CN116601569A - 用于模仿有损地记录的运行信号的噪声分量的方法及控制装置 - Google Patents
用于模仿有损地记录的运行信号的噪声分量的方法及控制装置 Download PDFInfo
- Publication number
- CN116601569A CN116601569A CN202180084849.XA CN202180084849A CN116601569A CN 116601569 A CN116601569 A CN 116601569A CN 202180084849 A CN202180084849 A CN 202180084849A CN 116601569 A CN116601569 A CN 116601569A
- Authority
- CN
- China
- Prior art keywords
- operating signal
- neural network
- signal
- technical system
- bnn
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 43
- 238000009826 distribution Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims description 45
- 238000013531 bayesian neural network Methods 0.000 claims description 43
- 238000003860 storage Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 2
- 101100326920 Caenorhabditis elegans ctl-1 gene Proteins 0.000 claims 1
- 101100494773 Caenorhabditis elegans ctl-2 gene Proteins 0.000 claims 1
- 239000000758 substrate Substances 0.000 claims 1
- 230000006835 compression Effects 0.000 description 13
- 238000007906 compression Methods 0.000 description 13
- 102100031699 Choline transporter-like protein 1 Human genes 0.000 description 8
- 101000940912 Homo sapiens Choline transporter-like protein 1 Proteins 0.000 description 8
- 230000006399 behavior Effects 0.000 description 8
- 102100035954 Choline transporter-like protein 2 Human genes 0.000 description 6
- 101000948115 Homo sapiens Choline transporter-like protein 2 Proteins 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010561 standard procedure Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25255—Neural network
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
为了模仿技术系统(TS)的有损地记录的运行信号的噪声分量,神经网络(NN、BNN)被训练，用于根据所记录的输入运行信号(CSI)再现所记录的目标运行信号(CST)以及所记录的目标运行信号(CST)的随机分量的统计分布。技术系统(TS)的当前输入运行信号(SI)被输送给经训练的神经网络(NN、BNN)。根据所输送的当前输入运行信号(SI)以及噪声信号(NS)产生具有对于所述统计分布模仿的噪声分量的输出信号(OST)。然后，输出信号(OST)作为当前目标运行信号被输出用于控制所述技术系统(TS)。
Description
背景技术
为了控制复杂的技术系统，诸如燃气轮机、风力涡轮机、蒸汽轮机、发动机、机器人、制造设备或机动车辆，越来越多地使用机器学习的数据驱动式方法。在此情况下，尤其是人工神经网络被训练用于根据所检测的运行信号、诸如技术系统的传感器值来确定控制相关运行信号用于控制技术系统。
为了成功地训练数据驱动式控制装置，通常需要技术系统的大量运行数据作为训练数据。在此，训练数据应该尽可能有代表性地涵盖技术系统的运行状态和其他运行条件。这种训练数据经常以数据库的形式存在，在所述数据库中存储有大量记录在技术系统处的运行信号。
然而，由于带宽或存储空间限制，这种训练运行信号在许多情况下在记录所述训练运行信号之前有损地被压缩或者已经有损地在技术系统处被检测。尤其是在燃气轮机的情况下，可用于训练目的的运行信号通常强烈地被压缩。
这种有损压缩或检测的示例是经常也被称为死区(Dead-Banding)的方法，其中只要运行信号的变化保持在预先给定的阈值以下，就为相应的运行信号记录恒定的值。甚至在对相应的运行信号进行离散化时，也出现可比的信息丢失。
通常是不可逆的这样的信息丢失可能同时显著地影响数据驱动式控制装置的训练。在已知的训练方法的情况下，因此经常选择较小的压缩，但是这又增加存储需求和/或带宽需求。另一方面，在强烈压缩的训练数据的情况下，在数据驱动式控制时容忍不准确性。
发明内容
本发明的任务是说明一种方法以及控制装置，所述方法和控制装置允许更高效的训练和/或训练数据的更强烈的压缩。
该任务通过具有专利权利要求1的特征的方法、通过具有专利权利要求8的特征的控制装置、通过具有专利权利要求9的特征的计算机程序产品以及通过具有专利权利要求10的特征的计算机可读存储介质来解决。
根据本发明，模仿(nachbilden)技术系统的有损地记录的运行信号的噪声分量，其中用于技术系统的控制装置的输入运行信号以及用于控制技术系统的目标运行信号以有损方式(verlustbehaftet)被记录。神经网络根据所记录的运行信号被训练，用于根据所记录的输入运行信号再现所记录的目标运行信号以及所记录的目标运行信号的随机分量的统计分布。然后，技术系统的当前输入运行信号被输送给经训练的神经网络。根据本发明，根据所输送的当前输入运行信号和噪声信号，产生具有对于统计分布模仿的噪声分量的输出信号。输出信号然后作为当前目标运行信号被输出用于控制所述技术系统。
本发明所基于的观察是，由于以有损方式记录运行信号，尤其是关于运行信号的随机波动的信息也丢失。这种波动尤其是由技术系统的根据可用运行信号不可确定的行为得到。然而，这样的不可确定的或不确定性行为在许多技术系统的情况下构成其行为的重要成分。从而，例如在风力涡轮机的情况下，大部分地不能确定确切的风况和从而分别可获得的功率。
相应地，利用有损的运行信号训练的模拟器或技术系统的其他控制装置经常比真实系统更确定性地表现。只要实际统计波动不切合实际地被映射，技术系统的可靠性或运行风险借助于如此训练的控制装置通常不能足够准确地被评价。
与此相比，虽然借助于本发明通常不能重建不确定性行为的精确变化过程，但是可以模仿目标运行信号的至少一个噪声分量，所述噪声分量具有切合实际的统计分布。这在许多情况下即使在有损的训练数据的情况下也允许关于技术系统的行为的明显更切合实际的预测，并且从而允许更高效的训练。可替代地或附加地，本发明还允许对训练数据更强烈地压缩。
对应的控制装置、计算机程序产品以及计算机可读、优选地非易失性存储介质被设置用于实施根据本发明的方法。
根据本发明的方法以及根据本发明的控制装置可以例如借助于一个或多个计算机、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)被实施或实现。
本发明的有利实施方式和改进方案在从属权利要求中得以说明。
根据本发明的一种有利实施方式，作为神经网络可以使用具有表示统计分布的潜在参数的贝叶斯神经网络。在此，可以通过训练尤其是借助于变分推断方法和/或借助于马尔可夫链蒙特卡罗方法推断潜在参数。可以将噪声信号馈入到贝叶斯神经网络的输入层中。然后可以通过利用所推断的潜在参数训练的贝叶斯神经网络从当前输入运行信号和噪声信号中产生输出信号。贝叶斯神经网络可以对随机分量进行建模，并且从而实现监督学习的概率方法。高效数值训练方法可用于训练具有潜在参数的这样的贝叶斯神经网络。
根据本发明的另一有利实施方式，神经网络可以被训练，用于根据所记录的输入运行信号再现统计分布的统计特征值。在此，为了训练，尤其是可以将似然函数用作要最小化的误差函数。为此，大量数值标准方法可供使用。然后可以通过经训练的神经网络对于所输送的当前输入运行信号确定统计特征值。相应地，噪声信号可以根据或按照所确定的统计特征值被产生，并且作为输出信号被输出。尤其是，统计分布的平均值和方差可以被用作特征值。此外，可以使用统计分布的标准偏差、概率值和/或分布类型作为特征值。
根据本发明的另一有利实施方式，当前输入运行信号可以不断地被检测，并且被输送给神经网络。从而，借助于神经网络可以优选地实时地运行并发模仿器、尤其是技术系统的数字孪生。由于当前目标运行信号的随机分量的很大程度上切合实际的统计，模拟器还可以以足够切合实际的方式模拟技术系统的不确定行为方式。
附图说明
下面根据附图更详细地阐述本发明的实施例。在此，分别以示意图：
图1示出技术系统的运行信号在其有损压缩之前和之后的时间变化过程，
图2示出处于训练阶段中的根据本发明的第一实施例的第一控制装置，
图3示出处于应用阶段中的第一控制装置，
图4示出处于训练阶段中的根据本发明的第二实施例的第二控制装置，以及
图5示出处于应用阶段中的第二控制装置。
只要在图中使用相同或相对应的附图标记，这些附图标记就表示相同或相对应的实体，所述实体可以尤其是如结合相关的图所描述的那样来实施或设计。
具体实施方式
图1阐明技术系统TS的运行数据在其有损压缩之前和之后的时间变化过程。技术系统TS例如可以是燃气轮机、风力涡轮机、发动机、机器人、制造设备、机动车辆或其他复杂的技术系统。
运行信号可以在技术系统TS处以感测方式被测量或以其他方式被检测。运行信号应该被记录用于以基于数据的方式训练用于技术系统TS或用于同类或类似技术系统的控制装置。
运行信号包括一个或多个输入运行信号SI，所述输入运行信号应该用作用于要控制的技术系统的控制装置的输入。输入运行信号SI可以例如包括或代表传感器数据、测量值、状态数据、控制动作数据或为了控制目的在技术系统TS处或对于技术系统TS检测的其他数据。在涡轮机的情况下，输入运行信号SI例如可以包括转速数据、温度数据或压力数据。
运行信号此外包括一个或多个目标运行信号ST，需要所述目标运行信号用于高效地控制技术系统TS。目标运行信号ST尤其是可以包括或代表经优化的控制动作、关于控制动作的效果的数据、难以测量的数据、预测数据或与控制相关的其他信号或数据。在涡轮机的情况下，目标运行信号ST可以例如包括关于燃烧动力学的数据、振动数据和/或关于涡轮机的难以到达的位置处的温度或压力分布的数据。
在运行复杂的技术系统时，通常出现大量的运行信号，在这里为SI和ST。出于该原因，这些运行信号通常被压缩。为了实现足够强的压缩，在此情况下经常应用有损压缩方法。在也称为死区的压缩方法的情况下，只要运行信号的变化保持在预先给定的阈值以下，就对于相应的运行信号记录恒定的值。可替代地或附加地，运行信号也可以通过或多或少粗略离散化被压缩。
为了压缩的目的，运行信号SI和ST从技术系统TS被传送到压缩装置CPR。压缩装置CPR以有损的方式将相应的输入运行信号SI压缩成经压缩的输入运行信号CSI以及以有损的方式将相应的目标运行信号ST压缩成经压缩的目标运行信号CST。经压缩的输入运行信号CSI和经压缩的目标运行信号CST被存储在数据库DB中。
以这种方式，可以由一个或多个技术系统创建一个或多个数据库，所述数据库具有大量经压缩的运行信号CSI和CST。如上已经提及的，所记录的运行信号CSI和CST应该结合本发明被使用来以数据驱动的方式训练用于要控制的技术系统的基于学习的控制装置。可以预期，要控制的技术系统与训练数据(在这里为CSI和CST)源自的所述一个或多个技术系统TS越相似，训练就越高效。
控制装置应该根据经压缩的运行信号CSI和CST被训练用于根据要控制的技术系统的输入运行信号SI确定或预告经优化的目标运行信号ST来控制该技术系统。以这种方式，也可以确定或重建难以测量或仅在稍后时间点可用的目标运行信号，所述目标运行信号对于控制技术系统是有用的。
然而，如上已经提及的，原始运行信号SI和ST的信息由于有损压缩而丢失，这尤其是对原始运行信号SI和ST的随机噪声分量产生影响。
由死区引起的原始目标运行信号ST到经压缩的目标运行信号CST的改变在图1的下面部分中被阐明。在此，原始目标运行信号ST由实线表示，而经压缩的目标运行信号CST由虚线表示。运行信号以任意单位相对于时间被绘制。表明的是，在经压缩的目标运行信号CST中不再能够重新找到原始目标运行信号ST的许多更精细的结构。尤其是，在经压缩的目标运行信号CST中不再能够容易地识别原始目标运行信号ST的随机显现的波动或噪声分量。
通过根据本发明的训练方法应该训练神经网络，尤其是用于再现所记录的目标运行信号CST的随机分量的统计分布。借助于经训练的神经网络和噪声发生器，于是可以模仿目标运行信号的噪声分量，所述噪声分量具有对应的统计分布。
在此情况下，训练通常应该被理解为优化机器学习模型(在这里为神经网络)的输入数据到其输出数据上的映射。该映射在其训练阶段期间根据预先给定的、所学习的和/或要学习的准则被优化。例如，再现误差、预报误差、所输出的控制动作的成功或关于统计分布的相似性可以被用作准则。通过训练，例如可以调整或优化神经网络的神经元的联网结构和/或神经元之间的连接的权重，使得尽可能好地满足预先给定的准则。因此，训练可以被解释为优化问题。对于机器学习领域上的这种优化问题，大量高效的优化方法可用。在此，优化也始终应该被理解为对最优值的近似。
图2阐明根据本发明的第一实施例的第一控制装置CTL1的训练。第一控制装置CTL1包括一个或多个用于实施控制装置CTL1的方法步骤的处理器PROC以及一个或多个用于存储要处理的数据的存储器MEM。
第一控制装置CTL1此外包括贝叶斯神经网络BNN以及噪声发生器NSG。噪声发生器NSG用于例如借助于生成伪随机数或其他随机数据的随机数发生器生成噪声信号NS。术语随机数据或随机数遵循常见的语言惯用法还应该包括伪随机数据或伪随机数。为了训练贝叶斯神经网络BNN，记录在数据库DB中的经压缩的输入运行信号CSI以及记录在那里的经压缩的目标运行信号CST由第一控制装置CTL1读出并且作为训练数据被馈入到贝叶斯神经网络BNN的输入层中。所生成的噪声信号NS或其数据值作为其他输入数据被馈入到贝叶斯神经网络BNN的输入层中。
贝叶斯神经网络BNN可以被解释为具有对统计分布建模的随机组件的神经网络。尤其是，可以利用贝叶斯神经网络BNN实施监督学习的概率方法。
根据第一实施例，贝叶斯神经网络BNN应该根据经压缩的训练数据CSI和CST以及噪声信号NS被训练，用于根据输入运行信号以及噪声信号生成具有不确定性随机分量的目标运行信号OST。在此，所生成的随机分量的统计分布应该对应于经压缩的目标运行信号CST的随机分量的静态分布。目标运行信号OST在此应该作为输出信号或以输出数据的形式通过贝叶斯神经网络BNN的输出层被输出。
在输入运行信号CSI的相同值的情况下，尤其是由于经压缩的目标运行信号CST的统计波动而使经压缩的目标运行信号CST的这样的随机分量明显。例如可以通过波动的平均值、方差或其他统计特征参量量化这些波动的统计分布。
根据第一实施例，通过贝叶斯神经网络BNN的所谓潜在参数(latente Parameter)LV对这些波动的不确定性性质进行建模、表示或代表。因此，潜在参数LV在一定程度上表示目标运行信号的随机分量的统计分布。
在训练贝叶斯神经网络BNN的过程中，优选地对于运行信号CSI和CST的每个数据点从统计波动中推断出潜在参数LV。在此，估计、标识或调整潜在参数LV，使得由所馈入的噪声信号NS感生的不确定性波动再现经压缩的目标运行信号CST关于其统计分布的随机分量。
为此目的，将经压缩的目标运行信号CST的统计分布与输出信号OST的统计分布进行比较CMP。在此，尤其是可以比较统计分布的平均值和/或方差。比较CMP在图2中在贝叶斯神经网络BNN之外示出。但是可替代地或附加地，比较CMP也可以完全或部分地在贝叶斯神经网络BNN内被实施。
在比较CMP时确定的在所比较的统计分布之间的偏差D——如在图2中由虚线箭头所表明的——被引回到贝叶斯神经网络BNN。因此，贝叶斯神经网络BNN的潜在参数LV以及神经权重被优化，使得偏差D被最小化。以这种方式，贝叶斯神经网络BNN连同其潜在参数LV被训练，用于根据输入运行信号再现目标运行信号以及其关于其统计分布的随机分量。
潜在参数LV的推断(Inferenz)尤其是可以借助于变分推断方法或借助于马尔可夫链模型被实施。例如在Stefan Depeweg等人的“Learning and Policy Search inStochastic Dynamical Systems with Bayesian Neural Networks”(ICLR 2017)中；在Stefan Depeweg等人的“Decomposition of Uncertainty in Bayesian Deep Learningfor Efficient and Risk-sensitive Learning”(International Conference onMachine Learning,2018)中或者在Christopher M.Bishop的“Pattern Recognition andMachine Learning”(Springer 2011)中描述了用于贝叶斯神经网络的这些以及其他高效训练和推断方法。
在第一实施例中，潜在参数LV以及将所述潜在参数适配于由噪声信号NS感生的不确定性波动对于所输出的目标运行信号OST的正确随机行为是重要的。当在贝叶斯神经网络BNN中不实现潜在参数LV的情况下，经训练的贝叶斯神经网络BNN将会与真实的技术系统TS不同地对于相同的输入始终提供相同的输出，即确定性地表现。而由具有潜在参数LV的贝叶斯神经网络BNN输出的目标运行信号OST至少部分地不确定性地表现，并且具有在很大程度上切合实际的统计分布。在此，贝叶斯神经网络BNN的神经权重在一定程度上对目标运行信号的确定性分量、即输入和目标运行信号之间的确定性函数关系进行代表或建模。与此相比，潜在参数LV在一定程度上对随机分量、噪声结构或噪声分量进行建模或代表。
图3阐明处于应用阶段中的具有经训练的贝叶斯神经网络BNN的第一控制装置CTL1。
在此情况下，第一控制装置CTL1从技术系统TS接收当前输入运行信号SI并且将该当前输入运行信号馈入到经训练的贝叶斯神经网络BNN的输入层中。在此，技术系统TS可以是训练数据源自的技术系统，或者是同类或相似的技术系统。
由噪声发生器NSG生成的噪声信号NS或其数据值作为其他输入数据被馈入到经训练的贝叶斯神经网络BNN的输入层中。从当前输入运行信号SI以及所馈入的噪声信号NS，通过经训练的贝叶斯神经网络BNN至少间接地根据所推断的潜在参数LV产生输出信号OST，所述输出信号作为当前目标运行信号通过经训练的贝叶斯神经网络BNN的输出层被输出。输出信号OST具有所模仿或重建的噪声分量，所述噪声分量在其统计方面与实际目标运行信号ST的噪声分量相似。由于通过噪声信号NS引起的基于随机的激励，通过潜在参数LV使贝叶斯神经网络BNN能够为输出信号OST生成或模仿切合实际的不确定性噪声分量。
所生成的当前目标运行信号OST从经训练的贝叶斯神经网络BNN被传送给技术系统TS的在第一控制装置CTL1中实现的数字孪生DT。附加地，当前输入运行信号SI也被馈入到数字孪生DT中。
数字孪生DT作为技术系统TS的并发模拟器起作用。所述数字孪生本身实施技术系统TS的模拟，所述模拟与技术系统TS的运行并行地同时进行并且不断地利用运行信号、在这里为技术系统TS的SI和OST被更新。技术系统TS的实时地同时进行的这样的模拟允许详细地监控技术系统TS并且以模拟方式确定技术系统TS的与其高效控制相关的状态数据。借助于由数字孪生DT以模拟方式确定的这种数据，可以特别有效地且预见性地控制技术系统TS——如在图3中由点线箭头所表明的。
图4阐明根据本发明的第二实施例的第二控制装置CTL2的训练。
第二控制装置CTL2包括要训练的神经网络NN。为了训练神经网络NN，记录在数据库DB中的经压缩的输入运行信号CSI以及经压缩的目标运行信号CST由第二控制装置CTL2读出并且作为训练数据被馈入到神经网络NN的输入层中。
神经网络NN应该根据经压缩的训练数据CSI和CST被训练，用于根据输入运行信号再现经压缩的目标运行信号CST的随机分量的统计分布的统计特征值。
在本实施例中，相应统计分布的平均值AVG以及方差V应该作为统计特征值被再现并且通过神经网络NN的输出层被输出。
在神经网络NN的训练的范围中，在经压缩的目标运行信号CST与由神经网络NN输出的特征值AVG和VA之间进行比较CMP。如下进行比较CMP，即经压缩的目标运行信号CST的随机分量的统计分布是否以及在何种程度上与所输出的平均值AVG和所输出的方差V兼容或与之偏离。相应的偏差或相应的再现误差D被确定为对此的定量量度并且被引回到神经网络NN用于训练神经网络NN——如在图4中通过虚线箭头所表明的。在此，尤其是所谓的似然函数可以被用作误差函数。
在训练神经网络NN时，所述神经网络的神经权重被调整为使得再现误差D或误差函数被最小化。为此目的，大量高效数值标准方法可供使用。
图5示出在控制技术系统TS时处于应用阶段中的具有经训练的神经网络NN的第二控制装置CTL2。该技术系统TS优选地是与训练数据CSI和CST源自的技术系统相同、同类或相似的技术系统。
为了控制技术系统TS，第二控制装置CTL2检测技术系统TS的当前输入运行信号SI并且将当前输入运行信号SI馈入到经训练的神经网络NN的输入层中。经训练的神经网络NN然后对于优选地当前输入运行信号SI的每个数据集或每个时间序列点生成统计特征值AVG和V。
统计特征值AVG和V通过经训练的神经网络NN的输出层被输出，并且被输送给第二控制装置CTL2的噪声发生器NSG。噪声发生器NSG用于生成随机数据或者一般来说噪声信号，其中所生成的随机数据的平均值和方差是可调整的。在本实施例中，噪声发生器NSG对于每对所输送的统计特征值(在这里为AVG和V)生成一个或多个输出值，所述输出值在统计平均上具有预先给定的平均值AVG和预先给定的方差V。输出值由噪声发生器NSG作为输出信号OST输出。因此，输出信号OST具有带有切合实际的统计分布的所模仿的不确定性噪声分量。
如在第一实施例中那样，输出信号OST作为当前目标运行信号与当前输入运行信号SI一起被传送给技术系统TS的数字孪生DT。如上已经阐述的，数字孪生DT可以有利地被使用来监控或控制技术系统TS。
由于目标运行信号OST的切合实际地模仿的噪声分量，即使在有损训练数据的情况下，也可以获得关于技术系统TS的行为的明显更切合实际的预测。尤其是，关于技术系统TS的可靠性或运行风险的预测从中获益。
Claims (10)
1.一种用于模仿技术系统(TS)的有损地记录的运行信号的噪声分量的计算机实现的方法，其中
a)用于所述技术系统(TS)的控制装置的输入运行信号以及用于控制所述技术系统(TS)的目标运行信号以有损方式被记录，
b)神经网络(NN、BNN)根据所记录的运行信号(CSI、CST)被训练，用于根据所记录的输入运行信号(CSI)再现所记录的目标运行信号(CST)以及所记录的目标运行信号(CST)的随机分量的统计分布，
c)所述技术系统(TS)的当前输入运行信号(SI)被输送给经训练的神经网络(NN、BNN)，
d)根据所输送的当前输入运行信号(SI)和噪声信号(NS)产生具有对于所述统计分布模仿的噪声分量的输出信号(OST)，以及
e)所述输出信号(OST)作为当前目标运行信号被输出用于控制所述技术系统(TS)。
2.根据权利要求1所述的方法，其特征在于，
作为神经网络使用具有表示所述统计分布的潜在参数(LV)的贝叶斯神经网络(BNN)，
通过训练推断所述潜在参数(LV)，
将所述噪声信号(NS)馈入到所述贝叶斯神经网络(BNN)的输入层中，并且
通过利用所推断的潜在参数(LV)训练的贝叶斯神经网络(BNN)从所述当前输入运行信号(SI)和所述噪声信号(NS)中产生所述输出信号(OST)。
3.根据权利要求2所述的方法，其特征在于，所述推断借助于变分推断方法和/或借助于马尔可夫链蒙特卡罗方法被实施。
4.根据前述权利要求中任一项所述的方法，其特征在于，
所述神经网络(NN)被训练，用于根据所记录的输入运行信号(CSI)再现所述统计分布的统计特征值(AVG、V)
通过所述经训练的神经网络(NN)对于所输送的当前输入运行信号(SI)确定统计特征值(AVG、V)，以及
所述噪声信号根据所确定的统计特征值(AVG、V)被产生，并且作为输出信号(OST)被输出。
5.根据权利要求4所述的方法，其特征在于，为了训练，使用似然函数作为要最小化的误差函数。
6.根据权利要求4或5所述的方法，其特征在于，使用所述统计分布的平均值(AVG)、方差(V)、标准偏差、概率值和/或分布类型作为特征值。
7.根据前述权利要求中任一项所述的方法，其特征在于，所述当前输入运行信号(SI)不断地被检测，并且被输送给所述神经网络(NN、BNN)，并且借助于所述神经网络(NN、BNN)运行并发模仿器(DT)、尤其是所述技术系统(TS)的数字孪生。
8.一种用于控制技术系统(TS)的控制装置(CTL1、CTL2)，所述控制装置被设立用于实施根据前述权利要求中任一项所述的方法。
9.一种计算机程序产品，所述计算机程序产品被设立用于实施根据权利要求1至7中任一项所述的方法。
10.一种具有根据权利要求9所述的计算机程序产品的计算机可读存储介质。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP20214204.8A EP4016202B1 (de) | 2020-12-15 | 2020-12-15 | Verfahren zum nachbilden von rauschanteilen von verlustbehaftet aufgezeichneten betriebssignalen sowie steuereinrichtung |
| EP20214204.8 | 2020-12-15 | ||
| PCT/EP2021/082347 WO2022128331A1 (de) | 2020-12-15 | 2021-11-19 | Verfahren zum nachbilden von rauschanteilen von verlustbehaftet aufgezeichneten betriebssignalen sowie steuereinrichtung |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116601569A true CN116601569A (zh) | 2023-08-15 |
Family
ID=74124990
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202180084849.XA Pending CN116601569A (zh) | 2020-12-15 | 2021-11-19 | 用于模仿有损地记录的运行信号的噪声分量的方法及控制装置 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20240045386A1 (zh) |
| EP (2) | EP4016202B1 (zh) |
| CN (1) | CN116601569A (zh) |
| WO (1) | WO2022128331A1 (zh) |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19531967C2 (de) * | 1995-08-30 | 1997-09-11 | Siemens Ag | Verfahren zum Training eines neuronalen Netzes mit dem nicht deterministischen Verhalten eines technischen Systems |
| GB2576500A (en) * | 2018-08-15 | 2020-02-26 | Imperial College Sci Tech & Medicine | Joint source channel coding based on channel capacity using neural networks |
-
2020
- 2020-12-15 EP EP20214204.8A patent/EP4016202B1/de active Active
-
2021
- 2021-11-19 EP EP21816412.7A patent/EP4232875A1/de not_active Withdrawn
- 2021-11-19 US US18/266,664 patent/US20240045386A1/en active Pending
- 2021-11-19 WO PCT/EP2021/082347 patent/WO2022128331A1/de active Application Filing
- 2021-11-19 CN CN202180084849.XA patent/CN116601569A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| EP4232875A1 (de) | 2023-08-30 |
| EP4016202B1 (de) | 2023-11-22 |
| EP4016202A1 (de) | 2022-06-22 |
| US20240045386A1 (en) | 2024-02-08 |
| WO2022128331A1 (de) | 2022-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10671060B2 (en) | Data-driven model construction for industrial asset decision boundary classification | |
| Wu et al. | A framework of dynamic data driven digital twin for complex engineering products: the example of aircraft engine health management | |
| US12141052B2 (en) | Resilient estimation for grid situational awareness | |
| Khelif et al. | RUL prediction based on a new similarity-instance based approach | |
| Masri et al. | Identification of nonlinear dynamic systems using neural networks | |
| US11740618B2 (en) | Systems and methods for global cyber-attack or fault detection model | |
| EP1131768B1 (en) | Generating a nonlinear model and generating drive signals for simulation testing using the same | |
| JP2010530179A (ja) | 仮想センサ・システムおよび方法 | |
| US11341780B2 (en) | Maintenance of an aircraft via similarity detection and modeling | |
| US6947870B2 (en) | Neural network model for electric submersible pump system | |
| JP7535979B2 (ja) | 生徒対教師の不一致を最大化する入力を用いて、教師役ニューラルネットワークを模倣するように生徒役ニューラルネットワークを訓練する方法 | |
| CN115867920A (zh) | 用于为技术系统配置控制代理的方法以及控制装置 | |
| Shin et al. | Pasta: An efficient proactive adaptation approach based on statistical model checking for self-adaptive systems | |
| CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 | |
| US20220222927A1 (en) | Apparatus, system, and method of generating a multi-model machine learning (ml) architecture | |
| Pattipati et al. | An integrated diagnostic process for automotive systems | |
| CN116601569A (zh) | 用于模仿有损地记录的运行信号的噪声分量的方法及控制装置 | |
| JP2022035227A (ja) | 機械学習装置及び機械学習システム | |
| CN111191770A (zh) | 一种基于模糊神经网络的火箭系统健康状态评估方法 | |
| CN114896870A (zh) | 一种基于故障注入的智能汽车虚拟测试方法 | |
| KR20220153774A (ko) | 적응형 시스템의 통계적 검증 기반 예측적 적응 기법 | |
| Cheung et al. | Identifying and addressing uncertainty in architecture-level software reliability modeling | |
| KR20210064794A (ko) | 예측 불확실성을 활용한 성능 저하 판단 방법 및 장치 | |
| EP3945375B1 (en) | Machine controller and methods for configuring and using the machine controller | |
| EP4401016A1 (en) | Method for generating and training a system model, selecting a controller, system, computer-system |
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 |