CN111356958A - 用于减少技术系统中振荡的方法、控制器和计算机程序产品 - Google Patents

Abstract

为了减少技术系统（GT）中的振荡，接收用于技术系统（GT）的多个不同的控制器设置（CP）。针对相应控制器设置（CP），接收表示由相应控制器设置（CP）控制的技术系统的操作数据的时间序列的信号（SG），处理该信号（SG），由此该处理包括变换到频率域中，并且确定经处理的信号（PSG）的熵值（S）。取决于所确定的熵值（S），从多个控制器设置（CP）选择控制器设置（SCP），并且输出所选择的控制器设置（SCP）以用于配置技术系统（GT）。

Description

用于减少技术系统中振荡的方法、控制器和计算机程序产品

背景技术

复杂的技术系统，比如燃气涡轮机、风力涡轮机、内燃机、生产工厂、3D打印机或电力网，通常需要复杂的控制对策或控制策略，以便在生产性和稳定的操作范围内操作技术系统。在许多情况下，技术系统的各种组件和/或其控制器之间的复杂动态交互会引起技术系统中的振荡。然而，这样的振荡一般损害技术系统的效率和/或增加其磨损。

用于复杂技术系统的当代控制器通常利用例如基于人工神经网络的机器学习方法。这样的机器学习方法通常能够对复杂的动态行为进行建模，并且提供用于控制技术系统的高效的控制策略。然而，在许多情况下，这样的控制策略的复杂性导致难以减少或检测的复杂的振荡模式。

发明内容

本发明的目的是提供用于技术系统的方法和控制器，所述方法和系统允许高效减少技术系统中的振荡。

该目的通过根据专利权利要求1所述的方法、根据专利权利要求12所述的控制器、根据专利权利要求13所述的计算机程序产品以及根据专利权利要求14所述的计算机可读存储介质来实现。

为了减少技术系统（特别是燃气涡轮机、风力涡轮机、内燃机、生产工厂、3D打印机和/或电力网）中的振荡，接收用于技术系统的多个不同的控制器设置。针对相应控制器设置，接收表示由相应控制器设置控制的技术系统的操作数据的时间序列的信号，处理该信号，由此该处理包括变换到频率域中，并且确定经处理的信号的熵值。取决于所确定的熵值，从多个控制器设置选择控制器设置，并且输出所选择的控制器设置以用于配置技术系统。

为了执行本发明的方法，提供了控制器、计算机程序产品和计算机可读存储介质。

借助于一个或多个处理器、专用集成电路（ASIC）、数字信号处理器（DSP）和/或现场可编程门阵列（FPGA）可以实现本发明的方法和本发明的控制器。

本发明的一个优点可以在检测和减少技术系统的操作信号中复杂并且模糊的振荡结构的能力中看出，其中信号可能经受显著的噪声水平，并且其中仅可能知道预期振荡频率的粗略估计。特别地，缓慢振荡和叠加振荡是可检测的。从多个不同的控制器设置选择特定控制器设置通常允许减少振荡，而不访问或了解关于控制器设置的内部，从而将控制器设置的生成与其评估分开。此外，熵值在许多情况下被证明是简单且鲁棒的选择准则。它通常允许在可接受的时间评估数百或数千的不同的控制器设置。所选择的控制器设置可以永久地在用于技术系统的控制器中实现，从而配置和优化技术系统的控制。

由从属权利要求给出了本发明的特定实施例。

根据本发明的有利实施例，在选择步骤中可以优选地选择导致高或最大熵值的控制器设置。频率域中经处理的信号的低熵值通常指示振荡。因此，通过选择具有高或最大熵值的控制器设置，可以有效减少不希望的振荡。

根据本发明的另外的实施例，控制器设置可以包括用于技术系统的不同的控制策略，所述控制策略是借助于一种或多种机器学习方法从训练用于技术系统的一个或多个控制模型得到的。这样的控制策略通常称为控制对策。

优选地，一种或多种机器学习方法可以采用人工神经网络、循环神经网络、卷积神经网络、深度学习架构、强化学习方法、自动编码器、支持向量机、数据驱动回归模型、k近邻分类器和/或物理模型。

根据本发明的有利实施例，信号的处理可以包括确定信号的自相关。自相关指定了在时间点对处信号与其自身的相关性，即信号与其自身的时移副本的相关性。特别地，可以确定信号的自协方差。自协方差指定在时间点对处信号与其自身的方差，并且因此指定了针对不同时移的与平均值的偏离的相关性。通过计算信号的自协方差或自相关，与信号的残留噪声分量相比，信号的周期分量通常被放大，从而改进了振荡的检测。

有利地，信号的自相关或自协方差可以被（优选地通过快速傅立叶变换（FFT））变换到频率域中。优选地，可以对所得到的频率谱进行标准化，特别是相对于其总面积，也就是说，通过积分标准化。在频率域中，甚至信号的小周期分量通常作为峰值出现。

根据本发明的另外的实施例，熵值可以与阈值进行比较，并且控制器设置的选择可以取决于比较结果。在比较之前，可以对熵值进行标准化，特别是相对于经处理的信号的最大可能熵。

另外，信号的处理可以包括将信号细分成给定长度的时间段。然后可以针对相应时间段执行到频率域中的变换以及熵值的确定。因此，可以特别地针对相应时间段执行自相关的确定、频率谱的标准化以及熵值的标准化。这样的熵值的时间段特定确定允许追踪时间依赖性效应。

有利地，可以接收信号的周期性的估计，并且可以取决于所接收的估计来设置时间段的长度。特别地，可以接收预期的最大周期性的值，并且时间段的长度可以设置为该最大周期性的长度的至少两倍。

另外，可以通过确定这些熵值的平均值、最大值或最小值和/或这些熵值的分布的分位数值来聚合针对不同时间段所确定的熵值。然后控制器设置的选择可以取决于经聚合的熵值。在有噪信号的情况下，这样的聚合通常提高准确率。

附图说明

参考附图在以下段落中描述本发明的特定实施例。附图以示意性表示图示：

图1是用于训练用于技术系统的控制模型的机器学习模块，以及

图2是用于减少技术系统中的振荡的发明的控制器。

具体实施方式

图1以示意性表示图示了用于训练用于技术系统GT的控制模型CM的机器学习模块LRN。在本实施例中，技术系统GT是燃气涡轮机。替代地或附加地，技术系统GT可以包括风力涡轮机、内燃机、生产工厂、3D打印机和/或电力网。

燃气涡轮机GT具有一个或多个传感器SE，其测量并且提供燃气涡轮机GT的操作数据OP。这样的操作数据OD可以包括传感器数据、物理数据（例如，温度、压力、熵、电压或电流值）、化学数据、控制数据、性能数据、状态数据、条件数据、测量数据、环境数据、预测数据、模拟操作数据、默认数据或者指定技术系统GT的状态或属性或由技术系统GT产生或关于技术系统GT产生的其它数据。除此之外，操作数据OD可以从其它来源获取，比如控制模块、模拟模块或技术系统GT的用户终端，或者来自与技术系统GT相关的其它实体。根据本实施例，操作数据OD从燃气涡轮机GT传输到机器学习模块LRN。

机器学习模块LRN是数据驱动的并且可训练的，并且实现了用于训练用于燃气涡轮机GT的一个或多个控制模型CM的一个或多个机器学习方法，特别是强化学习方法。实际上，许多标准机器学习方法可用于执行该训练。机器学习模块LRN包括用于执行机器学习方法的一个或多个处理器，以及与处理器耦合的用于存储由机器学习方法使用的数据的一个或多个存储器模块。

根据本实施例，机器学习模块LRN还包括人工神经网络NN和评估模块EM，所接收的操作数据OD被供应给所述人工神经网络NN和评估模块EM。

神经网络NN实现了一个或多个可训练的控制模型CM，所述控制模型CM要借助于上面所提到的机器学习方法来训练。控制模型CM目的是尽可能准确地反映燃气涡轮机GT的动态行为及其控制。每个控制模型CM将操作数据OD的相应输入映射到控制信号CS，以用于控制燃气涡轮机GT。应该以使得燃气涡轮机GT由所得到的控制信号CS以最优方式控制的方式来训练每个控制模型CM。控制信号CS或从控制信号CS导出的信号从机器学习模块LRN传输到燃气涡轮机GT，以用于控制燃气涡轮机GT。

评估模块EM用于根据一个或多个预确定的准则，取决于所接收的操作数据OD来评估燃气涡轮机GT的状态或另一属性。结果，输出评估值EV。以使得评估值EV是燃气涡轮机GT的期望行为的度量的方式选取预确定的标准。特别地，评估模块EM可以从所接收的操作数据OD来确定燃气涡轮机GT的性能、负载、污染、资源消耗、磨损和/或另一操作参数，并且可以将这个或这些参数输出为评估值EV。

借助于所接收的操作数据OD和来自评估模块EM的评估值EV来训练控制模型CM。训练目的在于优化评估值EV。为了该目的，如图1中由虚线箭头所指示的，从由控制信号CS控制燃气涡轮机GT得到的评估值EV被返回到神经网络NN，并且控制模型CM被适配，以便优化评估值EV，并且从而优化燃气涡轮机GT的期望行为。针对控制模型CM的适配，可以使用许多标准机器学习方法。

控制模型CM可以各自在燃气涡轮机GT的许多不同操作条件下被训练。然后，从每个成功训练的控制模型CM，并且针对每个操作条件，可以提取特定的控制策略CP。这些控制策略CP可以用作用于配置和/或控制技术系统GT的控制器设置。在实践中，可以以这样的方式生成数百个经训练的控制策略CP。

所生成的控制策略CP由机器学习模块LRN输出。根据本发明，所生成的控制策略CP要关于其振荡的趋势被检查。此后，从用于实际配置和/或控制技术系统GT的所有生成的控制策略选择示出特定低振荡的特定控制策略。

图2以示意性表示图示了用于减少技术系统GT中的振荡的发明的控制器CTL。与图1中的参考标记相同的图2中的参考标记表示相同的实体，其如上面所描述的优选地体现。

控制器CTL可以是技术系统GT的一部分，或者至少部分地与技术系统GT分开实现。控制器CTL包括用于执行控制器CTL的所有方法步骤的一个或多个处理器，以及与处理器耦合的用于存储由控制器CTL使用的数据的一个或多个存储器模块。

控制器CTL从机器学习模块LRN接收多个控制策略CP，所述控制策略CP可用作用于配置和/或控制技术系统GT的控制器设置。机器学习模块LRN可以与控制器CTL分开地实现，或者至少部分地由其包括。

针对多个控制策略的每个相应控制策略CP，控制器CTL借助于控制策略特定控制信号CS（CP）来控制技术系统GT，并且相应地从技术系统GT接收控制策略特定操作信号SG（CP）。操作信号SG（CP）表示控制策略特定操作数据的相应时间序列，后者如上被指定。控制策略特定意味着控制信号CS（CP）借助于相应控制策略CP而生成，并且操作信号SG（CP）由相应控制策略CP从控制技术系统GT而得到。操作信号SG（CP）可以来自于传感器或技术系统GT的操作数据的其它来源。

控制器CTL还接收操作信号SG（CP）的最大周期性T的估计。

估计T可以从用户或从技术规范接收，或者可以以其它方式来确定。

为了处理针对每个相应控制策略CP的操作信号SG（CP），控制器CTL包括子采样模块SUB、相关性模块COR以及变换模块FFT。另外，控制器CTL包括熵模块SM、聚合模块AGG、选择模块SEL以及人工神经网络NN。

子采样模块SUB被供应有最大周期性T和操作信号SG（CP）。针对每个控制策略CP，子采样模块SUB将相应操作信号SG（CP）细分成给定长度的时间段TS。这样的时间段通常被表示为子样本。根据本实施例，长度取决于最大周期性T来设置，特别为大于或等于T的值，或者为大于或等于2*T的值。

时间段TS从子采样模块SUB传输到相关性模块COR。相关性模块COR针对每个相应控制策略CP来确定每个相应时间段TS的自协方差功能AC。自协方差功能AC可以被认为是一种自相关，并且可以被确定为与针对不同时移的相应时间段TS的平均值的偏离的相关性。通过计算时间段TS的自协方差功能AC，与残留噪声分量相比，时间段TS内的周期分量通常被放大，从而改进振荡的检测。

自协方差功能AC从相关性模块COR传输到变换模块FFT。变换模块FFT通过执行离散傅立叶变换将每个自协方差功能AC变换到频率域中，从而得到针对每个相应时间段TS和每个相应控制策略CP的频率谱。为此，可以使用标准快速傅立叶变换过程。优选地，所得到的频率谱均被标准化，特别是按它们的总面积，即通过积分标准化。上面的处理步骤的组合（特别是应用自协方差功能以及对所得到的频率谱进行标准化）增加了本发明的方法的鲁棒性和性能。

每个标准化的频率谱作为经处理的信号PSG从变换模块FFT传输到熵模块SM。熵模块SM针对每个相应时间段TS和每个相应控制策略CP来确定经处理的信号PSG的熵值S，以便评估相应控制策略CP的振荡趋势。

优选地，相应熵值S通过首先计算相应经处理的信号PSG的香农熵S0来确定，例如，根据

，

其中

是相应经标准化的频率谱PSG中的第i个频率段（bin）的幅度，并且总和掠过（run over）该频谱的所有段。此后，香农熵S0关于具有给定长度的频率谱的最大可能熵被标准化。该标准化的结果给出了熵值S，其是相应经标准化的频率谱PSG的均匀性的可缩放度量。也就是说，熵值S越低，相应时间段TS越有可能展现出某种振荡模式。

针对每个相应时间段TS和每个相应控制策略CP，相应熵值S从熵模块SM传输到聚合模块AGG。聚合模块对针对相应控制策略CP的所有时间段TS的熵值S进行聚合，特别是通过确定所涉及的熵值S的平均、最大值、最小值或分位数。这导致针对每个相应控制策略CP的经聚合的熵值SAVG。经聚合的熵值SAVG允许通过单个标量度量对相应控制策略CP的总体评估。

针对每个相应控制策略CP，经聚合的熵值SAVG从聚合模块AGG传输到选择模块SEL。后者用于从多个存储的控制策略CP选择展现出特定低振荡的一个或多个控制策略SCP。根据本实施例，具有最大经聚合的熵值SAVG的控制策略被确定，并且被输出为所选择的控制策略SCP。

替代地或附加地，可以将熵值S和/或经聚合的熵值SAVG与预定义的阈值进行比较，以便将相应控制策略CP和/或相应时间段TS标记为振荡或非振荡。然后，选择可以取决于比较结果或标记。

所选择的控制策略SCP从选择模块SEL传输到神经网络NN，并且配置神经网络NN的控制模型。然后，神经网络NN根据所选择的控制策略SCP生成控制信号CS（SCP），并且将它们输出到技术系统GT，以用于控制技术系统GT。

由于频率域中的低熵值通常指示底层操作信号中的振荡或时间周期性，因此引起最大熵的控制策略SCP的选择和应用有效地减少了技术系统GT中的振荡。

Claims (14)

1.一种用于减少技术系统（GT）中的振荡的方法，所述方法包括：

a) 接收用于技术系统（GT）的多个不同的控制器设置（CP），

b) 针对相应控制器设置（CP）：

- 接收表示由相应控制器设置（CP）控制的技术系统（GT）的操作数据的时间序列的信号（SG），

- 处理信号（SG），所述处理包括变换到频率域中，以及

- 确定经处理的信号（PSG）的熵值（S），

c) 取决于所确定的熵值（S），从多个控制器设置（CP）选择控制器设置（SCP），以及

d) 输出所选择的控制器设置（SCP）以用于配置技术系统（GT）。

2.根据权利要求1所述的方法，其中

在选择步骤中，优选地选择导致高熵值（S）的控制器设置（SCP）。

3.根据前述权利要求中的一项所述的方法，其中所述技术系统（GT）包括燃气涡轮机、风力涡轮机、内燃机、生产工厂、3D打印机和/或电力网。

4.根据前述权利要求中的一项所述的方法，其中所述控制器设置包括用于技术系统（GT）的不同的控制策略（CP），所述控制策略（CP）是借助于一种或多种机器学习方法从针对技术系统（GT）训练一个或多个控制模型（CM）得到的。

5.根据权利要求4所述的方法，其中

所述一种或多种机器学习方法可以采用人工神经网络（NN）、循环神经网络、卷积神经网络、深度学习架构、强化学习方法、自动编码器、支持向量机、数据驱动回归模型、k近邻分类器和/或物理模型。

6.根据前述权利要求中的一项所述的方法，其中信号（SG）的处理包括确定信号（SG）的自相关（AC）。

7.根据权利要求6所述的方法，其中

信号（SG）的自相关（AC）被变换到频率域中。

8.根据前述权利要求中的一项所述的方法，其中所述熵值（S）与阈值进行比较，以及

控制器设置的选择取决于比较结果。

9.根据前述权利要求中的一项所述的方法，其中所述信号（SG）的处理包括将信号（SG）细分成给定长度的时间段（TS），并且针对相应时间段（TS）执行到频率域中的变换以及熵值（S）的确定。

10.根据权利要求9所述的方法，其中

接收信号（SG）的周期性（T）的估计，以及

取决于所接收的估计（T）来设置时间段（TS）的长度。

11.根据权利要求9或10所述的方法，其中

通过确定这些熵值的平均值、最大值或最小值和/或这些熵值的分布的分位数值来聚合针对不同时间段（TS）所确定的熵值（S），以及

控制器设置的选择取决于经聚合的熵值（SAVG）。

12.一种用于减少技术系统（GT）中的振荡的控制器（CTL），所述控制器（CTL）被配置为执行根据前述权利要求中的一项所述的方法。

13.一种用于减少技术系统（GT）中的振荡的计算机程序产品，所述计算机程序产品被适配为执行根据权利要求1到11中的一项所述的方法。

14.一种计算机可读存储介质，包括根据权利要求13所述的计算机程序产品。

Images