CN103597413B - 用于在计算机支持下生成技术系统尤其燃气轮机或风力轮机的数据驱动的模型的方法 - Google Patents

用于在计算机支持下生成技术系统尤其燃气轮机或风力轮机的数据驱动的模型的方法 Download PDF

Info

Publication number
CN103597413B
CN103597413B CN201280027163.8A CN201280027163A CN103597413B CN 103597413 B CN103597413 B CN 103597413B CN 201280027163 A CN201280027163 A CN 201280027163A CN 103597413 B CN103597413 B CN 103597413B
Authority
CN
China
Prior art keywords
data
model
gas turbine
data record
driven
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.)
Active
Application number
CN201280027163.8A
Other languages
English (en)
Other versions
CN103597413A (zh
Inventor
S.迪尔
A.亨切尔
V.施特青
S.乌德卢夫特
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 CN103597413A publication Critical patent/CN103597413A/zh
Application granted granted Critical
Publication of CN103597413B publication Critical patent/CN103597413B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Sustainable Energy (AREA)
  • Mechanical Engineering (AREA)
  • Computing Systems (AREA)
  • Combustion & Propulsion (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Sustainable Development (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Fuzzy Systems (AREA)
  • Feedback Control In General (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Wind Motors (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种用于在计算机支持下生成技术系统尤其燃气轮机或风力轮机的数据驱动的模型（NM）的方法。按本发明的方法的特征在于，数据驱动的模型优选在训练数据的一些存在很小的数据密度的区域中被学习。以此方式确保了，数据驱动的模型针对训练数据的与信息相关的区域被生成。用按本发明的方法生成的数据驱动的模型在一种特别优选的实施形式中被用来计算用于技术系统的合适的控制模型和/或调节模型和/或监督模型。通过确定优化标准，例如燃气轮机的很少的有害物质排放或很小的燃烧动态，可以因此在运行中延长技术系统的使用周明。用按本发明的方法生成的数据驱动的模型此外还能被快速地以及用很少的计算资源确定，因为不是所有的训练数据都被用来学习数据驱动的模型。

Description

用于在计算机支持下生成技术系统尤其燃气轮机或风力轮机 的数据驱动的模型的方法
技术领域
本发明涉及一种用于在计算机支持下生成技术系统尤其燃气轮机或风力轮机的数据驱动的模型的方法。
背景技术
为了技术系统的自动运行，可以使用数据驱动的模型，它们在表示技术系统的运行参数的相应的训练数据的基础上被学习。这种经过学习的数据驱动的模型在此应当反映技术系统的特性以及可以紧接着用于建立起相应的技术系统的监督模型和/或调节模型。这些监督或调节模型然后可以在技术系统的真实运行中使用，以便在当前的运行参数的基础上调整系统的相应的调整参数或自动化地确定技术系统的错误运行工况。
数据驱动的模型用来学习的训练数据，通常不是均匀地分布在技术系统的运行参数的状态空间内。在此，通常在技术系统的代表正常运行的运行区域中存在比运行的或用于技术系统的错误运行工况的分界区域中更多的数据。这个问题尤其在控制燃气轮机和风力轮机时出现，它们为了避免受损而通常不在分界区域中运行。因此在燃气轮机或风力轮机的经常频繁使用的运行区域中存在极大量的可用训练数据记录，但它们的信息内容却大部分是冗余的。反之，针对极少启动的运行模式则存在很少的数据。
因此针对用于数据驱动的模型的学习的训练数据存在不同数据密度的区域。这些数据密度通常在选出相应的训练数据和在此基础上生成相应的技术系统的模型时不予考虑。这一点可能导致，在数据驱动的模型的基础上被计算的相应的调节模型和监督模型，在技术系统运行中发出错误的或未达最佳标准的调节行为或错误的警告。因此例如可能的是，在燃气轮机或风力轮机运行时出现的且在数据驱动的模型的训练阶段中没有被包含的寒冷天气事件，导致了错误警报的触发。仅用针对典型的运行工况的训练数据学习的数据驱动的模型，同样可能导致模型误差提高，从而使基于此的调节模型或控制模型在技术系统的真实运行中无法最佳地调整相应的调整参数，例如所输入的气体的量或在燃气轮机中前导向叶片的位置。这一点可能导致技术系统的功率或效率或使用寿命的变小。
传统上，在生成技术系统的数据驱动的模型时，在清除异常测值或错误之后，或使用训练数据的全部的数据记录，或使用随机选出的这些数据记录。对所有训练数据的考虑产生了极大的且始终不断增长的训练数据量，这会使相应的数据驱动的模型的生成变慢以及导致一个或若干计算机的资源问题（例如缺少的主要存储参数），用这些计算机生成了数据驱动的模型。对训练数据记录的随机选出的简单的限制虽然加速了数据驱动的模型的计算，但也提高了关于技术系统的相关信息丢失的风险。这个问题在代表技术系统的动态特性的数据驱动的模型中由此加剧，即，始终有定量的时间上关联的数据记录被共同在模型学习时考虑到。
发明内容
本发明所要解决的技术问题是，创造一种用于在计算机支持下生成数据驱动的模型的方法，该方法用较小量的计算资源学习了技术系统的一种良好的数据驱动的模型。
该技术问题通过独立权利要求解决。本发明的扩展设计在从属权利要求中限定。
按本发明的方法用于在计算机支持下生成技术系统的以及尤其是燃气轮机或风力轮机的数据驱动的模型。数据驱动的模型优选用于使用于技术系统内的自动化的监督和/或诊断和/或调节任务（MPC）并且在训练数据的基础上被建立，训练数据包括多个数据记录，这些数据记录分别代表技术系统的多个运行参数。多个运行参数指的是测量参数以及可能时也指的是技术系统的调整参数。测量参数在此指的是这样的参数，它们在技术系统的周边环境旁或周边环境内通过合适的传感器求出或从传感器参数推导得出。调整参数是技术系统的这样的运行参数，它们能被调整或改变，以便由此影响技术系统的运行。
按本发明的方法迭代地运行，其中，针对多个迭代步骤，数据驱动的模型和密度评估器分别借助来自训练数据的数据记录被学习。在迭代结束后被学习的数据驱动的模型然后是用按本发明的方法生成的数据驱动的模型。（被学习的）密度评估器为来自训练数据的数据记录发出了各一个置信度，各数据记录与来自训练数据的其它数据记录的相似性越大，那么这个置信度就越高。数据记录的相似性在一种优选的实施形式中通过在由数据记录代表的数据点的空间内的相应的间隔程度说明。密度评估器在此通过其置信度说明，是否为了一个相应的数据记录而在数据空间内存在高密度以及因此存在许多类似的按训练数据的数据记录。可以用来实现刚刚说明的密度评估器的方法，已被现有技术充分公开且因此不再详细阐释。在一种优选的实施形式中，使用一种方法作为密度评估器，该方法以神经云（Neural Clouds）为基础。在此优选使用这样一种方法，其在文献[1]中被说明。这个文献的所有公开内容通过引用而成为本应用的内容。
在按本发明的方法中在迭代步骤中被学习的数据驱动的模型用于复制训练数据的数据记录。在此出现了模型误差，该模型误差表示在经复制的数据记录和按训练数据的实际的数据记录之间的差别。这种模型误差在质量很好的数据驱动的模型中应当尽可能小。数据驱动的模型在此尤其被这样设计，使得训练数据的各数据记录的运行参数的第一部分是数据驱动的模型的输入，反之，数据驱动的模型的输出则是包含在各数据记录中的运行参数的第二部分。模型误差在这种情况下通过在经由数据驱动的模型输出的运行参数的第二部分和训练数据的相应的数据记录的运行参数的相应的第二部分之间的差别给定。
在按本发明的方法的框架内，借助在各迭代步骤中被学习的密度评估器和数据驱动的模型，在接下来的迭代步骤中从用于学习的训练数据中选出数据记录或对其加权以用于学习，其中，宁可从训练数据中选出有低置信度和高模型误差的数据记录或对其进行较高的加权。这就是说，宁可从训练数据中选出在同样的模型误差下具有比另一个数据记录更低的置信度的数据记录或对该数据记录进行比另一个数据记录更高的加权。同样，优选选出在相同的置信度时具有比另一个数据记录更高的模型误差的数据记录或对其进行比另一个数据记录更高的加权。
本发明基于这样的认识，即，当使用具有高度的“新鲜”的训练数据时，也就是说，训练数据的置信度很小且因此针对这些训练数据存在不大类似的数据记录时，那么就达到了技术系统的数据驱动的模型的一种特别有效的学习。同训练数据的这样一些区域对学习方法同样是有益，对这些区域而言，模型仍然是有错误的，也就是说，对这些区域而言，还产生了很大的模型误差。因此通过合适的相互关系的模型化达到了一种学习，该学习实现了技术系统的一种良好的数据驱动的模型的计算有效的生成，其中，在所述相互关系中，在学习的新的迭代步骤中更为强烈地考虑到了有低置信度或高模型误差的数据记录。
用按本发明的方法可以恰当地提取出在大量训练数据中存在的相互关系并且用于技术系统以及尤其是燃气轮机或风力轮机的特性的模型化。相应的技术系统的良好的模型化在此在训练数据的数据记录仅包含很少的运行参数或训练数据的量在很少的数据记录中分布时才被实现。在按本发明的方法中，仅利用重要的与信息相关的数据记录或训练数据的区域，因而可以快速且以很少的计算资源建立起相应的模型。此外，通过按本发明的方法优化了所产生的数据驱动的模型的百分位数表现。当数据驱动的模型在技术系统的得到计算机支持的控制或监督的框架内被使用时，这一点然后就尤为有利。
按本发明的方法此外还具有这样的优势，即，它提供一种经学习的密度评估器，该密度评估器紧接着可以在计算技术系统的控制模型和/或调节模型或监督模型时被集成。在此，使用在相应的控制模型或监督模型中的密度评估器，提供了关于技术系统的当前的运行参数的表现力的信息。相应的报告阈值或最大值尤其可以动态地与调整参数的改变相匹配。以此方式可以避免在技术系统以及尤其是燃气轮机和风力轮机的实时监督时的错误警报。此外，所生成的数据驱动的模型的授权可以变得与技术系统的当前运行参数的相应的数据记录的置信度以及因而数据密度相关，也就是说，仅在足够的数据密度时，数据驱动的模型或技术系统的运行才被接受或继续。以此方式可以避免在技术系统上的调整参数调整，其例如基于燃气轮机的很大的燃烧动态而导致技术系统受损。
用通过按本发明的方法生成的数据驱动的模型也可以将技术系统的动态（也就是说与时间相关的）特性模型化。在这种情况下，数据记录不仅包括在相同时间点上的运行参数，而且还包括对应数据驱动的模型的建筑结构在息息相关的时间点上的一系列运行参数。
用按本发明的方法优选学习神经网络以及尤其是循环神经网络作为数据驱动的模型。用这种循环神经网络可以良好地在相应的训练数据的基础上复制技术系统的特性。神经网络的学习优选通过一种本身公知的误差反向传播方法（Error-Backpropagation-Verfahren）完成。在一种特别优选的实施形式中，使用在文献DE 10 2010 011 221 A1中说明的网络作为神经网络，其也被称为马尔可夫决策过程提取网络（Markov-Entscheidungsprozess-Extraktions-Netzwerk）。
按本发明的方法尤其良好地适用于燃气轮机的模型化。燃气轮机的被作为技术系统的运行参数在数据记录中被考虑到的合适的测量参数，包括一个或多个下列参数：
- 在环境中的温度，燃气轮机在该环境中运行；
- 在环境中的空气湿度，燃气轮机在该环境中运行；
- 在环境中的空气压力，燃气轮机在该环境中运行；
- 燃气轮机的功率，尤其是按百分比算的功率值；
- 燃气轮机的燃料质量；
- 燃气轮机的有害物质排放，尤其是氮氧化物和/或一氧化碳的排放；
- 燃气轮机的一个或多个涡轮叶片的温度；
- 燃气轮机的废气温度；
- 燃气轮机的燃烧动态。
燃烧动态的上述概念在此涉及在燃气轮机内用合适的传感器检测到的压力波动的振幅值。
相对于此，针对燃气轮机，一个或多个下列调整参数被证实尤为适合作为在数据记录中的运行参数：
- 在燃气轮机中一个或多个导向叶片的位置；
- 输送给燃气轮机的气体的量；
- 针对燃气轮机的废气温度的额定值。
在此要注意的是，在燃气轮机中，通常可以通过合适的调节器调整针对涡轮机的废气温度的期望的值。这个值对应上述额定值。
按本发明的方法的另一个优选的使用领域是建立用于风力轮机的数据驱动的模型。在此，优选使用一个或多个下列参数作为在数据记录中的运行参数的测量参数：
- 用风力轮机生成的电功率；
- 在环境中的风速，风力轮机在该环境中运行；
- 风力轮机的转速；
- 在风力轮机的转子叶片上的弯曲应力和/或偏转和/或交变载荷；
- 风力轮机的塔台的振动。
在数据记录中优选使用一个或多个下列参数作为风力轮机的运行参数的调整参数：
- 风力轮机的转子叶片的迎角；
- 风力轮机的特性曲线，其代表在转速和由风力轮机生成的电功率之间的相互关系。
在另一种特别优选的实施形式中，用通过按本发明的方法生成的数据驱动的模型在一个或多个优化标准的基础上计算用于技术系统的运行的控制模型和/或调节模型。这个经计算的控制模型和/或调整模型根据来自技术系统的运行参数的一个或多个测量参数表明来自技术系统的运行参数的一个或多个调整参数的改变并且由此在技术系统的真实运行中实现了对调整参数的合适的调整。
若计算燃气轮机的控制模型和/或调节模型，那么这个或这些优化标准优选包括尽可能小的有害物质排放和/或尽可能小的燃烧动态或尽可能高的效率（热率）或尽可能高的功率。以此方式确保了燃气轮机的环保的运行或确保了涡轮机的长使用寿命。
若计算风力轮机的控制模型和/或调节模型，那么这个或这些优化标准包括风力轮机的尽可能高的效率和/或在风力轮机的转子叶片上的尽可能小的弯曲应力。由此确保了风力轮机的最佳的运行或又确保了风力轮机的长使用寿命。
在另一种特别优选的实施形式中，这样设计控制模型和/或调节模型，以致于用经过学习的密度评估器从技术系统的运行中出现的运行参数求出数据记录的各置信度，其中，当相应的置信度低于预先确定的阈值时，来自运行参数的一个或多个调整参数的改变被限制并且/或者与数据驱动的模型相关的函数的运行和/或技术系统的运行被中断或不启动。以此方式可以使在按本发明的方法的框架内学习的密度评估器也被用于，在技术系统的运行参数处在一个有足够高的数据密度的范围内时，才授权技术系统的运行。
在按本发明的方法的另一种实施形式中，用所生成的数据驱动的模型计算监督模型，监督模型在一个或多个在技术系统的运行中出现的运行参数偏离相应的通过所生成的数据驱动的模型复制的运行参数大于预定的程度的情况下，发出警告和/或警报和/或技术系统的自动化的安全措施被触发。优选在这种监督模型中也可以恰当地考虑到了所学习的密度评估器。在这种情况下，这样设计监督模型，以致于用所学习的密度评估器从在技术系统的运行中出现的运行参数中求出针对数据记录的各个置信度，其中，各置信度越小，那么预先确定的程度就被调整得越大，其中，警告在该预先确定的程度的基础上生成。以此方式恰当地建立起了针对有很小的数据密度的数据记录的报告阈值。可能时，可以在各置信度小于预先确定的阈值的情况下，也发出报告，使当前由于很小的数据密度而无法发出警告以及因而无法实现监督。
在一种特别优选的实施形式中，在强化学习的基础上和/或模型预估的调节的基础上和/或在优化方法的基础上计算控制模型和/或调节模型和/或监督模型。强化学习的方法以及模型预估的调节在此早就由现有技术公开。同样公知的是相应的优化方法。例如，优化方法可以在以梯度为基础的或随机的检验方法中根据相应地限定的最佳的值按控制模型或调节模型或监督模型被执行。在另一种特别优选的实施形式中，控制模型和/或调节模型和/或监督模型在神经网络，尤其是循环的神经网络的基础上被学习。
作为用于计算相应的控制模型和/或调节模型或监督模型的技术，尤其适合的是这样的方法，它们在文献DE 10 2007 001 025 A1（循环控制神经网络Recurrent-Control-Neural-Network）或DE 10 2007 017 259 A1（神经奖励回归Neural-Rewards-Regression）或DE 10 2007 042 440 B3（策略梯度神经奖励回归Policy-Gradient-Neural-Rewards-Regression）中被说明。同样地，由现有技术公开的NFQ迭代（Neural-Fitted-Q-Iteration（神经匹配迭代））（参看文献[2]）也可以被用来计算相应的控制模型和/或调节模型或监督模型。
可能时可以在控制模型和/或调节模型或监督模型用神经网络的学习中使用规则化方法。例如除了针对各数据记录的误差外，还可以添加在神经网络中的一个所谓的权值惩罚项（英文：weight penalty term），从而更确切地说在有很小数据密度的区域中产生了线性的以及因而更好地外插的模型。同样可以获得用本身公知的评估函数InverseKurtosis选择的神经网络的权，由此在有很小数据密度的数据区域中稳定化特性。这一点尤其在计算用于燃气轮机或风力轮机的控制模型和/或调节模型时有利。
在另一种优选的实施形式中，在置信度或模型误差和数据记录的选出或加权之间的相互关系，在生成数据驱动的模型时通过一个函数被模型化。在此限定一个函数，其与置信度和模型误差相关，其中，该函数在数据记录的置信度和模型误差的基础上被确定，是否选出一个数据记录或数据记录的加权有多高。该函数可以根据应用情形的不同而被不同地设计。在技术人员处理的框架内正确地确定这种函数。该函数例如可以不连贯地通过阶跃或以恰当的方式连续地模型化相应的相互关系。
在按本发明的方法的另一种优选的实施形式中，这样在生成数据驱动的模型时选出数据记录，即，使它们针对接下来的迭代步骤在配属于数据记录的概率的基础上借助抽检取样被取出。这就是说，在各置信度或模型误差的基础上以恰当的方式为数据记录指配若干概率，这些概率然后在取样的框架内被考虑到。概率的指配可以例如通过上述函数进行。
在按本发明的方法的另一种实施形式中，为来自训练数据的数据记录配设权，这些权在密度评估器和数据驱动的模型的学习中被考虑到，其中，权借助在各个迭代步骤中被学习的密度评估器和数据驱动的模型被这样地更新，使得来自训练数据的有低置信度和高模型误差的数据记录获得较高的权。权可以以各种方式被密度评估器或数据驱动的模型考虑到。在本发明的一种变型方案中，权代表概率，概率由密度评估器和数据驱动的模型处理。例如可以通过密度评估器和/或数据驱动的模型在它们的概率的基础上从训练数据中选出数据记录以学习。概率也可以在学习的框架内被恰当地考虑到，例如在一种被密度评估器或数据驱动的模型使用的随机的梯度下降方法中。
按本发明的方法中可以以各种方式被初始化。在一种实施形式中，所述方法用来自训练数据的例如被随机确定的一部分数据记录初始化。同样，所述方法可以用所有来自训练数据的数据记录，用最初确定的初始的权进行启动。
在按本发明的框架内求出的模型误差可以例如被通过数据驱动的模型复制的数据记录或数据记录的被复制的运行参数与训练数据的相应的数据记录或这个数据记录的相应的运行参数的按照数量的据对偏差代表。同样地，模型误差可以是相关的偏差，在这些偏差中，求出了关于数据记录的所有模型误差的标准偏差的按照数量的绝对偏差，这些数据记录在各迭代步骤中被复制。
在按本发明的方法中被发出的置信度可以同样被合适地规范化，例如规范到一个在0和1之间的间隔，其中，值0不代表任何置信度（也就是说很小的数据密度）以及值1代表高的置信度（也就是说高的数据密度）。
在按本发明的方法的框架内被执行的迭代可以基于不同的标准而被结束。在一种优选的实施形式中，当为接下来的迭代步骤选出的或加权的数据记录的至少一个预定份额的模型误差低于预先确定的阈值时和/或当为接下来的迭代步骤选出的或加权的数据记录的至少一个预定份额的置信度高于预定的阈值时，然后结束迭代。以此方式确保了所述方法在达到进过学习的数据驱动的模型的一定的最低质量时才结束。预先确定的份额在此可以例如是所有模型误差或置信度的95%或99%或以上。
在按本发明的方法的另一种实施形式中，当为接下来的迭代步骤选出的或加权的数据记录的平均模型误差相对之前的迭代步骤不再变小和/或当为接下来的迭代步骤选出的或加权的数据记录的置信度处在预先确定的阈值之上时，然后结束迭代。
除了上述的用于生成数据驱动的模型的方法外，本发明此外还涉及一种用于运行技术系统的方法，在该方法中，用按本发明的方法或按本发明的方法的一个或多个优选的变型方案生成了一个数据驱动的模型以及接下来将该模型用于分析和/或影响（尤其是直接影响）技术系统的运行。
这个方法因此在技术系统的真实运行的框架内使用按本发明生成的数据驱动的模型。优选使用在一种用于生成数据驱动的模型的变型方案中，该变形方案计算控制模型和/或调节模型或监督模型。在这种情况下，用控制模型和/或调节模型或/或监督模型调节和/或控制和/或监督技术系统。
除了前述的方法外，本发明此外还涉及一种计算机程序产品，带有储存在机器可读的载体上的程序代码以在程序代码在计算机上被实施时执行按本发明的方法或按本发明的方法的一个或多个优选的变型方案。
附图说明
接下来借助附图详细说明本发明的实施例。
附图中：
图1示意性示出了按本发明的方法的第一种实施形式；并且
图2示意性示出了按本发明的方法的第二种实施形式。
具体实施方式
接下来说明的按本发明的方法的实施形式用于在使用包括多个数据记录的训练数据的情况下生成技术系统的数据驱动的模型。用这些实施形式生成的数据驱动的模型然后可以以恰当的方式如前文所述那样被用来计算用于技术系统的相应的控制模型和/或调节模型或监督模型。这些控制模型和/或调节模型或监督模型紧接着可以如同样在前文中阐述的那样使用在技术系统的真实运行中。下文中说明的实施形式的一种特别优选的应用情形在此为生成一种用于燃气轮机或风力轮机的数据驱动的模型。
在此处说明的实施形式中，单个的数据记录为向量，它们包括技术系统的多个运行参数。这些运行参数的例子在前文中已经针对燃气轮机或风力轮机提到过。向量的运行参数在一个实施形式中是技术系统的在时间上连续相继的测量参数和调整参数，因而用数据驱动的模型学习技术系统的动态学特性。在技术系统的真实运行中检测在训练数据中的运行参数以及将其储存在数据库中。
按本发明的方法的目的现在在于，从训练数据中提取相关的信息以及排除冗余信息，从而改善用训练数据进行学习的数据驱动的模型的质量。在此尤其应当改善经过学习的模型的所谓的百分位数表现。也就是说，应当提高在技术系统的有很少的数据记录的运行区域中的数据驱动的模型的质量。
图1示出了按本发明的方法的一种实施形式，在该方法中处理被储存在相应的数据库中的训练数据TD。如已经提到的那样，这些训练数据涉及形式为技术系统的运行参数的数据记录，其中，可能时进行预先过滤，从而在该方法中仅进一步处理数据记录的与数据驱动的模型相关的特定的运行参数或仅进一步处理特定的数据记录。图1的实施形式基于这样的思想，即，为了学习数据驱动的模型，通过取样样（也就是说抽检取样）从训练数据TD中恰当地选出一部分。在初始化该方法时，首先在步骤RS（RS = 随机取样）中随机地选出一部分训练数据。这一部分在图1中用RD（RD = 减少的数据集）标注。形式为神经网络或神经模型NM的数据驱动的模型用这一部分进行学习，其中，为此使用本身公知的学习方法，例如强化学习。
平行地用这一部分学习一种密度评估器或数据封装器DE。在此处说明的实施形式中，使用由文献[1]公开的、以神经云为基础的密度评估器作为数据封装器。已知基于这种方法的密度评估以及因此未加以详细说明。密度评估的目的在于，为相应的数据记录或数据点如下求出其“新鲜处”，即，训练数据的其它的数据记录与观察的数据记录相似到何种程度，其中，相似性通过数据记录彼此间的间距说明。这个间距通过数据空间内的数据点的欧氏间距给定。用来自文献[1]的密度评估器首先基于Min-Max-标准化方法执行单个数据记录或数据点的标准化。紧接着在由现有技术公开的也被称为“高等K Means”的K Means算法的一种变型的基础上进行聚类。这种算法在数据点的空间内提供聚类中心。在下一个步骤中将高斯钟（Gaußsche Glocken）置于这些中心上，以及紧接着进行高斯钟的标准化。作为算法的最终结果，人们然后获得了一个经过学习的数据封装器，其为各个数据记录求出了一个置信度，置信度代表该数据记录与来自训练数据的数据记录的相似性以及在上述文献[1]中被评估为是针对所述技术系统的失效概率。
在神经网络NM的学习结束之后，来自训练数据的数据记录可以被复制直至复制到一个模型误差。在此，数据记录的一定份额的运行参数被作为神经网络的输入向量进行处理。神经网络然后提供相应的数据记录的其它运行参数作为输出向量。通过在按训练数据的实际的输出向量和通过神经网络计算出的输出向量之间的差别而产生了相应的模型误差。
在图1的实施形式中，数据封装器DE的相应的置信度CM和神经网络NM的相应的模型误差ME被用于执行一种加权的取样WS。针对加权的取样，为所有来自训练数据TD的数据记录分别求出用经过学习的神经网络产生的模型误差和通过数据封装器产生的置信度。针对这些值的每一个组合，为相应的数据记录确定一个概率，其中，用于数据记录的概率被标准化到1。这些概率在此以恰当的方式被这样决定，使得在相同的模型误差时，一个有低置信度的数据记录具有比一个有较高的置信度的数据记录更高的概率。此外，这样确定概率，使得在相同的置信度时，一个有高模型误差的数据记录具有比一个有低模型误差的数据记录更大的概率。紧接着用这些概率执行取样WS。在此，通过取样更确切地说从训练数据取出这样的数据记录，它们基于低置信度而具有高度的新鲜度或它们被数据驱动的模型很糟糕地复制。
在执行抽检取样WS之后，人们获得了新的一部分数据记录RD，它们现在在接下来的迭代步骤中被用于数据封装器DE和神经网络NM的进一步学习。紧接着又进行新的加权取样WS，不过此时为此重新通过再次经过学习的数据封装器或再次经过学习的神经网络确定了取样的相应的概率。最后，用新产生的一部分数据记录在接下来的迭代步骤中继续所述方法。
数据封装器或神经网络的迭代学习基于合适的中断标准而结束。在此这样确定中断标准，即，当针对新产生部分的所有数据记录，各模型误差要小于一个预定的阈值且各置信度要大于一个预先确定的阈值时，所述方法被结束。作为所述方法的最终结果，人们获得了一个经过学习的神经网络，其紧接着可以用于计算技术系统的控制模型和/或调节模型或监督模型。
图2表示按本发明的方法的第二种实施形式。与图1的区别在于，在数据封装器DE和神经网络NM学习时，始终使用（可能时合适地预过滤）训练数据TD的所有的数据记录。但数据记录在使用经过学习的数据封装器或经过学习的神经网络的情况下以合适的方式被加权。图2的方法在一开始时被恰当地初始化，其中，现在在初始化的框架内按训练数据求出用于N个被观察的数据记录的权w1、w2, ...，wN。权可以例如随机地或用值1/N初始化。权在此处说明的实施形式中表示概率，这些概率被数据封装器DE或神经网络NM考虑到。
与图1的实施形式的区别在于，现在，在没有预先选出的情况下考虑到了所有的训练数据。通过由权代表的概率，对应文献[1]中的密度评估器的数据封装器选出相应的数据记录。概率可以在数据封装器中在上述标准化时顺便提到，其中，按照概率来选出在标准化时被考虑到的数据记录。概率同样可以在上述聚类时。在此，通过概率来选出，哪些数据记录在发现聚类中心时被使用。这些概率同样可以在数据封装器中使用的聚类中心的距离计算时被使用。在此，通过概率确定了，哪些数据记录在计算距离时被考虑到。在标准化、聚类和计算距离的框架内，可以一次性地确定相应使用的数据记录以及为每一个这种步骤单独重新地求出相应地使用的数据记录。
此外，通过权选出相应的数据记录，这些数据记录为了学习或在神经网络的学习的框架内而被考虑到。例如在学习时可以基于数据记录的选出而在公知的随机的梯度下降方法的框架内求出梯度。
在数据封装器或神经网络的学习后，进行更新步骤UP，在该更新步骤中，基于经过学习的数据封装器和经过学习的神经网络重新计算最初的经初始化的权。这一点与图1类似地由此发生，即，为所有来自训练数据的数据记录求出数据封装器的相应的置信度和神经网络的相应的模型误差以及由此这样来推导出权或概率，即，所观察的数据记录的置信度越小或所观察的数据记录的模型误差越大，那么概率就越高。例如基于一个函数的相应的相互关系的确定，在此处于技术人员处理的框架内。例如可以通过一个相应的函数将一种线性的相互关系模型化。
图2的方法伴随在步骤UP中被更新的权在接下来的迭代步骤中继续。在这个迭代步骤中，数据封装器和神经网络再次在考虑到新的权的情况下进行学习，以及紧接着用经过学习的数据封装器或经过学习的神经网络进行对权的新的更新。这种迭代的方法通过一个合适的中断标准被结束，其中，中断标准与图1类似地被这样确定，即，当数据封装器的针对各数据记录产生的置信度处在预定的阈值之上或神经网络的针对数据记录产生的模型误差处在预先确定的阈值之下时，结束所述方法。以此方式经过学习的神经网络可以紧接着又用于模型的计算以控制或监督相应的技术系统。
按本发明的方法的在前文中说明的实施形式具有一系列优势。尤其可以从大量的训练数据中提取出这样的数据记录，用它们可以良好地说明以这些数据记录为基础的技术系统。通过恰当地选出一部分数据记录或通过数据记录的加权，在此可以学习一种数据驱动的模型，该模型考虑到了有较少数据记录的较强的区域。因此强烈地考虑到了技术系统的偏离正常运行的运行工况。
用按本发明的方法可以通过选出相关的数据记录实现相应的数据驱动的模型在训练数据的基础上的较快的学习。此外，经过学习的数据驱动的模型具有较好的百分位数表现，因为优选在有较少数据的区域中被学习。良好的百分位数表现在技术系统运行中正确地预报错误时很重要。
文献索引：
[1]：B.Lang等，用于监督复杂系统的神经云、光学存储器和神经网络（NeuralClouds for Monitoring of Complex System, Optical Memory and Neural Networks）（信息光学（Information Optics）），2008，17卷，No.3，183-192页；
[2] M. Riedmiller，神经适配的Q迭代 - 与数据有效的神经强化学习方法的第一次接触（Neural Fitted Q Iteration – First Experience with a Data EfficientNeural Reinforcement Learning Method），欧洲机器学习会议档案（Proc. Of theEuropean Conf. on Machine Learning）, 2005, 317-328页。

Claims (24)

1.用于在计算机支持下生成技术系统的数据驱动的模型（NM）的方法，该数据驱动的模型被用于自动化的监督任务和/或诊断任务和/或调节任务，其中，数据驱动的模型在训练数据的基础上被生成，训练数据包括多个数据记录，这些数据记录代表技术系统的多个运行参数，其中：
- 针对多个迭代步骤分别借助来自训练数据（TD）的数据记录进行数据驱动的模型（NM）和密度评估器（DE）的学习，其中密度评估器（DE）针对来自训练数据的数据记录而发出各一个置信度（CM），各数据记录与来自训练数据（TD）的其它数据记录的相似性越大，那么这个置信度就越高，并且其中通过数据驱动的模型（NM）分别伴随模型误差（ME）地复制训练数据的数据记录；
- 借助在各迭代步骤中被学习的密度评估器（DE）和数据驱动的模型（NM）从训练数据（TD）选出数据记录或对来自训练数据（TD）的数据记录加权以用于在接下来的迭代步骤中的学习，其中，宁可从训练数据（TD）选出有低置信度（CM）和高模型误差（ME）的数据记录或对其进行较高的加权。
2.按权利要求1所述的方法，其中，被学习的所述数据驱动的模型（NM）是神经网络。
3.按权利要求1或2所述的方法，其中，技术系统的运行参数包括燃气轮机的一个或多个下列测量参数：
- 在环境中的温度，燃气轮机在该环境中运行；
- 在环境中的空气湿度，燃气轮机在该环境中运行；
- 在环境中的空气压力，燃气轮机在该环境中运行；
- 燃气轮机的功率；
- 燃气轮机的燃料质量；
- 燃气轮机的有害物质排放；
- 燃气轮机的一个或多个涡轮叶片的温度；
- 燃气轮机的废气温度；
- 燃气轮机的燃烧动态。
4.按权利要求1或2所述的方法，其中，技术系统的运行参数包括燃气轮机的一个或多个下列调整参数：
- 在燃气轮机中一个或多个导向叶片的位置；
- 输送给燃气轮机的气体的量；
- 针对燃气轮机的废气温度的额定值。
5.按权利要求1或2所述的方法，其中，技术系统的运行参数包括风力轮机的一个或多个下列测量参数：
- 用风力轮机生成的电功率；
- 在环境中的风速，风力轮机在该环境中运行；
- 风力轮机的转速；
- 在风力轮机的转子叶片上的弯曲应力和/或偏转和/或交变载荷；
- 风力轮机的塔台的振动。
6.按权利要求1或2所述的方法，其中，技术系统的运行参数包括风力轮机的一个或多个下列调整参数：
- 风力轮机的转子叶片的迎角；
- 风力轮机的特性曲线，所述特性曲线代表在转速和由风力轮机生成的电功率之间的相互关系。
7.按权利要求1或2所述的方法，其中，用所生成的数据驱动的模型（NM）在一个或多个优化标准的基础上计算出用于运行技术系统的控制模型和/或调节模型，其中控制模型和/或调节模型根据来自技术系统的运行参数的一个或多个测量参数表明来自技术系统的运行参数的一个或多个调整参数的改变。
8.按权利要求7所述的方法，其中，计算燃气轮机的控制模型和/或调节模型，其中这个或这些优化标准包括尽可能小的有害物质排放和/或尽可能小的燃烧动态和/或尽可能高的效率和/或尽可能高的功率。
9.按权利要求7所述的方法，其中，建立风力轮机的控制模型和/或调节模型，其中这个或这些优化标准包括风力轮机的尽可能高的效率和/或尽可能小的弯曲应力和/或偏转和/或在风力轮机的转子叶片上的交变载荷。
10.按权利要求7所述的方法，其中，这样设计控制模型和/或调节模型，以致于用所学习的密度评估器（DE）从技术系统的运行中出现的运行参数求出数据记录的各个置信度（CM），其中当相应的置信度（CM）低于预先确定的阈值时，来自运行参数的一个或多个调整参数的改变受到限制并且/或者与数据驱动的模型相关的函数的运行和/或技术系统的运行被中断或不启动。
11.按权利要求7所述的方法，其中，用所生成的数据驱动的模型计算监督模型，监督模型在一个或多个在技术系统的运行中出现的运行参数偏离相应的通过所生成的数据驱动的模型（NM）复制的运行参数大于预先确定的程度时，发出警告和/或警报并且/或者技术系统的自动化的安全措施被触发。
12.按权利要求11所述的方法，其中，这样设计监督模型，以致于用所学习的密度评估器从在技术系统的运行中出现的运行参数中求出针对数据记录的各个置信度（CM），其中，各置信度（CM）越小，那么预先确定的程度就被调整得越大，其中在该预先确定的程度的基础上生成警告。
13.按权利要求11所述的方法，其中，控制模型和/或调节模型和/或监督模型在强化学习的基础上和/或模型预估的调节的基础上和/或在优化方法的基础上被计算。
14.按权利要求11所述的方法，其中，控制模型和/或调节模型和/或监督模型在神经网络的基础上被学习。
15.按权利要求1或2所述的方法，其中，通过与置信度（CM）和模型误差（ME）相关的函数实现来自训练数据（TD）的数据记录的选出或加权。
16.按权利要求1或2所述的方法，其中，这样从训练数据选出数据记录，从而使它们针对接下来的迭代步骤在配属于数据记录的概率的基础上借助抽检取样被取出。
17.按权利要求1或2所述的方法，其中，给来自训练数据（TD）的数据记录配设权，这些权在密度评估器（DE）和数据驱动的模型（NM）的学习时被考虑到，其中，所述权借助在各个迭代步骤中被学习的密度评估器（DE）和数据驱动的模型（NM）被这样地更新，以致于来自训练数据（TD）的有低置信度（CM）和高模型误差（ME）的数据记录获得较高的权。
18.按权利要求17所述的方法，其中，所述权代表概率，所述概率通过密度评估器（DE）和数据驱动的模型（NM）被处理。
19.按权利要求18所述的方法，其中，基于用于学习的或在学习的框架内的概率，通过密度评估器（DE）和/或数据驱动的模型（NM）从训练数据（TD）中选出数据记录。
20.按权利要求1或2所述的方法，其中，所述方法用来自训练数据（TD）的被随机确定的部分数据记录（RD），或用所有来自训练数据（TD）的数据记录，用初始的权被初始化。
21.按权利要求1或2所述的方法，其中，密度评估器（DE）以神经云算法为基础。
22.按权利要求1或2所述的方法，其中，当为接下来的迭代步骤选出的或加权的数据记录的至少一个预定份额的模型误差（ME）低于预定的阈值时并且/或者当为接下来的迭代步骤选出或加权的数据记录的至少一个预定份额的置信度（CM）高于预定的阈值时，结束迭代。
23.用于运行技术系统的方法，其中，用按前述权利要求任一项所述的方法生成数据驱动的模型并且接下来将该模型用于分析和/或影响技术系统的运行。
24.用于运行技术系统的方法，其中，用按权利要求11至14中任一项所述的方法生成数据驱动的模型并且接下来将该模型用于分析和/或影响技术系统的运行，其中，用控制模型和/或调节模型和/或监督模型调节和/或控制和/或监督技术系统。
CN201280027163.8A 2011-06-03 2012-06-01 用于在计算机支持下生成技术系统尤其燃气轮机或风力轮机的数据驱动的模型的方法 Active CN103597413B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102011076936 2011-06-03
DE102011076936.6 2011-06-03
PCT/EP2012/060400 WO2012164075A2 (de) 2011-06-03 2012-06-01 Verfahren zur rechnergestützten generierung eines datengetriebenen modells eines technischen systems, insbesondere einer gasturbine oder windturbine

Publications (2)

Publication Number Publication Date
CN103597413A CN103597413A (zh) 2014-02-19
CN103597413B true CN103597413B (zh) 2017-01-18

Family

ID=46275807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201280027163.8A Active CN103597413B (zh) 2011-06-03 2012-06-01 用于在计算机支持下生成技术系统尤其燃气轮机或风力轮机的数据驱动的模型的方法

Country Status (5)

Country Link
US (1) US9466032B2 (zh)
EP (1) EP2697695B1 (zh)
JP (1) JP5832644B2 (zh)
CN (1) CN103597413B (zh)
WO (1) WO2012164075A2 (zh)

Families Citing this family (52)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8775341B1 (en) 2010-10-26 2014-07-08 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
US9015093B1 (en) 2010-10-26 2015-04-21 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
EP2706422B1 (de) * 2012-09-11 2016-07-27 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Überwachung des Betriebs eines technischen Systems, insbesondere einer elektrischen Energieerzeugungsanlage
CA2897041C (en) 2013-03-15 2020-08-25 Rolls-Royce Corporation Lifing and performance optimization limit management for turbine engine
DE102013205356B4 (de) * 2013-03-26 2016-07-07 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
ES2568052T3 (es) * 2013-09-27 2016-04-27 Deutsche Telekom Ag Procedimiento y sistema para la evaluación de valores medidos registrados de un sistema
WO2015100632A1 (zh) * 2013-12-31 2015-07-09 西门子公司 燃气轮机运行参数检测故障的诊断方法
JP6710039B2 (ja) * 2015-10-28 2020-06-17 三菱日立パワーシステムズ株式会社 計画装置、計画方法およびプログラム
US10551818B2 (en) * 2015-11-25 2020-02-04 United Technologies Corporation Fault detection methods and systems
FR3046265B1 (fr) * 2015-12-29 2018-08-10 Thales Systeme de surveillance d'une installation industrielle ; procedes de configuration et de surveillance associes
US10430716B2 (en) * 2016-02-10 2019-10-01 Ground Rounds, Inc. Data driven featurization and modeling
EP3260700A1 (en) * 2016-06-22 2017-12-27 Siemens Aktiengesellschaft A computer-based method and a prediction device for predicting operating data of a wind turbine
DE102017122928A1 (de) * 2016-10-11 2018-01-18 FEV Europe GmbH Verfahren zum Bestimmen eines Effizienzwertes einer Turbine mit einer variablen Geometrie
JP6815184B2 (ja) * 2016-12-13 2021-01-20 株式会社東芝 情報処理装置、情報処理方法、および情報処理プログラム
CN106704103B (zh) * 2017-01-05 2019-12-17 华北电力大学 一种基于叶片参数自学习的风电机组功率曲线获取方法
US9881430B1 (en) 2017-02-22 2018-01-30 General Electric Company Digital twin system for a cooling system
JP2018178900A (ja) * 2017-04-18 2018-11-15 株式会社日立製作所 風力発電システム
US11062226B2 (en) 2017-06-15 2021-07-13 Microsoft Technology Licensing, Llc Determining a likelihood of a user interaction with a content element
US10805317B2 (en) 2017-06-15 2020-10-13 Microsoft Technology Licensing, Llc Implementing network security measures in response to a detected cyber attack
US10503580B2 (en) 2017-06-15 2019-12-10 Microsoft Technology Licensing, Llc Determining a likelihood of a resource experiencing a problem based on telemetry data
US10922627B2 (en) 2017-06-15 2021-02-16 Microsoft Technology Licensing, Llc Determining a course of action based on aggregated data
KR102025145B1 (ko) * 2017-09-01 2019-09-25 두산중공업 주식회사 플랜트 데이터 예측 장치 및 방법
EP3489773A1 (de) * 2017-11-24 2019-05-29 Siemens Aktiengesellschaft Verfahren zum rechnergestützten steuern eines technischen systems, insbesondere einer energieerzeugungsanlage
JP7006364B2 (ja) * 2018-02-22 2022-01-24 富士通株式会社 強化学習プログラム、強化学習方法、および強化学習装置
JP2019157841A (ja) * 2018-03-16 2019-09-19 株式会社Ｌｉｘｉｌ 制御装置、及び制御方法
JP7090439B2 (ja) * 2018-03-16 2022-06-24 株式会社Lixil 制御システム、学習装置、制御装置、及び制御方法
JP7090440B2 (ja) * 2018-03-16 2022-06-24 株式会社Lixil 制御システム、学習装置、制御装置、及び制御方法
JP7090443B2 (ja) * 2018-03-20 2022-06-24 株式会社Lixil 制御システム、学習装置、及び制御方法
JP7090445B2 (ja) * 2018-03-20 2022-06-24 株式会社Lixil 制御システム、学習装置、制御装置、及び制御方法
JP7090444B2 (ja) * 2018-03-20 2022-06-24 株式会社Lixil 制御システム、学習装置、及び制御方法
JP7090442B2 (ja) * 2018-03-20 2022-06-24 株式会社Lixil 制御システム、学習装置、及び制御方法
WO2019237316A1 (zh) * 2018-06-15 2019-12-19 大连理工大学 一种基于知识迁移的高炉煤气调度系统建模方法
EP3588211A1 (de) * 2018-06-27 2020-01-01 Siemens Aktiengesellschaft Steuereinrichtung zum steuern eines technischen systems und verfahren zum konfigurieren der steuereinrichtung
JP2022516159A (ja) 2018-12-31 2022-02-24 センティエント サイエンス コーポレイション 風力タービンギアボックス構成要素における観察可能な損傷のリスクを予測するための方法及びシステム
US11892003B2 (en) * 2019-03-06 2024-02-06 General Electric Company Application of machine learning to process high-frequency sensor signals of a turbine engine
WO2020183568A1 (ja) * 2019-03-11 2020-09-17 三菱電機株式会社 運転支援装置及び運転支援方法
JP7345744B2 (ja) * 2019-07-08 2023-09-19 株式会社野村総合研究所 データ処理装置
CN114424217A (zh) * 2019-09-30 2022-04-29 西门子股份公司 综合能源系统的优化方法、装置和计算机可读存储介质
EP4024145A4 (en) * 2019-09-30 2023-05-31 Siemens Aktiengesellschaft NONLINEAR MODEL MODELING METHOD, DEVICE, AND STORAGE MEDIA
JP7381861B2 (ja) 2019-11-29 2023-11-16 富士通株式会社 複合モデル生成プログラム及び方法、並びに情報処理システム
EP3828408A1 (en) * 2019-11-29 2021-06-02 Siemens Gamesa Renewable Energy A/S A method and an apparatus for computer-implemented monitoring of a wind turbine
EP3839666B1 (de) 2019-12-18 2023-10-11 Siemens Aktiengesellschaft Steuereinrichtung zum steuern eines technischen systems und verfahren zum konfigurieren der steuereinrichtung
US11060504B1 (en) 2020-02-07 2021-07-13 General Electric Company Systems and methods for continuous machine learning based control of wind turbines
CN111739134B (zh) * 2020-07-30 2023-05-26 腾讯科技（深圳）有限公司 虚拟角色的模型处理方法、装置及可读存储介质
CN111965981B (zh) * 2020-09-07 2022-02-22 厦门大学 一种航空发动机强化学习控制方法及系统
DE102021202287B4 (de) 2021-03-09 2023-03-23 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Betreiben eines Kraftstoffeinspritzventils mithilfe maschineller Lernverfahren
DE102021202289A1 (de) 2021-03-09 2022-09-15 Robert Bosch Gesellschaft mit beschränkter Haftung Computerimplementiertes Verfahren und Vorrichtung zum Trainieren eines datenbasierten Zeitpunktbestimmungsmodells für die Bestimmung eines Öffnungs- oder Schließzeitpunkts eines Einspritzventils mithilfe maschineller Lernverfahren
DE102021113547A1 (de) * 2021-05-26 2022-12-01 Rwe Renewables Gmbh Verfahren zum Trainieren eines Machine-Learning-Modells verwendbar zum Bestimmen einer Restnutzungsdauer einer Windkraftanlage
US11649804B2 (en) 2021-06-07 2023-05-16 General Electric Renovables Espana, S.L. Systems and methods for controlling a wind turbine
US20230314341A1 (en) * 2022-04-05 2023-10-05 Raytheon Technologies Corporation Data transfer systems and methods for analysis inputs
US11860060B2 (en) 2022-04-05 2024-01-02 Rtx Corporation Integrally bladed rotor analysis and repair systems and methods
CN115493740B (zh) * 2022-11-14 2023-02-28 长江勘测规划设计研究有限责任公司 利用机器视觉测量水轮机内部流道压力脉动的方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5335291A (en) * 1991-09-20 1994-08-02 Massachusetts Institute Of Technology Method and apparatus for pattern mapping system with self-reliability check
CN101689044A (zh) * 2007-04-12 2010-03-31 西门子公司 用于计算机辅助控制和/或调节技术系统的方法
CN101695190A (zh) * 2009-10-20 2010-04-14 北京航空航天大学 一种基于神经网络的三维无线传感器网络节点自定位方法
CN101701845A (zh) * 2009-11-04 2010-05-05 西安理工大学 一种机车车轮运行状态的识别方法
CN101819411A (zh) * 2010-03-17 2010-09-01 燕山大学 一种基于gpu的改进加权关联规则的设备故障预警与诊断方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5485545A (en) * 1991-06-20 1996-01-16 Mitsubishi Denki Kabushiki Kaisha Control method using neural networks and a voltage/reactive-power controller for a power system using the control method
US5598075A (en) * 1995-09-13 1997-01-28 Industrial Technology Research Institute Servo control method and apparatus for discharging machine
GB0016561D0 (en) * 2000-07-05 2000-08-23 Rolls Royce Plc Health monitoring
US7321809B2 (en) * 2003-12-30 2008-01-22 The Boeing Company Methods and systems for analyzing engine unbalance conditions
US7216061B2 (en) * 2004-08-25 2007-05-08 Siemens Corporate Research, Inc. Apparatus and methods for detecting system faults using hidden process drivers
US7421348B2 (en) 2005-03-18 2008-09-02 Swanson Brian G Predictive emissions monitoring method
US8768664B2 (en) * 2005-03-18 2014-07-01 CMC Solutions, LLC. Predictive emissions monitoring using a statistical hybrid model
US8065022B2 (en) 2005-09-06 2011-11-22 General Electric Company Methods and systems for neural network modeling of turbine components
US7660636B2 (en) * 2006-01-04 2010-02-09 Accelerated Care Plus Corp. Electrical stimulation device and method for the treatment of dysphagia
DE102007001025B4 (de) 2007-01-02 2008-11-20 Siemens Ag Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
DE102007042440B3 (de) 2007-09-06 2009-01-29 Siemens Ag Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
US8194938B2 (en) * 2009-06-02 2012-06-05 George Mason Intellectual Properties, Inc. Face authentication using recognition-by-parts, boosting, and transduction
JP5027859B2 (ja) * 2009-10-26 2012-09-19 パナソニック デバイスＳｕｎｘ株式会社 信号識別方法および信号識別装置
US8620591B2 (en) * 2010-01-14 2013-12-31 Venture Gain LLC Multivariate residual-based health index for human health monitoring
DE102010011221B4 (de) 2010-03-12 2013-11-14 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
US20120072029A1 (en) * 2010-09-20 2012-03-22 Heatvu Inc. Intelligent system and method for detecting and diagnosing faults in heating, ventilating and air conditioning (hvac) equipment

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5335291A (en) * 1991-09-20 1994-08-02 Massachusetts Institute Of Technology Method and apparatus for pattern mapping system with self-reliability check
CN101689044A (zh) * 2007-04-12 2010-03-31 西门子公司 用于计算机辅助控制和/或调节技术系统的方法
CN101695190A (zh) * 2009-10-20 2010-04-14 北京航空航天大学 一种基于神经网络的三维无线传感器网络节点自定位方法
CN101701845A (zh) * 2009-11-04 2010-05-05 西安理工大学 一种机车车轮运行状态的识别方法
CN101819411A (zh) * 2010-03-17 2010-09-01 燕山大学 一种基于gpu的改进加权关联规则的设备故障预警与诊断方法

Also Published As

Publication number Publication date
US20140100703A1 (en) 2014-04-10
US9466032B2 (en) 2016-10-11
EP2697695A2 (de) 2014-02-19
JP2014525063A (ja) 2014-09-25
JP5832644B2 (ja) 2015-12-16
WO2012164075A2 (de) 2012-12-06
RU2013157156A (ru) 2015-07-20
WO2012164075A3 (de) 2013-02-21
EP2697695B1 (de) 2019-05-08
CN103597413A (zh) 2014-02-19

Similar Documents

Publication Publication Date Title
CN103597413B (zh) 用于在计算机支持下生成技术系统尤其燃气轮机或风力轮机的数据驱动的模型的方法
JP2021064370A (ja) デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム
Baraldi et al. A Kalman filter-based ensemble approach with application to turbine creep prognostics
US8041597B2 (en) Self-calibrating outlier model and adaptive cascade model for fraud detection
CN109800875A (zh) 基于粒子群优化和降噪稀疏编码机的化工故障检测方法
CN116451879B (zh) 一种干旱风险预测方法、系统及电子设备
Frigg et al. Philosophy of climate science part II: Modelling climate change
Cacciola et al. Detection of rotor imbalance, including root cause, severity and location
Verstraeten et al. Fleetwide data-enabled reliability improvement of wind turbines
CN110160789A (zh) 一种基于ga-enn的风电机组轴承故障诊断方法
Pérez-Pérez et al. Fault diagnosis in wind turbines based on ANFIS and Takagi–Sugeno interval observers
CN104986347A (zh) 一种民机航线飞行员操作差错的实时检测方法
CN105652845A (zh) 一种基于即时学习局部模型的发酵过程故障监测方法
CN115129607A (zh) 电网安全分析机器学习模型测试方法、装置、设备及介质
CN106596110A (zh) 基于在线数据的水轮发电机组水力不平衡故障的自动分析诊断方法
CN117056678B (zh) 一种基于小样本的机泵设备运行故障诊断方法及装置
EP3842635A1 (en) Operating a wind turbine with sensors implemented by a trained machine learning model
Hou et al. An artificial neural network based anomaly detection algorithm for nuclear power plants
CN106547695B (zh) 一种规模软件的测试系统及方法
Roberts et al. Robust mitigation of EOVs using multivariate nonlinear regression within a vibration-based SHM methodology
Kim et al. Monitoring
Floreale et al. Sensitivity analysis by differential importance measure for unsupervised fault diagnostics
CN114049014A (zh) 海上风电机组运行状态评估方法、装置及系统
JP2002351532A (ja) シミュレータシステム、コンピュータ、シミュレータの保守・コンサルタント方法およびプログラム
CN110852544A (zh) 风力发电机组的可靠性评估方法及装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant