CN109902438A - 用于建立模型的方法 - Google Patents

Abstract

介绍了一种用于建立真实物理系统的物理模型的方法和一种用于执行所述方法的装置。通过模型参数确定物理模型，其中存在已知模型参数和未知模型参数，并且其中基于对真实物理系统的测量来训练基于数据的模型，并且利用该基于数据的模型来确定所述未知模型参数的至少之一。

Description

用于建立模型的方法

技术领域

本发明涉及用于建立真实系统的物理模型的方法和用于执行该方法的装置。

背景技术

在技术系统的开发中使用可以用于模拟这些系统的行为的模型。在此，数学模型使用数学的语言，以便例如描述技术或物理系统。用于建立该模型的方法被称为建模。在建模中确定描述模型行为的模型参数。

在此，在所谓的白盒子模型和黑盒子模型之间进行区别。在白盒子模型中可以观察白盒子模型，也即涉及基于已知的物理和/或化学关联描述系统的行为和状态的数学等式。借助这些等式，也可以利用有意义的中间参量再现系统行为。

相反，黑盒子模型是不可观察的。虽然黑盒子模型也包含数学等式，但是这些数学等式不是描述物理，而仅仅描述测量数据之间的关联。由此不包含基本假设，可以从测量数据中得到的任何变化曲线都是可能的。

黑盒子和白盒子模型的混合形式称为灰盒子模型。

为了使物理模型在模拟中正确地表现，必须尽可能精确地确定模型参数。因为它们不总是能够在测量技术上被确定，因此这些不可测量的参数的参数化通过这些参数的优化来实现，在优化中采用对真实系统的测量作为基础，模型输出被适配于所述测量。也即，物理模型的参数化经过对真实系统的个体测量来进行。

在物理的气动系统、物理的传动系模型、或者物理的发动机排放模型的参数化的具体例子中，在确定的、通过发动机转速和发动机负荷定义的工作点上来执行测量。这些测量的数量的限制这里通过各个测量的时间花费和成本来给定。因此仅仅执行比较少的测量。基于这些少量测量来参数化物理模型。

在具体测量的工作点之间物理系统的行为是成问题的。因为不能测量输入参数的所有可能的组合，因此总是存在没有被测量、然而在模型中可被调节出的点的不可靠性或不精确性。

文献DE 10 2008 043 315 A1描述了用于运行内燃机的方法，内燃机的运行与至少一个物理参量相关，该至少一个物理参量在考虑至少一个特征参量的情况下被计算。此外，物理参量借助基于数据的模型来加以确定。从检测的特征参量和检测的物理参量中来计算用于基于数据的模型的训练数据。

由文献DE 10 2008 001 081A1已知了用于控制内燃机的方法。为了控制内燃机确定基于特性曲线族的调节量，其中用于控制内燃机的改动的调节量的值借助基于数据的模型来确定。该基于数据的模型根据被测量的燃烧特征的真实值来加以确定。

因此在所述的文献中描述了，将基于数据的模型用于预测系统的物理参量。但是在基于数据的模型中要注意，这些模型不知道物理的基本结构。此外，在基于数据的模型中的数据范围明显大于在物理模型中的情况。出于该原因，基于数据的模型仅仅受限地适于使用在应用过程或优化过程中。

发明内容

在该背景下，介绍了一种根据权利要求1的用于建立模型的方法和根据权利要求9的用于执行该方法的装置。扩展方案由从属权利要求和说明书得到。

因此介绍了一种方法，其中使用基于数据的模型来参数化物理模型。这可以离线地执行，无需至发动机控制装置等等的连接。因此，同样离线地使用的物理模型尽可能地满足了现实。这不仅仅在少量的所测量的变化曲线上进行，而且在可以借助基于数据的模型由比较少的测量反映的整个范围中实现。

要注意的是，技术上测量真实系统并且基于技术求得的值来学习或训练基于数据的模型。此外，开发物理模型，其中模型参数同样可以被测量和/或由技术数据手册确定。于是这是已知的模型参数。这里，基于的是对系统行为和结构的技术考虑。未知的模型参数于是基于基于数据的模型来求得或确定。在此可以根据未知模型参数的至少之一的要求确定所需数量的未知模型参数或所有未知模型参数。

在此，已知模型参数是例如由对真实物理系统的测量或者由其他关于真实物理系统的已知信息（例如通过如数据手册的文档）确定的模型参数。未知的模型参数是那些没有通过测量或者其他可靠的关于真实物理系统的信息确定的模型参数。这例如是因为这些模型参数由于技术原因或者由于时间或成本原因而不可求得或不可测量。

基于数据的模型可以通过一组测量利用所有可设想的输入参数组合来反映真实系统。该基于数据的模型现在可以被用来应用或优化物理模型的参数。所描述的方法的优点因此在于，物理系统的参数也可以适配于没有被明确测量也或者不能被测量、而是代替地通过基于数据的模型以高精度内插的位置。这节省了时间和附加的测量并且显著改善了物理模型的模型质量。

附加地可以借助基于数据的模型来评价所执行的测量的质量。通过基于数据的模型的统计学解决途径可以容易地识别测量异常，因为测量异常明显地区别于所期望的变化曲线。此外，通过对测量数据的统计学观察可以声明测量噪声以及声明系统行为的可重复性。

对于该方法尤其适合的是如下基于数据的模型：该说明也提供关于模型不确定性的说明。其可以被用来说明基于数据的模型的有效范围。该有效范围或模型不确定性可以在优化中被使用，以便在质量和鲁棒性方面改善优化结果。说明模型不确定性的基于数据的模型的例子是所谓的贝叶斯递归方法如克里格法（"A statistical approach to somemine valuations and allied problems at the Witwatersrand", D.G.Krige, 1951; "The intrinsic random functions, and their applications", G.Matheron,Adv.Appl.Prob., 5, 439-468页, 1973），高斯过程模型（"Gaussian Processes forMachine Learning", Rasmussen和Williams, MIT出版社，2006），稀疏高斯过程（"SparseGaussian processes using pseudo-inputs"; E. Snelson和Z Ghahramani, Advancesin Neural Information Processing Systems 18, 1259-1266页，2006）以及许多其他的。带有模型不确定性的基于数据的模型的其他可能性是神经网络委员会（"Validation ofNeural Networks in Automotive Engine Calibration", D.Lowe和K.Zapart, 1997）。

本发明的其他优点和扩展方案从说明书和附图中得到。

应当理解，前述的和后面还要阐述的特征不仅仅能以分别说明的组合、而且也以其他组合或者单独地被使用而不脱离本发明的范围。

附图说明

图1示出了按照现有技术的方法的流程图。

图2示出了介绍的方法的实施的流程图。

图3示出了所描述的用于执行该方法的装置的实施的示意图。

具体实施方式

本发明借助在附图中的实施方式示意性示出并且下面参照附图加以详细描述。

在图1中，以流程图示出了按照现有技术的用于对物理系统建模的方法的流程。在第一步骤10中，开始构建物理模型。在下一步骤12中进行来自数据手册14或类似文档的模型参数的参数化。

在接着的步骤16中进行未知模型参数的估计。与此并行地在步骤20中进行真实系统的测量。借助测量值，在步骤22中执行未知模型参数的优化。接着（块24）确定未知模型参数，但是仅仅在实际上被测量的位置上。得到物理模型与所述测量的良好一致以及在没有被测量的位置上可能不太好的一致（块26）。

在图2中，以流程图示出了介绍的用于对物理系统建模的方法的实施的流程。在第一步骤30中开始物理模型的构建。在下一步骤32中进行来自数据手册34或类似文档的模型参数的参数化。在该位置上也可以参考在其中在确定点或工作点处测量或者测定了该系统的测量的值。

在接着的步骤36中，进行未知模型参数的评估。这里可以参考经验，这些经验给出关于“哪些模型参数只能困难地或者根本不能例如以测量技术来确定”的消息。与此并行地，在步骤38中进行真实系统的测量并且在另外的步骤40中进行基于数据的模型的学习（学会）或训练。基于测量值和训练的基于数据的模型，在步骤42中借助基于数据的模型的预测来执行未知模型参数的优化。接着（块44）也在未被测量的位置上确定未知模型参数。得到物理模型与所有可设想的测量、也即与所有可能的输入参数组合的良好的一致（块46）。

在说明的方法的实施中，首先从理论的考虑出发并且基于技术考虑建立系统的物理模型。该模型的参数部分可测量并且可以从数据手册中求得。但是不同的参数不可求得并且由此不可知，因为不存在为此匹配的测量技术。当例如需要使用计算机X光断层扫描时，另外的障碍可能是过高的成本。

这里，由此可以通过如下方式来应付：用输入参量的确定激励来测量真实系统并且记录系统应答，也即人们例如利用车辆来经历不同的驾驶机动并且利用合适的测量设备来记录所述不同的驾驶机动以及车辆反应。

这些测量因此一方面用于确定模型参数、并且另一方面用于提供基于数据的模型的训练的基础。可以规定：确定的测量结果被采用来确定参数和训练基于数据的模型。代替地或者补充地，可以规定：测量结果仅仅被采用来确定参数或者训练基于数据的模型。

根据所阐述的方法，基于测量来训练基于数据的模型。该模型现在允许对输入空间中的任意位置上做出预测，而与该组合是否恰好被测量了无关。现在，经训练的基于数据的模型可以是物理模型的参照，并且例如通过近似来求得物理模型的未知模型参数。

因此在应用过程中可能的是，在先前没有被明确测量过的位置上进行物理模型的模型参数的优化。基于数据的模型在此例如被用于内插。

通过这种方式建立的物理模型例如可以被用于模型的应用和优化，它们又可以使用在发动机控制设备中的特征曲线族模型的范畴中的函数中。

在图3中以示意图示出了用于执行该方法的装置，其整体上用参考数字70表示。该装置包括存储装置72和计算单元74。在存储装置72中存放真实物理系统的物理模型76。这里，存在已知的模型参数78和未知的模型参数80。

在计算单元74中，基于对真实系统的测量来训练真实系统的基于数据的模型82，该模型又被用于确定未知的模型参数80。附加地，可以使用基于数据的模型82，以便检验已知的模型参数78并且也由此检验测量的品质或有效性，其中基于所述测量确定了模型参数78。

Claims (9)

1.用于建立真实物理系统的物理模型（76）的方法，其中通过模型参数（78，80）确定所述物理模型（76），其中存在已知模型参数（78）和未知模型参数（80），并且其中基于对所述真实物理系统的测量来训练基于数据的模型（82），并且利用该基于数据的模型（82）来确定所述未知模型参数（80）的至少之一。

2.根据权利要求1所述的方法，其中所述已知模型参数（78）是通过测量确定的。

3.根据权利要求1或2所述的方法，其中通过基于所述基于数据的模型（82）的近似来确定未知模型参数（80）。

4.根据权利要求1或2所述的方法，其中通过基于所述基于数据的模型（82）的内插来确定未知模型参数（80）。

5.根据权利要求1至4之一所述的方法，其中基于高斯过程来建立所述基于数据的模型（82）。

6.根据权利要求5所述的方法，其中说明所述基于数据的模型（82）的有效范围。

7.根据权利要求6所述的方法，其中所求得的有效范围被用于优化。

8.根据权利要求1至7之一所述的方法，其中利用所述基于数据的模型（82）来评价所执行的测量。

9.用于执行根据权利要求1至8之一的方法的装置，具有用于存放带有已知模型参数（78）和未知模型参数（80）的、真实系统的物理模型（76）的存储装置（72），和计算单元（74），在该计算单元中基于对所述真实系统的测量来训练基于数据的模型（82），该基于数据的模型（82）被用于确定所述未知模型参数（80）。