdatensätze DR1 sowie die Produktvorgaben E1 gezielt in den selektierten und trainierten Satz SL3 ein. Die synthetischen Designdatensätze DR1 werden dabei dem gemeinsamen Maschinenlernmodul LG_3 als Eingabedaten zugeführt. Das hieraus resultierende Ausgabesig- nal OS des gemeinsamen Maschinenlernmoduls LG_3 sowie die Produktvorgaben E1 werden dann in das für die herzustellende, erste Produktversion PV1 spezifische Maschinenlernmodul L1_3 als Eingabedaten eingespeist. Die hieraus durch das Maschi- nenlernmodul L1_3 abgeleiteten Ausgabedaten O1 werden ausge- geben und in ein Optimierungsmodul OPT des Designsystems DS eingespeist. Dem Optimierungsmodul OTP werden darüber hinaus auch die synthetischen Designdatensätze DR1 zugeführt. Das Optimierungsmodul OPT leitet abhängig von den zugeführten Ausgabedaten O1, d.h. von den prädizierten Performanzwerten, einen performanzoptimierten Designdatensatz ODR aus den syn- thetischen Designdatensätzen DR1 ab. So kann beispielsweise derjenige synthetische Designdatensatz als performanzopti- mierter Designdatensatz ODR ausgewählt werden, für den der höchste Performanzwert O1 prädiziert wird. Alternativ kann der performanzoptimierte Designdatensatz ODR aus mehreren synthetischen Designdatensätzen mit den höchsten oder mit be- sonderes hohen prädizierten Performanzwerten O1 interpoliert werden. Der aus den synthetischen Designdatensätzen DR1 abgeleitete performanzoptimierte Designdatensatz ODR wird anschließend ausgegeben, um das Produktionssystem PS, wie im Zusammenhang mit Figur 1 beschrieben, zur Herstellung der optimierten Pro- duktversion PV1 anzusteuern. Description Method and system for controlling a production system Computer-aided design systems are increasingly being used to manufacture complex technical products such as robots, motors, turbines, turbine blades, internal combustion engines, tools, motor vehicles or their components. Such design systems usually generate design data which specify a product to be manufactured in detail and with the aid of which production systems for manufacturing the specified product can be controlled. In order to improve desired product properties, which are often expressed through performance, in many cases the aim is to automatically optimize the design data for the product. Such a performance can in particular be an output, a yield, a speed, a weight, a running time, a precision, an error rate, a consumption of resources, an efficiency, an emission of pollutants, a stability, a wear , a service life, a physical property, a mechanical property, an electrical property, a constraint to be met or other target values of the product. To optimize the performance of a product to be manufactured, multidimensional optimization methods, so-called MDO methods (MDO: Multi Dimensional Optimization) are often used. As a rule, these MDO methods simulate a large number of design variants of the product specified by design data and specifically select those that optimize a simulated performance. However, such simulations often require a considerable computational effort, especially since a large number of design variants often have to be evaluated. To reduce Due to the required computational effort, so-called surrogate models are often used, which are trained, in particular by methods of machine learning, to predict relevant simulation results without detailed simulation. However, such surrogate models often have a low or a fluctuating accuracy up. It is the object of the present invention to specify a method and a system for controlling a production system which allow more efficient design optimization. This object is achieved by a method having the features of patent claim 1, by a system having the features of patent claim 10, by a computer program product having the features of patent claim 11 and by a computer-readable storage medium having the features of patent claim 12 A large number of product-version-specific training data sets are read in to control a production system for producing a first product version using design data sets of the first and a second product version. The training data sets each include a design data set specifying a design variant of a respective product version and a performance value quantifying a performance of this design variant. The design data sets are fed into a cross-product version machine learning module. An output signal of the cross-product version machine learning module is fed into both a first and a second product version-specific machine learning module. According to the invention, the machine learning modules are trained together so that output data from the first machine learning module reproduces the performance values of the first product version and output data from the second machine learning module reproduces the performance values of the second product version. A large number of synthetic design data sets are then generated and fed into the trained cross-product version machine learning module. The resulting The output signal of the trained cross-product machine learning module is fed into the trained first machine learning module. Depending on the resulting output data of the trained first machine learning module, a performance-optimized design data set is derived from the synthetic design data sets and output for producing the first product version. A system for controlling a production system, a computer program product and a computer-readable, preferably non-volatile, storage medium are provided for executing the method according to the invention. The method according to the invention and the system according to the invention can be carried out or implemented, for example, using one or more computers, processors, application-specific integrated circuits (ASIC), digital signal processors (DSP) and/or so-called “Field Programmable Gate Arrays” (FPGA). The invention makes it possible to use data from optimizations and training courses that were carried out for other, in particular earlier, product versions to predict the performance of a first product version currently to be produced and to optimize it. Such use of earlier optimization or training results for machine training for a new application is often referred to as transfer learning. Using the cross-product version machine learning module, common causal relationships between design and performance of different product versions can be learned very efficiently in many cases. Training data from earlier product versions can often be used to great advantage. On the other hand, differences between the product versions can be taken into account by the product version-specific machine learning modules. In this way, training efficiency can often be significantly increased, especially with similar product versions. In many cases, less training data is required for the new, first product version to be produced. In addition, an optimization speed and/or a prediction accuracy can often be increased. Advantageous embodiments and developments of the invention are specified in the dependent claims. According to an advantageous embodiment of the invention, a performance value for the design variant specified by the respective design data set can be determined in a simulation for a large number of design data sets. A respective design data set can then be used together with the respective predicted performance value as a training data set. A large number of efficient simulation methods are available for the simulative determination of performance values, in particular for the mechanical, electrical and/or thermal simulation of products or their components. According to a further advantageous embodiment of the invention, first product specifications to be fulfilled by the first product version and second product specifications to be fulfilled by the second product version can be read in. When training the machine learning modules together, the first product specifications can be fed into the first machine learning module and the second product specifications can be fed into the second machine learning module. Correspondingly, when the resulting output signal is fed into the trained first machine learning module, the first product specifications can then also be fed into the trained first machine learning module. In this way, correlations between product specifications, design data sets and/or performance values can be modeled or learned by the training and used to predict the performance. Furthermore, the product version-specific machine learning modules can each implement a linear regression model and the cross-product version machine learning module can implement a Gaussian process. In this way, linear correlations between performance values of different product versions can be efficiently learned. Insofar as linear relationships can generally be modeled using relatively few parameters, in many cases only relatively few training data are required for training. Alternatively or additionally, the machine learning modules can each include a neural network. In this case, the cross-product version machine learning module can be implemented in particular by means of a multi-layer perceptron. The product version-specific machine learning modules can each comprise one or more neural layers. The neural layers can also be used to efficiently learn nonlinear correlations between performance values of different product versions. According to an advantageous development of the invention, several sets of machine learning modules can be provided, each with a cross-product version machine learning module and at least two product version-specific machine learning modules. Furthermore, a number or quantity of available training data sets can be determined. Depending on the determined number or quantity, one of the sets can then be selected to carry out the training and to derive the performance-optimized design data set. In this way, depending on the number or volume of available training data, a set of machine learning modules that is particularly suitable for this number or volume can be selected in a targeted manner. For example, one or more linear regression models for the case that only relatively little training data is available. In addition, it can be checked whether there are product specifications for the first and for the second product version. In particular, it can also be checked whether the product specifications of both product versions relate to product parameters that are common. If the test result is positive, a set of machine learning modules can be selected into whose product version-specific machine learning modules product specifications are to be fed. An embodiment of the invention is explained in more detail below with reference to the drawing. In each case, in a schematic representation: Figure 1: a design system controlling a production system for the manufacture of a product, Figure 2: a design system according to the invention in a training phase, Figure 3: different sets of machine learning modules and Figure 4: the design system according to the invention in an application phase. Insofar as the same or corresponding reference symbols are used in the figures, these reference symbols designate the same or corresponding entities, which can be implemented or designed in particular as described, implemented or designed in connection with the relevant figure. FIG. 1 shows a schematic representation of a design system DS coupled to a production system PS. The design system DS is used for the computer-aided construction of a new version of a product PV1 that is optimized in terms of performance and for controlling the production system PS in order to produce the product version PV1 in this way. The production system PS can include a manufacturing system, a robot, a machine tool and/or other devices for manufacturing or processing the product PV1 or a component thereof using design data. The manufacture The product PV1 in question can in particular be a motor, a robot, a machine tool, a turbine blade, a wind turbine, a gas turbine, a motor vehicle or another machine, another technical structure or a component of these products. A respective design or a respective design variant of the product version PV1 to be produced is specified by design data in the form of a respective design data record. Such a design data record can in particular specify a geometry, a structure, a property, a production step, a material and/or a component of the product version PV1. According to the invention, the design system DS is to be enabled to largely automatically generate a realistic design data set ODR that is optimized with regard to a performance of the product version PV1. In this application, optimization is also understood to mean an approximation to an optimum. The performance can in particular be an output, a yield, a speed, a weight, a running time, a precision, an error rate, a consumption of resources, a tendency to oscillate, a temperature stability, a rigidity, a material fatigue, an efficiency, an efficiency , pollutant emissions, stability, wear and tear, a service life, a physical property, a mechanical property, an electrical property, a secondary condition that must be complied with or other target variables of the product PV1. For the aforementioned purpose, the design system DS is trained using available design data sets for the first product version PV1 to be produced and additionally using available design data sets for at least one further product version using machine learning methods—as explained in more detail below. As a result of the optimization, the design system DS generates a performance-optimized design data set ODR and transmits this to the production system PS. Using the performance-optimized design data set ODR, the production system PS is prompted to produce a performance-optimized new product version PV1 according to the performance-optimized design data set ODR. FIG. 2 illustrates a design system DS according to the invention in a training phase. The design system DS has one or more processors PROC for executing the method according to the invention and one or more memories MEM for storing data to be processed. In order to train the design system DS, a large number of training data sets for the first product version PV1 currently to be produced and, in addition, a large number of training data sets for at least one further product version are read in or generated. The at least one further product version can in particular be an earlier version of the product to be manufactured for which performance data or further empirical values are already available. For reasons of clarity, only data and processing steps for two product versions are explicitly shown and described in the figures. The training data records specific to the first product version PV1 each include a design data record DR1 specifying a design variant of the first product version PV1 and a performance value P1 quantifying the performance of this design variant. Correspondingly, the training data records specific to a second product version each include a design data record DR2 specifying a design variant of the second product version and a performance value P2 quantifying the performance of this design variant. In addition, for the first product version PV1, first product specifications E1, which this product version PV1 must meet, and second product specifications E2, which the second product version must meet, are also read in. The product version-specific product specifications E1 and E2 are fixed and, unlike the design data sets, cannot be optimized. Product specifications E1 and E2 can, for example, specify a product type, product geometry, dimensions of the product, product environment, operating environment, operating specifications, boundary conditions, ancillary conditions, installation site, ambient temperature range and/or other environmental data be specified. For the present exemplary embodiment, it is assumed that the large number of design data records DR1 and the product specifications E1 of the first product version PV1 and the large number of design data records DR2 with the associated performance values P2 and with the product specifications E2 are read in by the design system DS from a database DB. The database DB includes a large number of training data sets evaluated with regard to performance, in particular also for earlier second product versions. The performance values P2 can come from measurements on earlier product versions or from simulations of these earlier product versions. It is further assumed that no performance information is yet available for the design variants of the first product version PV1 specified by the design data records DR1. For this reason, the design data sets DR1 and the product specifications E1 are supplied to a simulator SIM of the design system DS. The SIM simulator is used to simulate design variants specified by the supplied design data records, here DR1, and to simulate the respective performance, here P1, of a respective design variant of the first product version PV1. A large number of known simulation methods are available for carrying out such simulations or simulators for mechanical, electrical or thermal simulation. The design data records DR1 are transmitted together with the associated performance values P1 determined by simulation and with the product specifications E1 from the simulator SIM to a selection module SEL of the design system DS. Likewise, the design data sets DR2 with the associated performance values P2 and the product specifications E2 are fed into the selection module SEL. Several sets SL1, SL2 and SL3 of machine learning modules are coupled to the selection module SEL or can at least be addressed by the selection module SEL. The selection module SEL serves the purpose of selecting one of the sets SL1, SL2 or SL3 depending on the presence of product specifications, here E1, E2, and depending on a quantity or number of available training data sets. For this purpose, the number or set of training data sets is determined by the selection device SEL. In particular, a number or quantity of training data sets with high performance values can be determined in this case, insofar as such training data sets are particularly relevant for an evaluation of high-performance design variants. In addition, the selection module SEL checks whether product specifications, here E1, E2, are present for both product versions and whether product parameters common to both product versions relate. The different sets SL1, SL2 and SL3 of machine learning modules are shown schematically in FIG. In this case, the set SL1 includes a cross-product version machine learning module LG_1 as well as product version-specific machine learning modules L1_1 and L2_1. Accordingly, the set SL2 includes a cross-product version machine learning module LG_2 as well as product version-specific machine learning modules L1_2 and L2_2. Furthermore, the set SL3 includes a cross-product version machine learning module LG_3 as well as product version-specific machine learning modules L1_3 and L2_3. The product version On-specific machine learning modules L1_1, L1_2 and L1_3 are assigned to the first product version PV1, while the product version-specific machine learning modules L2_1, L2_2 and L2_3 are assigned to the second product version. A respective set SL1, SL2 or SL3 should be trained in the event of its selection to predict a performance of a first product version PV1 specified thereby and a performance of a second product version specified hereby using fed-in design data sets relevant set SL1, SL2 or SL3 respectively supplied the design data sets DR1 and DR2 as input data. Output data O1 and O2 are derived and output from the input data DR1 and DR2 by the relevant record SL1, SL2 or SL3. In the present exemplary embodiment, the product specifications E1 and E2 are also fed to the record SL3 as input data. An actual performance value of a design variant specified by the design data records DR1 or DR2 should be reproduced as well as possible by the output data O1 and O2. Training is generally understood to mean an optimization of a mapping from input data, here DR1, DR2 and possibly E1 and E2, to output data, here O1 and O2. This mapping is optimized according to predetermined criteria during a training phase. A prediction error or reproduction error in the case of prediction models, a classification error in the case of classification models and/or a deviation from an optimized control action in the case of control models can be used as criteria here, for example. Through the training, for example, model parameters, process parameters, network structures of neurons in a neural network and/or weights of connections between the neurons can be set or optimized in such a way that the criteria be fulfilled as well as possible. The training can thus be understood as an optimization problem. A large number of efficient optimization methods are available for such optimization problems. In particular, genetic optimization methods, gradient descent methods, back propagation methods and/or particle swarm optimization can be used. In the present case, the fact that similar product versions have similar causal relationships or correlations between design data sets and performance values should be used for the training. By training a common machine learning module for different but similar product versions, common causal relationships or correlations can usually be learned very efficiently. In addition, cause-and-effect relationships or correlations that differ between different product versions can be efficiently mapped using product version-specific machine learning modules. Efficient, so-called transfer learning can be implemented in this way, in which training results or training data from earlier product versions are advantageously used for a current product version to be produced, here PV1. The different sets SL1, SL2 and SL3 of machine learning modules make it possible, depending on the amount of available training data or product specifications, to select that one of the sets SL1, SL2 or SL3 that is particularly suitable for the respective training circumstances. The sets SL1, SL2 and SL3 shown by way of example in FIG. 3 are described in more detail below. In sentence SL1, the machine learning module LG_1 that is common to both product versions and across product versions preferably implements a Gaussian process and/or a Bayesian model, while the product version-specific machine learning modules L1_1 and L2_1 each implement a linear regression model. to mention The design data sets DR1 and DR2 are fed into the common machine learning module LG_1 as input data. An output signal OS of the common machine learning module LG_1 derived from the input data DR1, DR2 is fed both into the machine learning module L1_1 and into the machine learning module L2_1. The machine learning module L1_1 derives and outputs the output data O1 from the output signal OS and the machine learning module L2_1 derives the output data O2. Such a set of machine learning modules is often also referred to as a coregionalization model. The linear regression models L1_1 and L2_1 can be used to learn linear relationships between the performance values of different product versions very efficiently. Such linear regression models can also be modeled using relatively few parameters, for the optimization of which in many cases a relatively small amount of training data is sufficient. Consequently, in the present exemplary embodiment, the set SL1 is selected by the selection module SEL when the available amount of training data is relatively small and, for example, falls below a predetermined threshold value. In the present exemplary embodiment, the set SL2 comprises an artificial neural network, in particular a multi-layer perceptron as the machine learning module LG_2 common to the product versions. The product version-specific machine learning modules L1_2 and L2_2 are each designed as an artificial neural network made up of one or more layers. The layers can have a linear or non-linear effect. The design data records DR1 and DR2 are fed into the common machine learning module LG_2 as input data. From this, the common machine learning module LG_2 derives an output signal OS, which is fed both into the machine learning module L1_2 and into the machine learning module L2_2. From the output signal OS, the machine learning module L1_2 Output data O1 and output data O2 derived and output by the machine learning module L2_2. In contrast to the SL1 sentence, the product version-specific machine learning modules L1_2 and L2_2 can also be used to model or reproduce a non-linear relationship between the performance of different product versions. However, the greater flexibility achieved in this way usually requires more modeling parameters than in the linear case. The set SL2 is thus preferably selected by the selection model SEL when a larger amount of training data is available or when this amount exceeds a predetermined threshold value. In the present exemplary embodiment, the set SL3 includes the machine learning module LG_3 that is common to both product versions, as well as the product version-specific machine learning modules L1_3 and L2_3. The machine learning modules LG_3, L1_3 or L2_3 can each be implemented using an artificial neural network and/or using a Gaussian process. Unlike records SL1 and SL2, record SL3 can also explicitly process product version-specific product specifications, here E1 and E2, and model them with regard to their correlation with design data records and/or performance values. The design data sets DR1 and DR2 are fed as input data into the common machine learning module LG_3, which derives an output signal OS from them and feeds this into both machine learning modules L1_3 and L2_3. Furthermore, the product specifications E1 are fed into the machine learning module L1_3 as additional input data, and the product specifications E2 are fed into the machine learning module L2_3 as additional input data. The machine learning module L1_3 derives and outputs output data O1 from the output signal OS and the product specifications E1. Correspondingly, the machine learning module L2_3 derives and outputs output data O2 from the output signal OS and the product specifications E2. Due to the additional consideration of the product version specific product specifications E1 and E2 by the product version-specific machine learning modules L1_3 and L2_3, correlations between product specifications, design data sets and performance values can be recognized and learned in many cases. However, due to the additional differentiation options provided by the product specifications E1 and E2, more training data is generally required for efficient training than when training the other sentences SL1 and SL2. Accordingly, the record SL3 is preferably selected by the selection module SEL when product version-specific product specifications, here E1 and E2, are present and a quantity of training data exceeds a specified threshold value. Instead of or in addition to sets SL1, SL2 and SL3, one or more other sets of machine learning modules can be provided, which operate in an analogous manner. In addition, a respective sentence or machine learning module may also include a Bayesian neural network, a recurrent neural network, a convolutional neural network, an autoencoder, a deep learning architecture, a support vector machine, a k-nearest-neighbor classifier, and /or include a decision tree. For the present exemplary embodiment, it is assumed that a large number of training data sets are available and that a number of training data sets determined by the selection module SEL therefore exceeds a threshold value provided for the set SL3. If the selection module SEL also establishes that product specifications E1 and E2 exist for both product versions and relate to common product parameters, the record SL3 is selected by the selection module SEL—as FIG. 2 further illustrates. Accordingly, the design data records DR1 with the product specifications E1 and the design data records DR2 with the product specifications E2 are specifically forwarded by the selection module SEL to the selected record SL3 as input data. From the input data DR1, E1, DR2 and E2, the record SL3, as described above, the output data O1 and O2 are derived and output. The output data O1 are then compared with the performance values P1 and the output data O2 with the performance values P2, and a deviation D is determined. In particular, Euclidean distances |O1-P1| and |O2-P2| between the output data O1 and the performance values P1 and between the output data O2 and the performance values P2. The deviation D can thus, for example, be the sum of these distances according to D=|O1−P1| + |O2-P2|, as a weighted sum, or as some other combination of individual deviations. As indicated by a dashed arrow in FIG. 2, the deviation D is fed back to the record SL3. Based on the returned deviation D, the machine learning modules LG_3, L1_3 and L2_3 contained in record SL3 are trained together to minimize the deviation D. A large number of efficient numerical methods are available for carrying out such a minimization, such as gradient descent methods, back propagation methods, particle swarm optimization and/or genetic optimization methods. By minimizing the deviation D, the machine learning modules LG_3, L1_3 and L2_3 of record SL3 is trained to predict the associated performance values P1 and P2 for design variants of both product versions for given design data records DR1 and DR2 and product specifications E1 and E2 through their output data O1 and O2, respectively. With the cross-product version machine learning module LG_3, similarities between different product versions can be learned efficiently. In contrast, differences between the product versions can be mapped by the product version-specific machine learning modules L1_3 and L2_3. If, instead of sentence SL3, one of the other sentences SL1 or SL2 is selected by the selection module SEL, the training can obviously be carried out in an analogous manner. FIG. 4 illustrates the trained design system DS when generating a performance-optimized design data set ODR. For this purpose, a multiplicity of synthetic design data records DR1 are generated by a generator GEN of the design system DS, each of which specifies a design variant of the first product version PV1 to be produced. The generation is at least partially randomly induced. The synthetic design data sets DR1 are fed into the selection module SEL by the generator GEN. In addition, the product specifications E1 for the first product version PV1 are also supplied to the selection module SEL. The selection module SEL then feeds the synthetic design data sets DR1 and the product specifications E1 into the selected and trained set SL3 in a targeted manner. The synthetic design data sets DR1 are fed to the common machine learning module LG_3 as input data. The resultant output signal OS of the common machine learning module LG_3 and the product specifications E1 are then fed as input data into the machine learning module L1_3 specific to the first product version PV1 to be produced. The output data O1 derived from this by the machine learning module L1_3 are output and fed into an optimization module OPT of the design system DS. In addition, the synthetic design data records DR1 are also supplied to the optimization module OTP. Depending on the supplied output data O1, ie on the predicted performance values, the optimization module OPT derives a performance-optimized design data set ODR from the synthetic design data sets DR1. For example, the synthetic design data set for which the highest performance value O1 is predicted can be selected as the performance-optimized design data set ODR. Alternatively can the performance-optimized design data set ODR can be interpolated from a number of synthetic design data sets with the highest or particularly high predicted performance values O1. The performance-optimized design data set ODR derived from the synthetic design data sets DR1 is then output in order to control the production system PS, as described in connection with FIG. 1, for producing the optimized product version PV1.

Claims

Patentansprüche 1. Computerimplementiertes Verfahren zum Steuern eines Pro- duktionssystems (PS) zur Herstellung einer ersten Produktver- sion (PV1) anhand von Designdatensätzen (DR1, DR2) der ersten und einer zweiten Produktversion, wobei a) eine Vielzahl von produktversionsspezifischen Trainingsda- tensätzen eingelesen werden, die jeweils einen eine Designva- riante einer jeweiligen Produktversion spezifizierenden De- signdatensatz (DR1, DR2) sowie einen eine Performanz dieser Designvariante quantifizierenden Performanzwert (P1, P2) um- fassen, b) die Designdatensätze (DR1, DR2) in ein produktversions- übergreifendes Maschinenlernmodul (LG_3) eingespeist werden, c) ein Ausgabesignal (OS) des produktversionsübergreifenden Maschinenlernmoduls (LG3) sowohl in ein erstes (L1_3) als auch in ein zweites (L2_3) produktversionsspezifisches Ma- schinenlernmodul eingespeist wird, d) die Maschinenlernmodule (LG_3, L1_3, L2_3) gemeinsam da- rauf trainiert werden, dass Ausgabedaten (O1) des ersten Ma- schinenlernmoduls (L1_3) die Performanzwerte (P1) der ersten Produktversion und Ausgabedaten (O2) des zweiten Maschinen- lernmoduls (L2_3) die Performanzwerte (P2) der zweiten Pro- duktversion reproduzieren, e) eine Vielzahl von synthetischen Designdatensätzen (DR1) generiert und in das trainierte produktversionsübergreifende Maschinenlernmodul (LG_3) eingespeist wird, f) das resultierende Ausgabesignal (OS) des trainierten pro- duktversionsübergreifenden Maschinenlernmoduls (LG_3) in das trainierte erste Maschinenlernmodul (L1_3) eingespeist wird, und g) abhängig von resultierenden Ausgabedaten (O1) des trai- nierten ersten Maschinenlernmoduls (L1_3) ein performanzopti- mierter Designdatensatz (ODR) aus den synthetischen Designda- tensätzen (DR1) abgeleitet und zu Herstellung der ersten Pro- duktversion (PV1) ausgegeben wird. 2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass für eine Vielzahl von Designdatensätzen (DR1) jeweils ein Performanzwert (P1) für die durch den jeweiligen Design- datensatz (DR1) spezifizierte Designvariante simulativ ermit- telt wird, und dass ein jeweiliger Designdatensatz (DR1) zusammen mit dem jeweils prädizierten Performanzwert (P1) als Trainingsdaten- satz verwendet wird. 3. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass durch die erste Produktversion (PV1) zu erfüllende, ers- te Produktvorgaben (E1) sowie durch die zweite Produktversion zu erfüllende, zweite Produktvorgaben (E2) eingelesen werden, dass beim gemeinsamen Training der Maschinenlernmodule (LG_3, L1_3, L2_3) die ersten Produktvorgaben (E1) in das erste Ma- schinenlernmodul (L1_3) und die zweiten Produktvorgaben (E2) in das zweite Maschinenlernmodul (L2_3) eingespeist werden, und dass bei der Einspeisung des resultierenden Ausgabesignals (OS) in das trainierte erste Maschinenlernmodul (L1_3) auch die ersten Produktvorgaben (E1) in das trainierte erste Ma- schinenlernmodul (L1_3) eingespeist werden. 4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das produktversionsübergreifende Maschinenlernmodul ei- nen Gaußprozess und die produktversionsspezifischen Maschi- nenlernmodule jeweils ein lineares Regressionsmodell imple- mentieren. 5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Maschinenlernmodule jeweils ein neuronales Netz um- fassen. 6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass mehrere Sätze (SL1, SL2, SL3) von Maschinenlernmodulen mit jeweils einem produktversionsübergreifenden Maschinen- lernmodul (LG_1, LG_2, LG_3) sowie zwei produktversionsspezi- fischen Maschinenlernmodulen (L1_1, L2_1, L1_2, L2_2, L1_3, L2_3) bereitgestellt werden, dass eine Anzahl oder Menge verfügbarer Trainingsdatensätze ermittelt wird, und dass abhängig von der ermittelten Anzahl oder Menge einer der Sätze (SL1, SL2, SL3) zur Ausführung des Trainings sowie zur Ableitung des performanzoptimierten Designdatensatzes (ODR) selektiert wird. 7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass geprüft wird, ob für die erste und für die zweite Pro- duktversion jeweils Produktvorgaben (E1, E2) vorliegen, und dass bei positivem Prüfungsergebnis ein Satz (SL1, SL2, SL3) selektiert wird, in dessen produktversionsspezifische Maschi- nenlernmodule Produktvorgaben (E1, E2) einzuspeisen sind. 8. System (DS) zum Steuern eines Produktionssystems (PS) zur Herstellung einer ersten Produktversion (PV1) anhand von De- signdatensätzen (DR1, DR2) der ersten und einer zweiten Pro- duktversion, eingerichtet zum Ausführen eines Verfahrens nach einem der vorhergehenden Ansprüche. 9. Computerprogrammprodukt eingerichtet zum Ausführen eines Verfahrens nach einem der Ansprüche 1 bis 7. 10. Computerlesbares Speichermedium mit einem Computerpro- grammprodukt nach Anspruch 9. 1. Computer-implemented method for controlling a production system (PS) for producing a first product version (PV1) using design data sets (DR1, DR2) of the first and a second product version, wherein a) a large number of product version-specific training data sets are read which each include a design data set (DR1, DR2) specifying a design variant of a respective product version and a performance value (P1, P2) quantifying a performance of this design variant, b) the design data sets (DR1, DR2) in a product version - general machine learning module (LG_3) are fed, c) an output signal (OS) of the cross-product version machine learning module (LG3) is fed into both a first (L1_3) and a second (L2_3) product version-specific machine learning module, d) the machine learning modules (LG_3 , L1_3, L2_3) are trained together so that output data (O1) of the first n machine learning module (L1_3) the performance values (P1) of the first product version and output data (O2) of the second machine learning module (L2_3) reproduce the performance values (P2) of the second product version, e) a large number of synthetic design data sets (DR1) is generated and fed into the trained cross-product machine learning module (LG_3), f) the resulting output signal (OS) of the trained cross-product machine learning module (LG_3) is fed into the trained first machine learning module (L1_3), and g) depending on the resulting output data (O1 ) of the trained first machine learning module (L1_3), a performance-optimized design data record (ODR) is derived from the synthetic design data records (DR1) and is output to produce the first product version (PV1). 2. The method according to claim 1, characterized in that that a performance value (P1) for the design variant specified by the respective design data set (DR1) is determined simulatively for a large number of design data sets (DR1), and that a respective design data set (DR1) together with the respective predicted performance value (P1 ) is used as the training data set. 3. The method according to any one of the preceding claims, characterized in that the first product version (PV1) to be fulfilled, first product specifications (E1) and the second product version to be fulfilled, second product specifications (E2) are read that during joint training of the machine learning modules (LG_3, L1_3, L2_3) the first product specifications (E1) are fed into the first machine learning module (L1_3) and the second product specifications (E2) are fed into the second machine learning module (L2_3), and that when the resulting output signal ( OS) in the trained first machine learning module (L1_3) and the first product specifications (E1) are fed into the trained first machine learning module (L1_3). 4. Method according to one of the preceding claims, characterized in that the cross-product version machine learning module implements a Gaussian process and the product version-specific machine learning modules each implement a linear regression model. 5. The method according to any one of the preceding claims, characterized in that the machine learning modules each include a neural network. 6. The method according to any one of the preceding claims, characterized in that that several sets (SL1, SL2, SL3) of machine learning modules, each with a cross-product version machine learning module (LG_1, LG_2, LG_3) and two product version-specific machine learning modules (L1_1, L2_1, L1_2, L2_2, L1_3, L2_3) are provided, that a Number or quantity of available training data sets is determined, and that depending on the determined number or quantity one of the sets (SL1, SL2, SL3) for executing the training and for deriving the performance-optimized design data set (ODR) is selected. 7. The method according to claim 6, characterized in that it is checked whether there are product specifications (E1, E2) for the first and for the second product version, and that a sentence (SL1, SL2, SL3) is selected if the result of the check is positive , in whose product version-specific machine learning modules product specifications (E1, E2) are to be fed. 8. System (DS) for controlling a production system (PS) for producing a first product version (PV1) using design data records (DR1, DR2) of the first and a second product version, set up to execute a method according to one of the preceding claims . 9. A computer program product set up to carry out a method according to any one of claims 1 to 7. 10. A computer-readable storage medium having a computer program product according to claim 9.
EP22761970.7A 2021-08-06 2022-08-02 Method and system for controlling a production system Pending EP4341845A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP21190143.4A EP4131053A1 (en) 2021-08-06 2021-08-06 Method and system for controlling a production system
PCT/EP2022/071739 WO2023012180A1 (en) 2021-08-06 2022-08-02 Method and system for controlling a production system

Publications (1)

Publication Number Publication Date
EP4341845A1 true EP4341845A1 (en) 2024-03-27

Family

ID=77249760

Family Applications (2)

Application Number Title Priority Date Filing Date
EP21190143.4A Withdrawn EP4131053A1 (en) 2021-08-06 2021-08-06 Method and system for controlling a production system
EP22761970.7A Pending EP4341845A1 (en) 2021-08-06 2022-08-02 Method and system for controlling a production system

Family Applications Before (1)

Application Number Title Priority Date Filing Date
EP21190143.4A Withdrawn EP4131053A1 (en) 2021-08-06 2021-08-06 Method and system for controlling a production system

Country Status (3)

Country Link
EP (2) EP4131053A1 (en)
CN (1) CN117795519A (en)
WO (1) WO2023012180A1 (en)

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116758012A (en) * 2018-06-08 2023-09-15 Asml荷兰有限公司 Method for determining a property of interest related to a structure on a substrate, a reticle, a substrate

Also Published As

Publication number Publication date
WO2023012180A1 (en) 2023-02-09
CN117795519A (en) 2024-03-29
EP4131053A1 (en) 2023-02-08

Similar Documents

Publication Publication Date Title
EP2697695B1 (en) Method for the computer-supported generation of a data-driven model of a technical system, in particular of a gas turbine or wind turbine
EP2649567B1 (en) Method for the computer-based modeling of a technical system
EP2999998B1 (en) Methods for ascertaining a model of an output variable of a technical system
WO2014121863A1 (en) Method and device for controlling an energy-generating system which can be operated with a renewable energy source
EP3940596A1 (en) Method for configuring a control agent for a technical system and control device
DE102006058423A1 (en) Methods and systems for predictive modeling using a model collective
DE102019134053A1 (en) Process for the continuous validation of automated driving functions applied in driving tests
DE102019128655B4 (en) Method for providing a computer-aided control for a technical system
WO2021204983A1 (en) Control device for controlling a technical system, and method for configuring the control device
WO2023072528A1 (en) Method and control device for controlling a technical system
EP4341845A1 (en) Method and system for controlling a production system
EP3617912A1 (en) Method and device for the computer-assisted generation of a component of a technical system
DE202021101570U1 (en) System for displaying the status of an automation system
EP3979009A1 (en) Creation of a simplified model for xil systems
DE102011076969A1 (en) Method for computer-based learning of regulation and/or control of e.g. gas turbine, involves performing discretization by optimizing target, which is designed so that deviation of discrete hidden state from continuous hidden state is less
EP4095736A1 (en) Method and system for controlling a production system
EP4068011A1 (en) Machine control and method for configuring the machine control
EP4273636A1 (en) Method and device for controlling a machine
EP3989012A1 (en) Method and configuration system for configuring a control device for a technical system
DE102021119818A1 (en) Computer-implemented method for producing a software image suitable for a numerical simulation of at least part of a real control unit
WO2024002823A1 (en) Machine controller and method for configuring the machine controller
EP4036663A1 (en) Control system for controlling a technical system and method for configuring the control device
EP4375768A1 (en) Method and machine controller for controlling a machine
EP4198782A1 (en) Method for preventing the use of machine learning modules and prevention system
EP4235317A1 (en) Method for controlling a machine by means of a learning based control agent and control device

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20231222

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR