CN110678816A - 用于控制技术系统的方法和控制机构 - Google Patents

用于控制技术系统的方法和控制机构 Download PDF

Info

Publication number
CN110678816A
CN110678816A CN201880037188.3A CN201880037188A CN110678816A CN 110678816 A CN110678816 A CN 110678816A CN 201880037188 A CN201880037188 A CN 201880037188A CN 110678816 A CN110678816 A CN 110678816A
Authority
CN
China
Prior art keywords
sequence
operating parameter
values
technical system
parameter values
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.)
Granted
Application number
CN201880037188.3A
Other languages
English (en)
Other versions
CN110678816B (zh
Inventor
M.M.盖佩尔
A.亨特舍尔
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
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=61283163&utm_source=google_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=CN110678816(A) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by Siemens AG filed Critical Siemens AG
Publication of CN110678816A publication Critical patent/CN110678816A/zh
Application granted granted Critical
Publication of CN110678816B publication Critical patent/CN110678816B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • 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
    • G06N3/045—Combinations of 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/09—Supervised learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

为了控制技术系统（TS）、例如风力涡轮机，持续地检测所述技术系统（TS）的运行参数值（BP）的时间序列，并且将该时间序列通过可训练的数字的滤波器（DF）持续地转变为经滤波的信号值（GS）的序列。把经滤波的信号值（BS）的序列输送给机器的学习例程（NN），该学习例程从中推导出用于目标‑运行参数（ZBP）的预测值（PZ）。所述数字的滤波器（DF）以及所述机器的学习例程（NN）被训练减小在推导出的预测值（PZ）和在时间上与其对应的、所述目标‑运行参数（ZBP）的实际检测值之间的差距（D）。此外，输出用于控制所述技术系统（TS）的预测值（PZ）。

Description

用于控制技术系统的方法和控制机构
背景技术
在控制复杂的技术系统比如风力涡轮机、燃气涡轮机、制造设备、机动车或电网时，通常希望至少短期地预估、即预测该技术系统的特性、效果和/或收益，以便按规定的标准来优化对该技术系统的控制。
于是可以例如按如下方式来监视涡轮机：把在涡轮机上测得的运行参数与对于功能正常的涡轮机在工作条件相同的情况下预估的值相比较。于是在有偏差时可以及时地采取恰当的应对措施。还可以预测不同控制措施的效果，以便于是实际上采用优化系统特性的控制措施。
为了预测运行参数，根据时间的控制往往采用基于机器学习技术的控制模型。但为了足够精确地预测系统特性，优选实时地分析多个运行参数的往往较长的时间次序。对于复杂的技术系统，为了进行预测，于是可以直截了当地考虑数千个独立的运行参数值。
为了有效地分析这种时间次序数据，通常对其进行预处理，以便特定地提取出对于预测至关重要的数据样本，并以这种方式来减小数据量。但这种预处理通常由专家特定地设计，并且牵涉到相应高的时间耗费。
未预先处理的时间次序通常借助递归神经网络予以分析。但是在递归神经网络的情况下，在时间次序较长时训练成功性通常减小。
发明内容
本发明的目的是，提出用于控制技术系统的允许有效预测的方法和控制机构。
该目的通过一种具有权利要求1的特征的方法、一种具有权利要求11的特征的控制机构、一种具有权利要求12的特征的计算机程序产品以及一种具有权利要求13的特征的计算机可读的存储介质得以实现。
为了控制技术系统比如风力涡轮机、制造设备、发电机、压缩机、机动车、电网、太阳能设备或另一种设备，持续地检测技术系统的运行参数值的时间序列，并通过可训练的数字的滤波器持续地转变为经滤波的信号值的序列。经滤波的信号值的序列被输送给机器的学习例程，该学习例程从中推导出用于目标-运行参数的预测值。数字的滤波器以及机器的学习例程被训练减小在推导出的预测值和在时间上与其对应的、目标-运行参数的实际检测值之间的差距。此外，输出用于控制技术系统的预测值。
为了实施根据本发明的方法，提出一种控制机构、一种计算机程序产品以及一种计算机可读的存储介质。
根据本发明的方法以及根据本发明的控制机构可以例如借助一个或多个处理器、专用集成电路（ASIC）、数字信号处理器（DSP）和/或所谓的“现场可编程门阵列”（FPGA）来执行或实施。
本发明的优点可以在于，通过训练，一方面数字的滤波器和另一方面机器的学习例程可以彼此参照地训练。于是，一方面数字的滤波器可以被训练提取特定的对于良好地预测目标-运行参数来说至关重要的运行参数特征，而另一方面机器的学习例程可以被训练借助所提取的运行参数特征在预测偏差尽量小的情况下预估目标-运行参数。这通常允许更有效的训练和更准确且更有效的预测。特别地，也可以通常自动地识别并分析先前尚且未知的内部的系统相互作用。此外，与例如在递归神经网络的情况下相比，训练效率被更好地缩放到运行参数值的更长的序列上。
借助预测值，能够以预见的方式控制技术系统。在这种情况下可以优化系统特性，并且通常及时地应对控制不利的系统特性。预测值可以特别是用于监视技术系统、用于损坏识别、用于磨损识别、用于使得资源需求与资源供给相一致和/或用于其它的预见性的控制或规划措施。
本发明的有利的实施方式和改进在从属权利要求中给出。
优选地，机器的学习例程和/或数字的滤波器可以包括人工神经网络、递归神经网络、卷积神经网络、自动编码器、深度学习架构、支持向量机、数据驱动的可训练的回归模型、k近邻分类器、物理模型和/或决策树。机器的学习例程尤其可以包括MLP层（MLP：MultiLayer Perceptron（多层感知器））。
有利地，数字的滤波器和机器的学习例程可以共同地、优选并行地训练。采用这种方式，通过数字的滤波器来特定地提取与预测相关的运行参数特征和通过机器的学习例程来对目标-运行参数进行建模可以彼此参照地予以优化。
此外，可以通过数字的滤波器，根据滤波参数进行转换，这些滤波参数通过对数字的滤波器的训练予以修改，从而减小差距。滤波参数由此可以理解成数字的滤波器的训练结构。
根据本发明的一种有利的实施方式，在转换运行参数值的序列时，可以在一个时间窗口内形成运行参数值的通过滤波参数加权的移动总和。滤波参数由此可以理解成滤波权重。时间窗口和/或其长度可以预先给定和/或在训练的过程中修改。
特别地，加权的总和可以通过运行参数值的序列与滤波参数的序列的卷积和/或通过运行参数值的序列与滤波参数的序列的移动标量积来形成。滤波参数由此可以理解成滤波核心（Filterkern）。
根据本发明的一种特别有利的实施方式，数字的滤波器可以具有一个或多个卷积的神经层和/或用于对运行参数值的序列予以滤波的池化层。特别地，多个卷积的神经层可以相互串联。可以把一个或多个池化层接入到卷积的神经层之间。卷积的神经层通常也称为“Convolutional Layer（卷积层）”，利用它而实施的神经网络称为“ConvolutionalNeural Network（卷积神经网络）”。卷积的神经层的训练效率特别良好地缩放到运行参数值的更长的序列上。
根据本发明的另一实施方式，作为差距，可以采用分别在预测值和在时间上与其对应的、目标-运行参数的实际检测值之间的各个差距的统计平均值。通过这种方式，通常可以更好地处理对目标-运行参数的随机影响。
另外，为了检测运行参数值的序列，可以检测多个运行参数的值序列，这些值序列分别插值到共同的规定的时间格（Zeitraster）上，并且插值到时间格上的值序列汇总成运行参数值的序列。这种插值通常也称为再采样。通过插值到共同的时间格上，尤其可以统一并简化对运行参数值的进一步处理。
附图说明
下面借助附图详述本发明的实施例。在此，分别在示意图中：
图1示出了具有根据本发明的控制机构的风力涡轮机；并且
图2以详图示出了根据本发明的控制机构。
具体实施方式
图1以示意图示范性地示出了风力涡轮机作为技术系统TS。替代地或附加地，作为技术系统TS，也可以设置燃气涡轮机、制造设备、发电机、压缩机、机动车、电网、太阳能设备或另一设备或它们的组合。
风力涡轮机TS具有根据本发明的控制机构CTL，该控制机构可以实施为技术系统TS的一部分，或者完全地或部分地在技术系统TS的外部实施。控制机构CTL用于控制技术系统TS。对技术系统TS的控制在此也是指输出和使用与控制相关的、即有助于控制技术系统TS的数据和控制信号。这种与控制相关的数据尤其可以包括诊断数据、分析数据、监视数据和/或分类数据，它们尤其可以用于监视技术系统TS和/或用于磨损和/或损坏识别。
技术系统TS还具有与控制机构CTL耦联的传感器S，这些传感器持续地测量技术系统TS的多个运行参数并且将其传送给控制机构CTL。相应的传感器S在此也可以实施为软传感器。
除了传感器数据，通过控制机构CTL还检测技术系统TS的其它运行参数。作为运行参数，在此及下面可以检测特别是物理的、控制技术的、效果技术的和/或构造方式所致的运行参量、特性、功率数据、效果数据、状态数据、系统数据、设定值、控制数据、传感器数据、测量值、环境数据、监视数据、诊断数据、分析数据和/或其它的在技术系统TS的运行中产生的和/或描述技术系统TS的运行状态的数据。例如，关于温度、压力、排放、晃动、振动状态、资源消耗等的数据。特别是对于风力涡轮机而言，运行参数可以涉及风速、风向、涡轮机功率、发动机舱的转速和/或加速度。
图2以详图示出了用于控制技术系统TS的根据本发明的控制机构CTL。控制机构CTL具有一个或多个用于执行控制机构CTL的全部的方法步骤的处理器PROC，以及具有一个或多个与处理器PROC耦联的用于存储有待由控制机构CTL处理的数据的存储器MEM。
控制机构CTL与技术系统TS耦联，并且由该技术系统检测技术系统TS的多个运行参数的值序列ΒΡ1、…、ΒΡΝ。值序列ΒΡ1、…、ΒΡΝ由技术系统TS的多个传感器S来测量，或者以其它方式由技术系统TS或其它机构提供。
值序列ΒΡ1、…、ΒΡΝ被输送给控制机构CTL的插值机构INT。插值机构INT把值序列ΒΡ1、…、ΒΡΝ分别插值到共同的、规定的时间格上，并且在这种情况下必要时对计数值进行特定于运行参数的标准化和/或进行单位换算。这种插值通常也称为再采样。插值到时间格上的值序列通过插值机构INT汇总成时间序列，即汇总成在共同的时间格上的运行参数值BP的时间次序。
运行参数值BP的时间次序被持续地检测和处理。时间格的时间点可以具有例如大约1秒钟的间隔。实际上，例如主要在数分钟、典型地约2分钟的数量级的时间窗口内通过运行参数曲线来确定风力涡轮机的特性。这意味着，在预估时，分别针对多个被检测的运行参数分析一百或几百个时间次序点。
作为运行参数，特别是也检测一个或多个目标-运行参数ZBP。根据本发明，控制机构CTL应当如下地训练：预估一个或多个所述目标-运行参数ZBP，以便预先控制技术系统TS。相应的目标-运行参数ZBP在此可以例如涉及技术系统TS的温度、功率、收益、磨损、排放、晃动或另一特性。
运行参数值BP的时间序列通过插值机构INT被输送给数字的滤波器DF，并被该滤波器滤波。数字的滤波器DF包括多个卷积的神经层CNL1和CNL2以及接于它们之间的池化层PL。卷积的神经层CNL1和CNL2可以分别理解成FIR-滤波器（FIR: Finite ImpulseResponse（有限冲激响应）），利用其滤波参数Ci或Di分别对在一个时间窗口内移动总和予以加权。通过卷积的神经层CNL1和CNL2，加权的总和分别通过卷积的神经层CNL1或CNL2的相应的时间离散的输入信号与滤波参数Ci或Di的卷积而形成。如果输送给卷积的神经层CNL1或CNL2的输入信号用Xi或Yi表示，则可以把相应的卷积表示为或
Figure 545956DEST_PATH_IMAGE002
，其中，总索引（Summenindex）i遍历有限数量的相应的滤波参数。卷积Fn和Gn用连续的索引n持续地计算，并且由分别卷积的神经层CNL1或CNL2输出。这种滤波参数Ci和Di通常也称为卷积权重或滤波核心。
池化层PL在该实施例中接在卷积的神经层CNL1和CNL2之间。池化层PL用于聚集所输送的数据、减少数据和/或减少冗余。池化层PL应优选特定地从卷积的神经层CNL1的输出数据Fn中提取下述数据，对于这些数据，卷积的神经层CNL1在一定程度上表现出特别强的反应。
为了对运行参数值BP的序列予以滤波，将这些运行参数值输送给数字的滤波器DF的输入层CNL1，该输入层将运行参数值BP的序列进行卷积，也就是说，根据上述符号，将Xi的序列与滤波参数Ci进行卷积。被卷积的运行参数Fn通过卷积的神经层CNL1输送给池化层PL，通过池化层PL聚集和减少，并且把减少结果、这里为Yi输送给卷积的神经层CNL2。减少结果Yi通过卷积的神经层CNL2与滤波参数Di进行卷积。作为这种第二次卷积的结果，通过卷积的神经层CNL2输出经滤波的信号值GS的时间离散的序列。
根据本发明力求：经滤波的信号值GS的序列可能特定地包含或表明运行参数值BP的序列的下述特征、模式或相关性，它们对于目标-运行参数BP的良好预测至关重要。在机器学习的专业领域，这些特征、模式或相关性也称为特点，并且它们的求取被称为特点-提取。
数字滤波器的前述层序列实施卷积神经网络，该卷积神经网络把运行参数值BP的时间次序持续地转变为经滤波的信号值GS的序列。优选地，也可以在深度学习架构的范畴内规定更大数量的串联的卷积的神经层。
经滤波的信号值GS的序列通过数字的滤波器DF输送给数据驱动的机器的学习例程，该学习例程在当前的实施例中通过神经网络NN来实施。神经网络NN可以例如包括多个MLP-层（MLP：Multi Layer Perceptron（多层感知器））。神经网络可以特别是具有深度学习架构。
神经网络NN是数据驱动地可训练的或能学习的，并具有在训练期间形成的训练结构。
训练通常是指参数化的系统模型、例如神经网络的输入参数到一个或多个目标参数的映射的优化。这种映射按照规定的、学习的和/或待学习的标准在训练阶段期间予以优化。作为标准，特别是对于预测模型而言，考虑采用预测偏差、分类偏差、分析偏差和/或模拟偏差，或者与其互补地考虑预测品质、分类品质、分析品质和/或模拟品质。此外，作为标准，可以规定技术系统TS的表现、资源消耗、收益和/或磨损。训练结构可以例如包括神经网络的神经元的交联结构和/或在下述神经元之间的连接权重，所述神经元通过训练如此形成，从而尽量好地满足规定的标准。
根据本发明力求：神经网络NN从经滤波的信号值GS的序列求取出用于目标-运行参数ZBP的尽量好的预测值PZ。为此目的，由神经网络NN作为预测值PZ输出的值与在时间上同其对应的、目标-运行参数ZBP的实际检测值相比较，所述实际检测值由插值机构INT提供。在此，把相应的关于一时间点的预测值PZ暂存一段时间，直至目标-运行参数ZBP的相应的关于该时间点的值实际上被检测到且可用。
在比较的过程中，在目标-运行参数ZBP的预测值PZ与目标-运行参数ZBP的在时间上对应的实际检测值之间形成差距D。该差距D表示数字的滤波器DF与神经网络NN的组合的预测偏差。
优选地，作为差距D，分别在预测值PZ和目标-运行参数ZBP的在时间上对应的实际检测值之间，在规定的时间窗口内形成各个差距的统计平均值，例如作为移动平均数。通过这种方式，可以更好地处理对预测值的随机的、即并非决定性的影响。
差距D既返回给数字的滤波器DF，又返回给神经网络NN。借助于返回的差距D，数字的滤波器DF、即卷积的神经层CNL1和CNL2及池化层PL以及神经网络NN—如用虚线箭头所表明的那样—共同地被训练使得差距D最小化，也就是说，通过预测值PZ在统计平均中尽量好地预测目标-运行参数ZBP。在这里，卷积的神经层CNL1和CNL2通过其滤波参数Ci和Di的变型被训练，并且神经网络NN通过其训练结构的变型被训练。
由此，一方面，数字的滤波器DF被训练，从而经滤波的信号值GS的序列尽量特定地含有运行参数值BP的序列的、对于良好地预测目标-运行参数ZBP来说至关重要的特点。另一方面，以并行的方式对神经网络NN训练，以便识别出在经滤波的信号值GS的序列与目标-运行参数ZBP之间的功能相关性，并且因而求取出比较精确的预测值PZ。
为了训练数字的滤波器DF和神经网络NN，可以采用用于神经网络、特别是受监视的学习的多种标准-训练方法。有待最小化的差距D在此可以用合适的成本函数来表示。为了使得差距最小化，例如可以使用梯度减小方法。
不同于递归神经网络，卷积神经网络也可以针对比较长的时间次序高效地训练。此外，卷积神经网络很好地适合于识别并提取出在时间上彼此接近的值的按照时间次序出现的相关性。通过后接的神经网络NN，识别到的相关性然后在一定程度上在目标-运行参数ZBP方面予以分类。通过卷积神经网络（这里为DF）与后接的神经网络（这里为NN）的组合，也可以在运行参数-时间次序中比较精确地识别出复杂的相关性，并且用于预测。这尤其也适合于技术系统TS的不同的运行状态。
已表明，在对数字的滤波器DF和神经网络NN进行训练之后，从运行参数值BP的序列中推导出的预测值PZ具有很小的预测偏差。预测值PZ因而可以按有利的方式用于预见性地且精确地控制技术系统TS、用于监视技术系统TS、用于事先的损坏识别、用于诊断资源需求和/或用于其它预见性的控制措施。为此目的，预测值PZ由控制机构CTL输出。尤其可以通过控制机构CTL，借助预测值PZ有益地且优选地推导出优化的控制数据，并且为了控制技术系统TS而将其传送给该技术系统。

Claims (13)

1.一种用于控制技术系统（TS）的方法，其中：
a) 持续地检测所述技术系统（TS）的运行参数值（BP）的时间序列；
b) 通过可训练的数字的滤波器（DF）把所述运行参数值（BP）的序列持续地转变为经滤波的信号值（GS）的序列；
c) 把经滤波的信号值（GS）的序列输送给机器的学习例程（NN），该学习例程从中推导出用于目标-运行参数（ZBP）的预测值（PZ）；
d) 所述数字的滤波器（DF）以及所述机器的学习例程（NN）被训练减小在推导出的预测值（PZ）和在时间上与其对应的、所述目标-运行参数（ZBP）的实际检测值之间的差距（D）；和
e) 输出用于控制所述技术系统（TS）的所述预测值（PZ）。
2.如权利要求1所述的方法，其特征在于，所述机器的学习例程（NN）和/或所述数字的滤波器（DF）包括人工神经网络、递归神经网络、卷积神经网络、自动编码器、深度学习架构、支持向量机、数据驱动的可训练的回归模型、k近邻分类器、物理模型和/或决策树。
3.如前述权利要求中任一项所述的方法，其特征在于，所述数字的滤波器（DF）和所述机器的学习例程（NN）共同地训练。
4.如前述权利要求中任一项所述的方法，其特征在于，通过所述数字的滤波器（DF），根据滤波参数（Ci、Di）进行转换，这些滤波参数通过对所述数字的滤波器（DF）的训练予以修改，从而减小所述差距（D）。
5.如前述权利要求中任一项所述的方法，其特征在于，在转换所述运行参数值（BP）的序列时，在一个时间窗口内形成所述运行参数值的通过滤波参数（Ci、Di）加权的移动总和。
6.如权利要求5所述的方法，其特征在于，加权的所述总和通过所述运行参数值（BP）的序列与所述滤波参数（Ci、Di）的序列的卷积和/或通过所述运行参数值（BP）的序列与所述滤波参数（Ci、Di）的序列的移动标量积来形成。
7.如前述权利要求中任一项所述的方法，其特征在于，所述数字的滤波器（DF）具有一个或多个卷积的神经层（CNL1、CNL2）和/或用于对所述运行参数值（BP）的序列予以滤波的池化层（PL）。
8.如前述权利要求中任一项所述的方法，其特征在于，作为差距（D），采用分别在预测值（PZ）和在时间上与其对应的、所述目标-运行参数（ZBP）的实际检测值之间的各个差距的统计平均值。
9.如前述权利要求中任一项所述的方法，其特征在于，为了检测所述运行参数值（BP）的序列，
- 检测多个运行参数的值序列；
- 将所述值序列分别插值到共同的规定的时间格上；并且
- 将插值到所述时间格上的值序列汇总成所述运行参数值（BP）的序列。
10.如前述权利要求中任一项所述的方法，其特征在于，为了检测所述运行参数值（BP）的序列，检测被存储的、先前检测的运行参数和/或被存储的、先前检测的目标-运行参数。
11.一种用于控制技术系统（TS）的控制机构（CTL），被设计用来实施根据前述权利要求中任一项所述的方法。
12.一种计算机程序产品，被设计用来实施根据权利要求1至10中任一项所述的方法。
13.一种计算机可读的存储介质，带有根据权利要求12所述的计算机程序产品。
CN201880037188.3A 2017-04-04 2018-02-06 用于控制技术系统的方法和控制机构 Active CN110678816B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102017205713.0A DE102017205713A1 (de) 2017-04-04 2017-04-04 Verfahren und Steuereinrichtung zum Steuern eines technischen Systems
DE102017205713.0 2017-04-04
PCT/EP2018/052918 WO2018184754A1 (de) 2017-04-04 2018-02-06 Verfahren und steuereinrichtung zum steuern eines technischen systems

Publications (2)

Publication Number Publication Date
CN110678816A true CN110678816A (zh) 2020-01-10
CN110678816B CN110678816B (zh) 2021-02-19

Family

ID=61283163

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880037188.3A Active CN110678816B (zh) 2017-04-04 2018-02-06 用于控制技术系统的方法和控制机构

Country Status (6)

Country Link
US (1) US10983485B2 (zh)
EP (1) EP3590011B1 (zh)
KR (1) KR102145407B1 (zh)
CN (1) CN110678816B (zh)
DE (1) DE102017205713A1 (zh)
WO (1) WO2018184754A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113568304A (zh) * 2020-04-28 2021-10-29 西门子股份公司 用于调节技术系统的方法和调节装置

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018008700A1 (de) * 2018-11-06 2020-05-07 Senvion Gmbh Windpark-Energieparameterwert-Prognose
US11410014B2 (en) 2019-02-11 2022-08-09 Apple Inc. Customizable chip for AI applications
GB201908494D0 (en) * 2019-06-13 2019-07-31 Rolls Royce Plc Computer-implemented methods for training a machine learning algorithm
JP6966655B2 (ja) * 2019-09-30 2021-11-17 株式会社日立情報通信エンジニアリング 状態予測システム
EP3839666B1 (de) * 2019-12-18 2023-10-11 Siemens Aktiengesellschaft Steuereinrichtung zum steuern eines technischen systems und verfahren zum konfigurieren der steuereinrichtung
DE102020123479A1 (de) * 2020-09-09 2022-03-10 Precitec Gmbh & Co. Kg Verfahren zur Zustandsüberwachung eines Laserbearbeitungskopfes und Laserbearbeitungssystem zum Durchführen desselben
DE102020216202A1 (de) 2020-12-17 2022-06-23 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Trainieren eines Lernalgorithmus zum Umwandeln von Sensordaten einer Sensorik in Ausgabedaten zum Ansteuern einer Aktorik und Verfahren zum Ansteuern einer Aktorik eines Fahrzeugs
KR20220144628A (ko) 2021-04-20 2022-10-27 한국전력공사 신경망을 이용한 가스터빈 발전소 공급 가능 용량 예측 시스템 및 방법
DE102022205670B3 (de) 2022-06-02 2023-08-03 Zf Friedrichshafen Ag Verfahren zum Aufbereiten eines Getriebeparametersignals sowie Verfahren zum Anlernen und zur Verwendung eines neuronalen Netzes mittels des aufbereiteten Getriebeparametersignals
CN117369282B (zh) * 2023-11-17 2024-04-19 上海四方无锡锅炉工程有限公司 一种自适应性分级送风的控制方法及其固废cfb锅炉

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1316070A (zh) * 1998-08-28 2001-10-03 美国通控集团公司 工业过程的无模型自适应控制
CN1382997A (zh) * 2002-06-13 2002-12-04 上海交通大学 基于神经网络的机动目标精确跟踪方法
CN101295969A (zh) * 2008-06-26 2008-10-29 湖南大学 高阶有限冲击响应数字滤波器设计方法
CN102889992A (zh) * 2011-07-22 2013-01-23 通用电气公司 用于个性化的设备退化预测的基于模型的途径
CN103066601A (zh) * 2012-12-14 2013-04-24 山东大学 基于自适应线性神经元的混合有源直流滤波器控制方法
CN104085265A (zh) * 2014-06-12 2014-10-08 江苏大学 一种馈能悬架自适应离线神经网络逆控制系统及方法
CN104706349A (zh) * 2015-04-13 2015-06-17 大连理工大学 一种基于脉搏波信号的心电信号构建方法
CN104956359A (zh) * 2012-12-21 2015-09-30 内部销售公司 实例加权学习机器学习模型
CN105279495A (zh) * 2015-10-23 2016-01-27 天津大学 一种基于深度学习和文本总结的视频描述方法
US20160147201A1 (en) * 2014-11-11 2016-05-26 Applied Brain Research Inc. Methods and systems for nonlinear adaptive control and filtering
CN105867116A (zh) * 2016-06-06 2016-08-17 国网福建省电力有限公司 一种基于延时补偿的电网谐波电流信号跟踪控制方法
CN105976051A (zh) * 2016-04-29 2016-09-28 武汉大学 一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法
CN106059532A (zh) * 2016-06-02 2016-10-26 国网山东省电力公司济宁供电公司 一种基于小波神经网络的多功能自适应滤波器及滤波方法
CN106327021A (zh) * 2016-08-31 2017-01-11 西安艾贝尔科技发展有限公司 一种基于在线模型预测的锅炉燃烧优化配风方法
CN106485324A (zh) * 2016-10-09 2017-03-08 成都快眼科技有限公司 一种卷积神经网络优化方法
CN106535076A (zh) * 2016-11-22 2017-03-22 深圳埃蒙克斯科技有限公司 一种立体声音响系统的空间校准方法及其移动终端设备

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06186064A (ja) * 1992-12-16 1994-07-08 Toshiba Corp システムモデリング装置
DE4429517C2 (de) * 1994-08-19 1996-08-14 Man Technologie Gmbh Vorrichtung und Verfahren zur Korrektur einer Meßkurve oder eines Signalverlaufs und deren bzw. dessen Anwendung zur Rekonstruktion von Lagefehlern bei Bahngleisen aus geometrischen Relativmessungen
US5704011A (en) * 1994-11-01 1997-12-30 The Foxboro Company Method and apparatus for providing multivariable nonlinear control
US7395251B2 (en) * 2005-07-01 2008-07-01 International Business Machines Corporation Neural networks for prediction and control
DE102008020379A1 (de) 2008-04-23 2009-10-29 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
US8942883B2 (en) 2009-12-17 2015-01-27 GM Global Technology Operations LLC Sensor messaging systems and methods
US9346167B2 (en) * 2014-04-29 2016-05-24 Brain Corporation Trainable convolutional network apparatus and methods for operating a robotic vehicle
DE102014212747A1 (de) 2014-07-01 2016-01-07 Siemens Aktiengesellschaft Interaktives Assistenzsystem und Verfahren zur rechnergestützten Steuerungsoptimierung für ein technisches System
US10402720B2 (en) * 2014-07-16 2019-09-03 Qualcomm Incorporated Decomposing convolution operation in neural networks

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1316070A (zh) * 1998-08-28 2001-10-03 美国通控集团公司 工业过程的无模型自适应控制
CN1382997A (zh) * 2002-06-13 2002-12-04 上海交通大学 基于神经网络的机动目标精确跟踪方法
CN101295969A (zh) * 2008-06-26 2008-10-29 湖南大学 高阶有限冲击响应数字滤波器设计方法
CN102889992A (zh) * 2011-07-22 2013-01-23 通用电气公司 用于个性化的设备退化预测的基于模型的途径
CN103066601A (zh) * 2012-12-14 2013-04-24 山东大学 基于自适应线性神经元的混合有源直流滤波器控制方法
CN104956359A (zh) * 2012-12-21 2015-09-30 内部销售公司 实例加权学习机器学习模型
CN104085265A (zh) * 2014-06-12 2014-10-08 江苏大学 一种馈能悬架自适应离线神经网络逆控制系统及方法
US20160147201A1 (en) * 2014-11-11 2016-05-26 Applied Brain Research Inc. Methods and systems for nonlinear adaptive control and filtering
CN104706349A (zh) * 2015-04-13 2015-06-17 大连理工大学 一种基于脉搏波信号的心电信号构建方法
CN105279495A (zh) * 2015-10-23 2016-01-27 天津大学 一种基于深度学习和文本总结的视频描述方法
CN105976051A (zh) * 2016-04-29 2016-09-28 武汉大学 一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法
CN106059532A (zh) * 2016-06-02 2016-10-26 国网山东省电力公司济宁供电公司 一种基于小波神经网络的多功能自适应滤波器及滤波方法
CN105867116A (zh) * 2016-06-06 2016-08-17 国网福建省电力有限公司 一种基于延时补偿的电网谐波电流信号跟踪控制方法
CN106327021A (zh) * 2016-08-31 2017-01-11 西安艾贝尔科技发展有限公司 一种基于在线模型预测的锅炉燃烧优化配风方法
CN106485324A (zh) * 2016-10-09 2017-03-08 成都快眼科技有限公司 一种卷积神经网络优化方法
CN106535076A (zh) * 2016-11-22 2017-03-22 深圳埃蒙克斯科技有限公司 一种立体声音响系统的空间校准方法及其移动终端设备

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
张晓等: "基于神经网络的数字滤波器", 《南开大学学报》 *
张泾周等: "基于自适应线性神经网络的心电信号滤波", 《陕西科技大学学报》 *
戴俊等: "基于神经网络的数字滤波器无波纹优化设计", 《四川理工学院学报》 *
李锶等: "一种FIR高阶多通带数字滤波器的优化设计方法", 《电力自动化设备》 *
洪志全: "神经网络自适应数字滤波器技术", 《物探化探计算技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113568304A (zh) * 2020-04-28 2021-10-29 西门子股份公司 用于调节技术系统的方法和调节装置

Also Published As

Publication number Publication date
KR20190126449A (ko) 2019-11-11
KR102145407B1 (ko) 2020-08-18
DE102017205713A1 (de) 2018-10-04
CN110678816B (zh) 2021-02-19
WO2018184754A1 (de) 2018-10-11
US10983485B2 (en) 2021-04-20
US20200192304A1 (en) 2020-06-18
EP3590011B1 (de) 2021-03-31
EP3590011A1 (de) 2020-01-08

Similar Documents

Publication Publication Date Title
CN110678816B (zh) 用于控制技术系统的方法和控制机构
CN110023850B (zh) 用于控制技术系统的方法和控制装置
KR102506454B1 (ko) 기술 시스템을 제어하기 위한 제어기 및 제어기를 구성하기 위한 방법
Russo et al. Anomaly detection using deep autoencoders for in-situ wastewater systems monitoring data
AU2020103741A4 (en) Feed forward neural networks combined with extreme learning machine approach for large weather data
CN115271186B (zh) 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法
CN114282443A (zh) 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法
Cao et al. Improving prediction accuracy in LSTM network model for aircraft testing flight data
CN116012681A (zh) 基于声振信号融合的管道机器人电机故障诊断方法及系统
CN117104377B (zh) 电动自行车的智能管理系统及其方法
Esfahani et al. A new hybrid model for RUL prediction through machine learning
Zonzini et al. Enhancing vibration-based structural health monitoring via edge computing: A tiny machine learning perspective
Xiao et al. Health assessment for piston pump using LSTM neural network
CN115146675A (zh) 一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法
CN113486926B (zh) 一种自动化码头设备异常检测系统
CN114720129A (zh) 一种基于双向gru的滚动轴承剩余寿命预测方法及系统
Dhiman et al. Enhancing Wind Turbine Reliability through Proactive High Speed Bearing Prognosis Based on Adaptive Threshold and Gated Recurrent Unit Networks
CN113971489A (zh) 一种基于混合神经网络的剩余使用寿命预测方法及系统
Afzal et al. Forecasting in industrial process control: A hidden Markov model approach
JP7463515B2 (ja) 技術システムを制御する制御装置および制御装置を構成する方法
CN110543869A (zh) 滚珠丝杠寿命预测方法、装置、计算机设备及存储介质
Liu et al. Engine remaining useful life prediction model based on R-Vine copula with multi-sensor data
CN116662928A (zh) 一种用于实时轴承故障诊断的金字塔型时间卷积网络结构及诊断方法
Hansen et al. A data-driven modular architecture with denoising autoencoders for health indicator construction in a manufacturing process
CN112881018A (zh) 基于改进模式梯度谱熵的航空发动机控制系统传感器的智能故障诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant