WO2014015844A1 - Method for controlling an installation, in which the orders p, q, r of the individual components of an n-ar(p)ma(q)x(r) process are determined - Google Patents

Method for controlling an installation, in which the orders p, q, r of the individual components of an n-ar(p)ma(q)x(r) process are determined Download PDF

Info

Publication number
WO2014015844A1
WO2014015844A1 PCT/DE2013/000204 DE2013000204W WO2014015844A1 WO 2014015844 A1 WO2014015844 A1 WO 2014015844A1 DE 2013000204 W DE2013000204 W DE 2013000204W WO 2014015844 A1 WO2014015844 A1 WO 2014015844A1
Authority
WO
WIPO (PCT)
Prior art keywords
original
influencing
order
orders
influencing variables
Prior art date
Application number
PCT/DE2013/000204
Other languages
German (de)
French (fr)
Inventor
Gerhard DÖDING
Klaus Kemper
László GERMÁN
Original Assignee
Kisters 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 Kisters Ag filed Critical Kisters Ag
Publication of WO2014015844A1 publication Critical patent/WO2014015844A1/en

Links

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00Systems involving the use of models or simulators of said systems
    • G05B17/02Systems involving the use of models or simulators of said systems electric
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/049Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/20Pc systems
    • G05B2219/25Pc structure of the system
    • G05B2219/25298System identification

Definitions

  • the invention relates to a method for controlling a system in which the future behavior of observable quantities forms the basis for the control function and in which the orders p, q, r of the individual components of an N-AR (p) MA (q) X (r) process can be determined. Furthermore, the invention relates to computer program products with program code means for carrying out the method.
  • the technical problem underlying this invention is that it takes a very long time even with the use of very fast computer if the future behavior of observable quantities is to be predicted for complex systems. For the control of a plant, it is often necessary to predict the future behavior of observable quantities, since it is too late to act on the plant when the observable size behavior occurs.
  • the orders p, q, r are vectorial because both the exogenous influences X and the AR and MA components are or may be multidimensional vectors.
  • CONFIRMATION COPY Time series of the components uniquely determined by these components are timed and shifted pushed into a dynamic system of any type and then a graph-theoretic path analysis is performed.
  • mapping between transformed influencing variables and desired model outputs should be carried out in a downstream adaptive process.
  • connection graph can be created and for each original influence variable the shortest path in the connection graph can be calculated to all achievable significant transformed influencing variables.
  • an original influencing variable is in each case a vector component of the components AR, MA or the exogenous variable X.
  • FIG. 1 shows the pure time delay of the input values and the time delay of the non-linearized inputs in the case of non-linearized transfer functions
  • FIG. 2 shows the time delay and offsetting of various inputs with one another
  • Figure 3 shows the generation of cycles as a further function
  • a subsequent path search along the connection graph determined by the adjacency matrix yields the respective order of the model components.
  • the method described thus makes it possible to greatly reduce the time required, for example in the case of a given artificial neural network. In addition, too The required network can be reduced without affecting the quality of the results. This opens up the use of artificial neural networks in smaller computers, especially smartphones.
  • Smartphones can use the described method to provide the user with information that he regularly retrieves. If, for example, the user can display special stock market data daily via an application, these stock market data can be automatically displayed to the user during any use of the smartphone without the user first activating the application and retrieving his data.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

The invention relates to a method for controlling an installation, in which the future behaviour of observable variables forms the basis for a control function and in which the orders p, q, r of the individual components of an N-AR(p)MA(q)X(r) process are determined. These components are timed and inserted into a dynamic system, then a significance analysis is carried out and a connection graph is drawn up. For each original influencing variable the shortest route in the connection graph to all reachable transformed influencing variables is calculated and the maximum of the lengths of the shortest routes of all original influencing variables is determined as order of the process.

Description

VERFAHREN ZUR STEUERUNG EINER ANLAGE, BEI DEM DIE ORDNUNGEN P, Q, R DER EINZELNEN KOMPONENTEN EINES N-AR (P) MA (Q) X (R) - PROZESSES BESTIMMT WERDEN  METHOD FOR CONTROLLING AN APPENDIX IN WHICH ORDERS P, Q, R OF THE INDIVIDUAL COMPONENTS OF AN N-AR (P) MA (Q) X (R) PROCESS ARE DETERMINED
[01] Die Erfindung betrifft ein Verfahren zur Steuerung einer Anlage, bei dem das zukünftige Verhalten beobachtbarer Größen die Grundlage für die Steuerungsfunktion bildet und bei dem die Ordnungen p,q,r der einzelnen Komponenten eines N-AR(p)MA(q)X(r)-Prozesses bestimmt werden. Ferner betrifft die Erfindung Computerprogrammprodukte mit Programmcodemitteln zur Durchführung des Verfahrens. [01] The invention relates to a method for controlling a system in which the future behavior of observable quantities forms the basis for the control function and in which the orders p, q, r of the individual components of an N-AR (p) MA (q) X (r) process can be determined. Furthermore, the invention relates to computer program products with program code means for carrying out the method.
[02] Das dieser Erfindung zu Grunde liegende technische Problem liegt darin, dass es auch bei der Verwendung sehr schneller Computer sehr lange dauert, wenn für komplexe Systeme das zukünftige Verhalten beobachtbarer Größen vorhergesagt werden soll. Für die Steuerung einer Anlage ist es häufig notwendig das zukünftige Verhalten beobachtbarer Größen vorherzusagen, da es bei Eintritt des Verhaltens der beobachtbaren Größe zu spät ist, auf die Anlage einzuwirken. [02] The technical problem underlying this invention is that it takes a very long time even with the use of very fast computer if the future behavior of observable quantities is to be predicted for complex systems. For the control of a plant, it is often necessary to predict the future behavior of observable quantities, since it is too late to act on the plant when the observable size behavior occurs.
[03] Darüber hinaus sind in den seltensten Fällen alle notwendigen kausalen Einflussgrößen bekannt oder beschaffbar. In diesen Fällen wird versucht, die fehlenden oder unbekannten Einflüsse aus ihrer Wirkung abzuleiten, die sich im vergangenen Verlauf ausgedrückt hat. Dazu benutzt man üblicherweise die zeitlich verschobenen Verläufe der zu prognostizierenden Größe. Übliche Verfahren nutzen das AR(I)MAX-Paradigma. [03] In addition, all necessary causal parameters are rarely known or obtainable. In these cases, an attempt is made to derive the missing or unknown influences from their effect, which has been expressed in the past. For this one usually uses the temporally shifted gradients of the predicted size. Common methods use the AR (I) MAX paradigm.
[04] Die Bestimmung der jeweiligen Ordnungen des autoregressiven Anteils (AR(p)) , des moving average Anteils (MA(q)) sowie der exogenen Variablen (X(r)) ist dabei das Hauptproblem. The determination of the respective orders of the autoregressive component (AR (p)), the moving average component (MA (q)) and the exogenous variables (X (r)) is the main problem.
[05] Dabei sind die Ordnungen p,q,r vektoriell zu verstehen, da sowohl die exogenen Einflüsse X als auch die AR- und MA-Komponenten mehrdimensionale Vektoren sind oder sein können. [05] The orders p, q, r are vectorial because both the exogenous influences X and the AR and MA components are or may be multidimensional vectors.
[06] Das Problem der Bestimmung der jeweiligen Ordnungen wird durch ein Verfahren gelöst, welches die jeweiligen Ordnungen sogar bei beliebig nichtlinearen Abhängigkeiten der [06] The problem of the determination of the respective orders is solved by a method, which the respective orders even with arbitrarily nonlinear dependencies of the
BESTÄTIGUNGSKOPIE Zeitreihe von den Komponenten dadurch eindeutig bestimmt, dass diese Komponenten zeitlich getaktet und verschoben in ein dynamisches System beliebigen Typs hineingeschoben werden und dann eine graphentheoretische Weganalyse durchgeführt wird. CONFIRMATION COPY Time series of the components uniquely determined by these components are timed and shifted pushed into a dynamic system of any type and then a graph-theoretic path analysis is performed.
[07] Das erfindungsgemäße Ergebnis dieser Analyse ist die optimale Ordnung jeder einzelnen Komponente der Einflüsse. [07] The result of this analysis according to the invention is the optimal order of each individual component of the influences.
[08] Vorteil dieses Verfahrens gegenüber klassischen zeitreihenanalytischen Methoden ist die direkte nicht iterative Bestimmung aller Ordnungen, besonders auch im Falle nichtlinearer AR(I)MAX-Modelle. [08] The advantage of this method over classical time-series analytical methods is the direct non-iterative determination of all orders, especially in the case of nonlinear AR (I) MAX models.
[09] Dabei ist es vorteilhaft, wenn mit dem dynamischen System für eine Signifikanzanalyse zeitlich verschobene und miteinander verrechnete lineare oder nicht lineare Original- Einflussgrößen in hochdimensionale abgeleitete Größen transformiert werden. In this case, it is advantageous if, with the dynamic system for a significance analysis, time-shifted and mutually offset linear or non-linear original influencing variables are transformed into high-dimensional derived variables.
[ 10] Danach sollte in einem nachgeschalteten adaptiven Prozess die Abbildung zwischen transformierten Einflussgrößen und gewünschten Modelloutputs durchgeführt werden. [10] Thereafter, the mapping between transformed influencing variables and desired model outputs should be carried out in a downstream adaptive process.
[ 1 1] Dabei ist es vorteilhaft, wenn der adaptive Prozess durch ein neuronales Netz oder eine Regressionstechnik realisiert wird. [1 1] It is advantageous if the adaptive process is realized by a neural network or a regression technique.
[ 12] Für das weitere Vorgehen sollten die Parameter der Abbildung einer Signifikanzanalyse unterworfen werden. [12] For the further procedure, the parameters of the mapping should be subjected to a significance analysis.
[ 13] Dann kann ein Verbindungsgraph erstellt werden und für jede Original-Einflussgröße kann der kürzeste Weg im Verbindungsgraphen zu allen erreichbaren signifikanten transformierten Einflussgrößen berechnet werden. Dabei ist eine Original-Einflussgröße jeweils eine Vektorkomponente der Anteile AR, MA oder der exogenen Variablen X. [13] Then a connection graph can be created and for each original influence variable the shortest path in the connection graph can be calculated to all achievable significant transformed influencing variables. In this case, an original influencing variable is in each case a vector component of the components AR, MA or the exogenous variable X.
[ 14] Dies ermöglicht es, dass für jede Original-Einflussgröße das Maximum der Längen der kürzesten Wege als seine Ordnung genommen wird. Diese Ordnung entspricht einer Vektorkomponente der p-, q- oder r-Vektoren. [14] This allows the maximum of the lengths of the shortest paths to be taken as its order for each original influencing variable. This order corresponds to a vector component of the p, q or r vectors.
[ 15] Zusätzlich kann die Ordnung des Prozesses durch die maximale Ordnung aller Original- Einflussgrößen bestimmt werden. [16] Ein Ausführungsbeispiel ist in den Figuren gezeigt und wird im Folgenden näher erläutert. [15] In addition, the order of the process can be determined by the maximum order of all original influencing variables. [16] An embodiment is shown in the figures and will be explained in more detail below.
[17] Es zeigt [17] It shows
Figur 1 die reine zeitliche Verzögerung der Inputwerte und die zeitliche Verzögerung der nicht linearisierten Inputs bei nicht linearisierten Transferfunktionen, FIG. 1 shows the pure time delay of the input values and the time delay of the non-linearized inputs in the case of non-linearized transfer functions,
Figur 2 die zeitliche Verzögerung und Verrechnung verschiedener Inputs untereinander, FIG. 2 shows the time delay and offsetting of various inputs with one another,
Figur 3 die Erzeugung von Zyklen als weitere Funktion und Figure 3 shows the generation of cycles as a further function and
Figur 4 die Berechnung der kürzesten Wege. Figure 4, the calculation of the shortest paths.
[ 18] Wie in den Abbildungen 1 bis 3 dargestellt, wird ein dynamisches System zur Erzeugung der zeitlichen Verschiebungen und zusätzlicher eventuell nichtlinearer Verrechnungen benutzt. [18] As shown in Figures 1 to 3, a dynamic system is used to generate temporal shifts and possibly additional nonlinear computations.
[ 19] Um den gewünschten N-AR(I)MAX-Prozess zu modellieren, wird die Adjazenzmatrix entsprechend gewählt, um z.B. [19] In order to model the desired N-AR (I) MAX process, the adjacency matrix is chosen to be e.g.
1. nur eine zeitliche Verzögerung der Inputwerte oder 1. only a time lag of input values or
2. eine zeitliche Verzögerung der nicht linearisierten Inputs oder 2. a time delay of non-linearized inputs or
3. eine zeitliche Verzögerung und Verrechnung verschiedener Inputs untereinander oder 3. a time delay and settlement of different inputs with each other or
4. eine Erzeugung von Zyklen zusätzlich zu 1., 2., 3. 4. a generation of cycles in addition to 1., 2., 3.
[20] zu realisieren. Siehe hierzu Abbildungen 1 bis 3, wo für das dynamische System beispielhaft jeweils ein eventuell rekurrentes, zeitlich getaktetes neuronales Netz mit wählbaren Transferfunktionen genommen wurde. [20] to realize. See Figures 1 to 3, where, for example, a possibly recurrent, time-clocked neural network with selectable transfer functions was taken for the dynamic system.
[21 ] Das Verfahren der Ordnungsbestimmung läuft dann wie folgt ab: [21] The procedure of order determination then proceeds as follows:
[22] Alle Einflussgrößen werden getaktet in das dynamische System geschoben. [23] Für jeden Zeittakt wird der interne Zustand des dynamischen Systems gespeichert. Im Fall eines neuronalen Netzes ist der interne Zustand durch die Ausgabewerte jedes Neurons repräsentiert. [22] All influencing variables are shifted clocked into the dynamic system. [23] The internal state of the dynamic system is stored for each time cycle. In the case of a neural network, the internal state is represented by the output values of each neuron.
[24] Dadurch entsteht erfindungsgemäß eine vektorielle (hochdimensionale) Zeitreihe der internen Zustände des dynamischen Systems. [24] According to the invention, this results in a vectorial (high-dimensional) time series of the internal states of the dynamic system.
[25] Nun werden für jeden Zeittakt Paare aus den zu diesem Zeittakt gehörenden internen Zuständen und den gewünschten Modellausgaben gebildet. Die zu einem Zeittakt gehörenden internen Zustände werden aus der vektonellen Zeitreihe entnommen und die gewünschten Modellausgaben werden aus der Vorgabezeitreihe des N-AR(I)MAX- Problems entnommen. [25] Now, for each clock cycle, pairs are formed from the internal states belonging to this clock cycle and the desired model outputs. The internal states belonging to one clock cycle are taken from the vector time series and the desired model outputs are taken from the default time series of the N-AR (I) MAX problem.
[26] Mit diesen Paaren wird eine Abbildung zwischen internen Zuständen einerseits und gewünschten Modellausgaben andererseits berechnet. [26] These pairs are used to calculate a mapping between internal states on the one hand and desired model outputs on the other hand.
[27] Dies kann beispielsweise durch supervised learning mit Hilfe eines neuronalen Netzes geschehen oder aber mit jeder anderen adaptiven Modelltechnik, z.B. auch mit multivariater Regression. [27] This can be done for example by supervised learning with the help of a neural network or with any other adaptive modeling technique, e.g. also with multivariate regression.
[28] Die Abbildungsparameter, die bei neuronalen Netzen die synaptischen Gewichte und bei Regression die Regressionskoeffizienten sind, werden erfindungsgemäß einer Signifikanzanalyse unterzogen. [28] The imaging parameters, which are the synaptic weights in neuronal networks and the regression coefficients in the case of regression, are subjected according to the invention to a significance analysis.
[29] Das Ergebnis ist eine Liste derjenigen internen Zustandskomponenten, die signifikant zur Abbildung beitragen. [29] The result is a list of those internal state components that contribute significantly to the mapping.
[30] Eine anschließende Wegsuche entlang des durch die Adjazenzmatrix bestimmten Verbindungsgraphen ergibt die jeweilige Ordnung der Modellkomponenten. [30] A subsequent path search along the connection graph determined by the adjacency matrix yields the respective order of the model components.
[31] Hierbei wird für jede Einflusskomponente (AR,MA,X) der minimale Weg über den Graphen zu jeder von dieser Einflusskomponente erreichbaren und in der Liste aufgeführten signifikanten Zustandskomponente bestimmt. [31] In this case, for each influence component (AR, MA, X), the minimum path over the graph is determined for each significant state component that can be reached by this influence component and listed in the list.
[32] Der dabei gefundene längste Weg zwischen einer Einflusskomponente und jeder dieser Zustandskomponenten bildet die gesuchte Ordnung der Einflusskomponente. [32] The longest path found between an influence component and each of these state components forms the desired order of the influence component.
[33] Das Maximum aller Ordnungen ist die Ordnung des Modellproblems. [34] Ein Beispiel hierzu ist in Abbildung 4 dargestellt. Hier sind die signifikanten Zustandskomponenten mit S markiert. Die Werte in der Klammer geben die Längen der kürzesten Wege von Originalinput 1 bzw. von Originalinput 2 bis zu dieser Stelle an. Dabei bedeutet„-„„nicht erreichbar". [33] The maximum of all orders is the order of the model problem. [34] An example of this is shown in Figure 4. Here the significant state components are marked with S. The values in the bracket indicate the lengths of the shortest paths from original input 1 or from original input 2 to this point. Where "-" means "unreachable".
[35] Für das in der Abbildung dargestellte Beispiel gilt: Die Ordnung von Originalinput 1 ist 3, die Ordnung von Originalinput 2 ist 7 und die Ordnung des Modellproblems ist 7. [35] For the example shown in the figure, the order of original input 1 is 3, the order of original input 2 is 7, and the order of the model problem is 7.
[36] Das beschriebene Verfahren hat eine Vielzahl an Vorteilen: [36] The method described has a number of advantages:
- automatische Bestimmung der Ordnungen für jede einzelne Vektorkomponente der Originalinputs (AR(p),MA(q),X(r)) automatic determination of the orders for each individual vector component of the original inputs (AR (p), MA (q), X (r))
- anwendbar auch auf nichtlineare Zusammenhänge in allen Komponenten - applicable also to non-linear relationships in all components
- Nutzung eines untrainierten dynamischen Systems, beschrieben durch eine Adjazenzmatrix, zur sehr schnellen, mathematisch unkomplexen Vorbereitung einer Signifikanzanalyse - Using an untrained dynamic system, described by an adjacency matrix, for the very fast, mathematically uncomplexed preparation of a significance analysis
- Nutzung adaptiver Verfahren zur Signifikanzanalyse, speziell Regressionstechniken zur schnellen Berechnung - Use of adaptive methods for significance analysis, especially regression techniques for fast calculation
[37] Dies ermöglicht es beispielsweise als Originalinput historische Wetterdaten wie Sonnenintensität, Windgeschwindigkeit und Niederschlagsmenge einzugeben, während als Ausgangswert der Stromverbrauch zu bestimmten Tageszeiten angesetzt wird. Durch ein entsprechendes Optimieren eines Netzes wird der Response so optimiert, dass der Ausgabefehler immer geringer wird. Danach kann das Netz für Prognosen verwendet werden, indem prognostizierte Wetterdaten eingegeben werden und mit dem künstlichen neuronalen Netz zu erwartende Stromverbrauchswerte ermittelt werden. [37] This makes it possible, for example, to input historical weather data such as sun intensity, wind speed and precipitation amount as original input, while the output value is the power consumption at certain times of the day. By optimizing a network accordingly, the response is optimized so that the output error becomes ever smaller. Thereafter, the network can be used for forecasts by entering forecasted weather data and estimating expected power consumption values with the artificial neural network.
[38] Während für derartige Berechnungen mit einem herkömmlichen N-AR(p)MA(q)X(r)- Prozess im praktischen Einsatz viele zeitaufwändige Untersuchungen zum Finden der optimalen Ordnungen notwendig waren, erlaubt das erfindungsgemäße Verfahren ein Ergebnis innerhalb weniger Sekunden oder Minuten. [38] While many time-consuming investigations to find the optimal orders were necessary for such calculations with a conventional N-AR (p) MA (q) X (r) process, the method according to the invention allows a result within a few seconds or minutes minutes.
[39] Das beschriebene Verfahren ermöglicht somit eine starke Reduktion der benötigten Zeit beispielsweise bei einem vorgegebenen künstlichen neuronalen Netz. Darüber hinaus kann auch das benötigte Netz verkleinert werden, ohne dass dadurch die Qualität der Ergebnisse leidet. Dies eröffnet die Verwendung künstlicher neuronaler Netze in kleineren Computern wie insbesondere auch Smartphones. [39] The method described thus makes it possible to greatly reduce the time required, for example in the case of a given artificial neural network. In addition, too The required network can be reduced without affecting the quality of the results. This opens up the use of artificial neural networks in smaller computers, especially smartphones.
[40] Smartphones können mit dem beschriebenen Verfahren dem Nutzer von sich aus Informationen zur Verfügung zu stellen, die er regelmäßig abruft. Wenn der Nutzer beispielsweise täglich über eine Applikation sich spezielle Börsendaten anzeigen lässt, können diese Börsendaten dem Nutzer bei einer beliebigen Verwendung des Smartphones automatisch angezeigt werden, ohne dass der Nutzer zunächst die Applikation aktiviert und seine Daten abruft. [40] Smartphones can use the described method to provide the user with information that he regularly retrieves. If, for example, the user can display special stock market data daily via an application, these stock market data can be automatically displayed to the user during any use of the smartphone without the user first activating the application and retrieving his data.

Claims

Patentansprüche: claims:
1. Verfahren zur Steuerung einer Anlage, bei dem das zukünftige Verhalten beobachtbarer Größen die Grundlage für eine Steuerungsfunktion bildet und bei dem die Ordnungen p, q, r der einzelnen Komponenten eines N-AR(p)MA(q)X(r)-Prozesses bestimmt werden, dadurch gekennzeichnet, dass diese Komponenten zeitlich getaktet und verschoben in ein dynamisches System hineingeschoben werden und dann eine graphentheoretische Weganalyse durchgeführt wird. 1. A method for controlling a plant, in which the future behavior of observable quantities forms the basis for a control function and in which the orders p, q, r of the individual components of an N-AR (p) MA (q) X (r) - Processes are characterized, characterized in that these components are timed and shifted pushed into a dynamic system and then a graph-theoretic path analysis is performed.
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass mit dem dynamischen System für eine Signifikanzanalyse zeitlich verschobene und miteinander verrechnete lineare oder nicht lineare Original-Einflussgrößen in hochdimensionale abgeleitete Größen transformiert werden. 2. The method according to claim 1, characterized in that the dynamic system for a significance analysis time-shifted and mutually offset linear or non-linear original influencing variables are transformed into high-dimensional derived quantities.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass in einem nachgeschalteten adaptiven Prozess die Abbildung zwischen transformierten Einflussgrößen und gewünschten Modelloutputs durchgeführt wird. 3. The method of claim 1 or 2, characterized in that in a subsequent adaptive process, the mapping between transformed influencing variables and desired model outputs is performed.
4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass der adaptive Prozess durch ein neuronales Netz oder eine Regressionstechnik realisiert wird. 4. The method according to claim 3, characterized in that the adaptive process is realized by a neural network or a regression technique.
5. Verfahren nach einem der Ansprüche 3 oder 4, dadurch gekennzeichnet, dass die Parameter der Abbildung einer Signifikanzanalyse unterworfen werden. 5. The method according to any one of claims 3 or 4, characterized in that the parameters of the image are subjected to a significance analysis.
6. Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass ein Verbindungsgraph erstellt wird und für jede Original-Einflussgröße der kürzeste Weg im Verbindungsgraphen zu allen erreichbaren signifikanten transformierten Einflussgrößen berechnet wird. 6. The method according to claim 5, characterized in that a connection graph is created and for each original influencing variable the shortest path in the connection graph is calculated to all achievable significant transformed influencing variables.
7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass für jede Original- Einflussgröße das Maximum der Längen der kürzesten Wege als seine Ordnung genommen wird. 7. The method according to claim 6, characterized in that for each original influencing variable, the maximum of the lengths of the shortest paths is taken as its order.
8. Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass zusätzlich die Ordnung des Prozesses durch die maximale Ordnung aller Original-Einflussgrößen bestimmt wird. 8. The method according to claim 7, characterized in that in addition the order of the process is determined by the maximum order of all original influencing variables.
9. Compute ΓOgrammprodukt mit Programmcodemitteln zur Durchführung eines Verfahrens nach einem der vorhergehenden Ansprüche, wenn das Programm auf einem Computer ausgeführt wird. 9. Compute program product with program code means for carrying out a method according to one of the preceding claims, when the program is executed on a computer.
10. Computerprogrammprodukt mit Programmcodemitteln nach Anspruch 9, die auf einem computerlesbaren Datenspeicher gespeichert sind. A computer program product with program code means as claimed in claim 9 stored on a computer readable data memory.
PCT/DE2013/000204 2012-07-23 2013-04-18 Method for controlling an installation, in which the orders p, q, r of the individual components of an n-ar(p)ma(q)x(r) process are determined WO2014015844A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102012014529.2 2012-07-23
DE102012014529.2A DE102012014529A1 (en) 2012-07-23 2012-07-23 DynNARX order: a new method for determining the orders p, q, r of the individual components of an N-AR (p) MA (q) X (r) process

Publications (1)

Publication Number Publication Date
WO2014015844A1 true WO2014015844A1 (en) 2014-01-30

Family

ID=48670296

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE2013/000204 WO2014015844A1 (en) 2012-07-23 2013-04-18 Method for controlling an installation, in which the orders p, q, r of the individual components of an n-ar(p)ma(q)x(r) process are determined

Country Status (2)

Country Link
DE (1) DE102012014529A1 (en)
WO (1) WO2014015844A1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2947035A1 (en) * 2014-05-22 2015-11-25 Liebherr-Werk Nenzing GmbH Method for determining the load on a working machine and working machine, in particular a crane

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000257140A (en) * 1999-03-09 2000-09-19 Toshiba Corp Rain water inflow forecasting device and rain water inflow forecasting method
US7505877B2 (en) * 2002-03-08 2009-03-17 Johnson Controls Technology Company System and method for characterizing a system
US6733461B2 (en) * 2002-08-01 2004-05-11 Hypertension Diagnostics, Inc. Methods and apparatus for measuring arterial compliance, improving pressure calibration, and computing flow from pressure data
US20060025931A1 (en) * 2004-07-30 2006-02-02 Richard Rosen Method and apparatus for real time predictive modeling for chronically ill patients

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ALIREZA RAHROOH ET AL: "Identification of nonlinear systems using NARMAX model", NONLINEAR ANALYSIS: THEORY, METHODS & APPLICATIONS, vol. 71, no. 12, 1 December 2009 (2009-12-01), pages e1198 - e1202, XP055077925, ISSN: 0362-546X, DOI: 10.1016/j.na.2009.01.150 *
GIANLUCA ZITO ET AL: "A Methodology for identification of NARMAX models applied to diesel engines", IFAC WORLD CONGRESS 2005, 16 May 2009 (2009-05-16), XP055077935, Retrieved from the Internet <URL:http://hal.archives-ouvertes.fr/docs/00/38/48/59/PDF/ifac051.pdf> [retrieved on 20130905] *
JONAS SJÖBERG ET AL: "Nonlinear black-box modeling in system identification: a unified overview", AUTOMATICA, vol. 31, no. 12, 1 December 1995 (1995-12-01), pages 1691 - 1724, XP055077924, ISSN: 0005-1098, DOI: 10.1016/0005-1098(95)00120-8 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2947035A1 (en) * 2014-05-22 2015-11-25 Liebherr-Werk Nenzing GmbH Method for determining the load on a working machine and working machine, in particular a crane

Also Published As

Publication number Publication date
DE102012014529A8 (en) 2014-03-20
DE102012014529A1 (en) 2014-01-23

Similar Documents

Publication Publication Date Title
EP3662418B1 (en) Method and apparatus for machine learning in a computational unit
WO2013170843A1 (en) Method for training an artificial neural network
WO2014121863A1 (en) Method and device for controlling an energy-generating system which can be operated with a renewable energy source
EP2112568B1 (en) Method for computer-supported control and/or regulation of a technical system
AT512251B1 (en) Method of designing a nonlinear controller for non-linear processes
DE102007001025A1 (en) Method for computer aided control and regulation of technical system, involves carrying out characterization of dynamic behavior of technical systems multiple times by state and action of system
DE102016224207A1 (en) Method and control device for controlling a technical system
AT512977A2 (en) Method for determining a model of an output of a technical system
EP2302516A1 (en) Method to perform tasks for calculating a signal to be simulated in real time
EP1021793A2 (en) Assembly of interconnected computing elements, method for computer-assisted determination of a dynamics which is the base of a dynamic process, and method for computer-assisted training of an assembly of interconnected elements
DE10201018B4 (en) Neural network, optimization method for setting the connection weights of a neural network and analysis methods for monitoring an optimization method
WO2014015844A1 (en) Method for controlling an installation, in which the orders p, q, r of the individual components of an n-ar(p)ma(q)x(r) process are determined
EP1627263B1 (en) Method, computer program with program code means, and computer program product for determining a future behavior of a dynamic system
Lum et al. Industrial electrical energy consumption forecasting by using temporal convolutional neural networks
EP3528063B1 (en) Method for the computer-aided creation of a forecast model for forecasting one or more target variables
DE102014016956A1 (en) DynNARX order: a new method for determining the orders p, q, r of the individual components of an N-AR (p) MA (q) X (r) process
EP1145190B1 (en) Assembly of interconnected computing elements, method for computer-assisted determination of a dynamic which is the base of a dynamic process, and method for computer-assisted training of an assembly of interconnected elements
EP3449433A1 (en) Model-based determination of a system status by means of a dynamic system
WO2014026661A1 (en) Method for controlling an installation
WO2013182176A1 (en) Method for training an artificial neural network, and computer program products
DE102021119818A1 (en) Computer-implemented method for producing a software image suitable for a numerical simulation of at least part of a real control unit
DE102004059684B3 (en) Computer process and assembly to predict a future condition of a dynamic system e.g. telecommunications neural-network within defined limits
Bink et al. Predictive Maintenance in Industrial Practice: Development of a Prognostic Approach Based on Incomplete Information
EP3650973A1 (en) System control
DE202023105416U1 (en) An intelligent system for predicting solar radiation

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 13730459

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 1120130036320

Country of ref document: DE

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 13730459

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE