CN1685294A - 监控包括多个系统的技术设备特别是电站的装置和方法 - Google Patents

Abstract

在本发明的用于监控技术设备(2)的方法以及对应的装置(1)中，技术设备(2)的至少一个系统(3，5，7，9，11)的动态模型(15)借助于基于人工智能的算法(21，21a，21b)在系统(3，5，7，9，11)运行的同时改进该系统的动态模型(15)。

Description

监控包括多个系统的技术设备特别是电站的装置和方法

技术领域

本发明涉及用于监控包括多个系统的技术设备、特别是电站的一种装置和一种方法。

背景技术

用于监控包括多个系统的技术设备的常规的装置和方法、特别是诊断方法和诊断设备，经常以对技术设备的特定运行参数的观察和/或测量为基础，其中，超过或者低于一个额定值将采取维护措施。

在此，合乎逻辑的是：在观察孤立测量的参数的条件下导出必须的处理措施是不精确的和容易出错的。

另一方面，为了获得一幅关于当前或者将来预期的运行状态的图像，采用在技术设备中积累的大量数据，特别是不同位置的测量值和/或对于存储的、历史测量值，这同样造成不能进行令人满意的判断，因为这些来自不同数据来源的数据相互的依赖性在多数情况下是不知道的，因此从中也不能做出精确的判断，更不用说对运行状况进行预测了。

此外，可以预见到不能采集所有对设备的运行状况产生影响的数据，这使得问题进一步复杂化。

发明内容

因此，本发明要解决的技术问题是，提供用于监控包括多个系统的技术设备、特别是电站的一种改进的装置以及方法。在此，应该就在技术设备中产生的故障而言尤其可以实现高精确性预测。

同样应该能够尽可能早地识别所谓的“缓慢的过程偏差”，即偏离所希望的运行状况并实际上总是在出现故障和/或过程干扰之前发生。

此外，借助于本发明的装置或者对应的方法可以尽可能早地确定在技术设备中出现故障的预期时刻，使得可以在设备或其部件瘫痪之前引入克服的措施、例如维护措施。

另外，本发明的装置或者对应的方法能够减小在设备中迄今为止一般诊断应用的花费，并还允许对所使用的调整装置进行更好的优化。

上述关于装置的技术问题按照本发明是通过一种用于监控包括多个系统的技术设备、特别是电站的装置实现的，该装置包括：

·至少一个分析模块，该分析模块包括所述技术设备的至少一个系统的一个动态模型，其中，可以将该技术设备的运行数据和/或结构数据作为输入数据输入到该分析模块，以及

·至少一个由该分析模块所包含的基于KI(人工智能)的算法，借助于该算法可以在系统运行期间改进该系统的动态模型，

其中，借助于分析模块可以确定标志该系统当前和/或未来的运行特性的输出数据。

在此，本发明以如下的考虑为出发点：在常规的、现有技术公知的模型化中，对于为设备的未来特性进行可靠的预测来说，可以实现的精度、即可以实现的所确定的模型量与对应的实际量一致的程度太小。对于当前时间点来说，公知的模型化多数提供可用的结果，即，在当前时间点出现与对应的实际量较高程度的一致。不过，设备特性的感兴趣的时间点越在更远的未来，则预测的不可靠性就越高。

本发明的另一个切入点在于这样的认识，即，在许多情况下不可能或者仅在极高花费的条件下才可能提供一定程度上精确的技术设备的模型(例如由于技术设备一些系统的强烈的非线性)。

在本发明的装置中，从技术设备的至少一个系统的动态模型出发，该动态模型在运行期间借助于人工智能(KI)的方法得到改进。由此，改进了该动态模型描述和预测系统运行特性的能力。

在此，不是一定必须利用系统的一个复杂的统一动态模型开始。例如，经常一组少数孤立的、简单方程和特征曲线就足够了，这些方程和特征曲线可以通过优选为简单构造的神经元网络、模糊逻辑和基因算法得到完善。这些“部分模型”之间对于系统描述的相互影响，然后在运行期间通过基于KI的算法得到改进，使得形成所述成分的相互关联网(Zusammenhangsgeflecht)。

不需要特别是决定性的、传统意义上的模型。而是对提到的相互关联网进行参数化(例如，这种网的伯努利方程，以便将其用于具体出现的流体)，并且基于KI的算法在系统和/或技术设备的历史或当前运行数据和/或结构数据中搜索关联，例如因为其它量的改变而造成的量的改变。然后，将这种新发现的关联通过基于KI的算法集成到动态模型中，特别是作为附加的特征曲线和/或方程或者作为对动态模型参数的匹配、例如神经元网络的网络加权系数，并由此改进了动态模型。

与本发明关联的概念“系统”应覆盖从简单的部件(例如管道)到高度复杂的、包括多个分系统的整个系统(例如涡轮机组、锅炉设备、电站块或者整个电站)的范围。

“运行数据”被理解为特别是在技术设备运行中所积累的所有的数据类型，例如温度测量值、压力测量数据、热图像、传感器数据、提示、警报、报警等等。

“基于KI的算法”尤其包括人工智能的方法，例如神经元网络、模糊逻辑和基因算法。

“动态模型”可以是确定的和数值的或者也可以借助于基于KI的算法来描述。其还可以包括物理和数学方程。所提到的成分的组合也是广泛的，特别是通过基于KI的算法关联的物理和/或数学方程。

在一个优选的实施方式中，对动态模型的改进包括识别这样的输入数据，这些输入数据此前还没有被该动态模型使用，并且借助于这些输入数据可以扩展动态模型。

在此，在对动态模型的改进中将基于KI的算法用于识别和建立此前还没有被该动态模型考虑过的关联。

优选地，动态模型包括{特征曲线、物理方程、神经元网络、模糊逻辑、基因算法}组成的组中的一个或多个成分。

特别地，动态模型包括至少一个可以利用系统的历史运行数据进行训练的神经元网络。

借助于神经元网络对技术部件和设备进行模型化是一种公知的和有效的方法。一个特别的优点在于，待建模部件的分析描述不必已知。通过训练阶段(其例如包括一种公知的反向传播算法)首先借助于起始参数(“开始-加权系数”)进行初始化，然后针对其加权系数构造神经元网络的预先确定的结构，使得在训练阶段结束之后可以预期与实际部件有良好的一致性。通过这种方式在不必进行精确的分析的条件下得到部件的模型。在训练阶段神经元网络学习对于特定的输入值生成特定输出值；这种输入值连同其对应的输出值经常被称为训练集合。然后，在运行中神经元网络对于没有包括在训练集合中的输入值进行内插，使得对于这种输入值也计算出输出值。

在技术设备的运行中经常出现这样的问题，即，不了解或者不能采集所有对于待建模部件或整个技术设备的特性产生影响的运行数据。

此外，至少一个基于KI的算法的使用，也可以借助于动态模型将不直接影响技术设备的系统参数引入到对该系统状态的计算中，例如作为输入和/或输出信号或者媒介流。例如，在一个串联设置的系统链中可以对于处于该链中中间位置的系统进行模型化，该系统除了可能直接对其影响的输入信号之外，还获得无法按照测试技术或其它方式读取的、来自前面系统的输入信号。

在此，如果用于确定实测状态的输入参数仍然不知道或者很难确定、例如前面提到的要借助于中对前面的系统输出值的花费大的测量，则人工智能方法(该方法根据生物进化例如可以构成对于适当的特征组合进行的基因搜索算法)也允许对技术设备的系统状态进行计算。

在此，例如也可以与基于KI的算法相关联地使用统计方法，其中，将不能按照其它方法读取的、系统的最可能的输入和/或输出值这样在当前运行情况下确定，即，基于KI的算法例如通过进化的搜索策略确定该动态模型所需的、有关系统的输入和/或输出值。

按照这种方式可以预期至少一个系统的模型与该系统实际特性良好的一致性，因为借助于至少一个基于KI的算法也可以将这样的运行数据引入到系统的模型化中，即，该运行数据否则的话保持在前并且会导致模型和因此特别由此建立的预测或强或弱的不精确。

因此，尤其也可以将系统的、一同决定其运行状态的但不能(例如通过测试技术)访问的输入和/或输出数据引入。由此，提高了预测的精度。

本发明的一个特别优选的实施方式包括多个分析模块，这些分析模块分别包括技术设备的至少一个系统的一个动态模型。此外，配备了至少另一个基于KI的算法，借助于该算法可以确定分析模块中第一个的输入和/或输出数据与第二个的输入和/或输出数据之间的相关性。

本发明的这种实施方式涉及的是将本发明的装置扩展到并行地监控相互影响的系统，其中，另一个基于KI的算法按照分析模型的输入和/或输出数据之间关系的形式确定该相互影响，并且作为其它关联建立，例如按照方程、神经元网络或者特征曲线的形式建立。由此产生共同作用的系统的精确动态模型，其包含单个系统的动态模型以及其它关联。

这样，既可以描述单个系统的当前和/或未来的运行特性，也可以描述通过系统的共同作用而形成的设备的运行特性。

在此，优选地借助于相关性可以确定标志技术设备当前和/或未来运行特性的其它输出数据，其中，这些其它输出数据包含跨系统信息。

所述数据之间的相关性表明了相互的依赖性，由此，所获得的其它输出数据的说服力超出了参与其中的单个系统的系统界线，因此其描述了包括至少两个系统的技术设备的一个更大单元的特性。

优选地，技术设备的运行数据和/或结构数据包括{过程数据、运行提示、报警提示、故障提示、观察记录、注释、技术设备的结构、设备部件的分层}构成的组中的一个或者多个信息。

在此，过程数据可以在线和离线地从技术设备的控制系统和/或与其连接的子系统中获得，或者也可以手动输入。

运行提示尤其包括传感器数据以及由此导出的关于技术设备和其系统的运行状态的信息。

结构数据尤其包括针对技术设备包含的系统(设备部件、子系统、系统组)以及其分层的共同作用和优先级的、技术设备的结构的信息。

在此，这些数据可以包括当前和/或历史数据，其例如可以短期或者长期档案或者被存放在工程系统中。

优选地，技术设备的运行数据和/或结构数据由一个过程控制系统提供。

为了操作和观察复杂的技术设备，多数情况下使用过程控制系统，其中具有或者在运行期间积累并存储所述数据。因此，在这种实施方式中数据的提供花费尤其少。

此外，本发明还导致了一种用于监控包括多个系统的技术设备、特别是电站的方法，其包括下列步骤：

·将技术设备的运行数据和/或结构数据作为输入数据输入到该技术设备的至少一个系统的一个动态模型中，

·借助于基于KI的算法在所述系统运行期间改进该系统的动态模型，以及

·借助于所述分析模块确定标志该系统当前和/或未来的运行特性的输出数据。

优选地，对所述动态模型的改进包括识别这样的输入数据，即，该输入数据此前还没有被该动态模型使用，并且借助于该输入数据可以扩展该动态模型。

在一个优选的实施方式中，存在多个动态模型，这些动态模型分别描述技术设备的至少一个系统，并且配备了至少另一个基于KI的算法，借助于该算法可以确定至少动态模型中第一个的输入和/或输出数据与第二个的输入和/或输出数据之间的相关性。

优选地，借助于相关性可以确定标志技术设备当前和/或未来的运行特性的其它输出数据，其中，这些其它输出数据包含跨系统信息。

可以将利用本发明的装置和其优选的结构做出的实施方式转移到本发明的方法中，因此这里不再重复。

总之，本发明可以置入到下列领域中：

可以将用于诊断技术设备(如电站设备)的系统的人工智能用于预测预期的故障，其中，可以引入技术设备中所有可用的数据。

在此，重点例如在于：用于对监控任务、特别是诊断任务的建模和处理的基因算法和神经元网络。

特别感兴趣的是，显著地降低在技术设备中进行诊断的花费，并且还允许对调节进行更好的优化。

如果一方面就法定条例和资源的紧缺而言减少了技术设备系统的重要总体特性、例如功率和能量消耗，而另一方面满足了用户对于更好的效率和诊断可能性的期望的话，则实现了改进。

在借助于基因/进化算法的诊断中，既可以将大系统也可以将小系统一体化。

通过将基因(进化的)算法与各种形式的Kohonen网络和/或神经元网络结合，可以对技术设备的至少一个系统的状态进行判断。

此外，基因算法的使用使得还可以将不直接影响技术设备系统的参数引入到对该系统状态的确定中，例如作为输入和/或输出信号或者媒介流。

此外，如果用于确定实测状态的输入参数仍然不知道或者不能或很难确定、例如要借助于花费大的测量，则基因算法(搜索算法)的方法还允许对至少一个系统或者整个技术设备的状态进行计算。

将人工智能应用于诊断还使得可以为技术设备的操作者提示复杂的设备状态与所计算的实测状态的偏差。在此，可以首先放弃具体的故障提示、例如关于较窄限制的故障地点，因为例如传感器的失灵多数情况下已经由现有的控制系统采集并提示了。

与本发明相关联更重要的是识别缓慢的过程，其不一定马上引起设备部件的失灵，例如变脏，由于使用、老化等引起的功率下降等由于“习惯效应”而不能被人及时地发觉以及及时地解释的过程。

在许多情况下这种缓慢的变化在某个时刻导致技术设备的失灵。不过，这种变化经常不被识别，因为现有的调节装置例如尝试消除这种变化的影响：例如风扇叶片上的变脏通过对风扇叶片的调节得到补偿。或者调节装置通过给定新的额定值补偿允许的油泵或者冷却泵的功率；然后例如轴承的温度非常缓慢地变高，因为调节装置经常可以将在其处开始的缺陷延迟到系统失灵的时刻。不过，其中被调节的系统总是被更高地要求并且磨损增加。技术设备的使用者对此不了解，因为恰恰因为调节装置技术设备继续起作用，尽管技术设备的一个或者多个系统接近了其磨损极限。

如果将一个起作用的系统在较高要求的条件下运行，则尤其会出现危险的运行；这种要求可以通过上述调节装置设定额定值而引起。例如，将一个用于长期运行的冷却循环设计在50％的功率，则按70-80％功率的长期运行就可以很快引起重大的损害。不过，产生漏隙的冷却泵却发觉不出正在出现的故障，因为调节装置为了保证冷却循环的功能总是进一步提高冷却泵的额定值(例如压力)，这进一步加速了泵的故障。直到故障实际出现冷却泵才被意识到作为冷却系统故障原因的该故障。这里，按照本发明的装置以及方法可以提供帮助。

此外，基因算法结合智能的、可以学习的网络允许识别技术设备的危险运行方式、机组和系统的过载以及虚假的满载等等。优选地将其例如按照(例如特征场的)运行曲线提示给技术设备的运行者/操作者，从中既表明当前的运行，还表面建议的、改进的运行。

对于偏差的表示可以优选地借助于特征场进行。在基因算法的基础上，除了故障预测之外还可以对技术设备的运行进行优化。

此外，借助于基因算法还可以为技术设备的管理人员获得这样信息，这些信息允许对设备的整个状态以及必要时在一个时间段上所需的维护措施得出结论。

优选地，人工智能的使用允许对系统状态进行在线计算，也就是说，可以为运行者指示其设备中的“故障特性”，然后该运行者就可以指定使其可以新的观察方式的、预见的计算。

例如：按照诊断系统形式的本发明的装置向运行者提示“在碎煤机XX的磨辊区域上有故障”；通过针对性的检查确认需要对碎煤机采用维护措施(例如，因为这点在制造商给出的所属维护手册中规定了)。

这样，通过本发明的诊断系统就可以通过预见的计算确定，如果运行者在没有维护措施的条件下仍然继续让其技术设备运行，则何时可以预计该碎煤机实际出现运行故障。

利用将基因算法和神经元网络以及必要时的Kohonen网络的结合，可以做出多种针对技术设备的当前和/或未来的状态的结论，特别是何时需要维护措施。

附图说明

下面对本发明的两个实施方式作进一步的说明。图中：

图1示出一种在技术设备中通常出现的系统分层结构，

图2示出一个按照本发明的装置，并且

图3示出具有两个分析模块的、本发明的装置的另一个实施方式。

具体实施方式

图1示例性地示出了技术设备2的分层系统结构。

技术设备2被构造成一个用于产生电能的电站设备，并且包括两个电站块3。

在此，每个电站块3包括两个涡轮机5、例如燃气涡轮机。这些涡轮机5又分别包括一个冷却循环9。

在此，冷却循环9包括涡轮机5的一个涡轮机叶片11。

每个提到的部件应该结合本发明落入系统的概念中。也就是说，一个系统可以包括一个简单的、孤立的部件，例如涡轮机叶片，也可以包括复杂的系统，例如电站块3或者多个电站块3。

图2示出一个具有分析模块13的按照本发明的装置1。

在此，作为输入数据为分析模块13输入技术设备的运行数据17和结构数据19。

运行数据17例如可以是在技术设备或者在系统本身借助于传感器获得的在线测量数据。不过，在此也可以是从这些测量数据中导出的数据，这些数据例如是在计算机系统中产生的。此外，运行数据17也可以包括离线数据，其例如存放在档案中或者被手动输入。

结构数据19描述技术设备或者系统本身。其尤其包括关于系统所包含的部分系统以及它们的分层结构的相互连接的信息。

动态模型15设置用于对系统特性建模。该动态模型15例如可以包括解析方程，也可以包括人工智能的方法，如神经元网络、模糊逻辑或基因算法。此外，还可以设置用于描述系统特性的、特别简单的特征曲线。

基于KI的算法21被设置用于在系统15的运行期间改进动态模型15。

该基于KI的算法21例如可以构造成一种基因算法。

该基于KI的算法21的重要角色在于，在动态模型15中进行动态匹配，以便在这样的意义上实现该动态模型15的改进，即，实现改进的模型特性、即与实际系统的特性更好的一致性。例如，为了评价该事实情况可以引入模型化误差，例如系统的实际时间特性与该系统的模型化的时间特性之间的差值。这样，借助于基于KI的算法21可以对动态模型15进行改进。在此，尤其将基于KI的算法21用于识别在建模时没有考虑的参数和数据(这些参数和数据包含在运行数据17和/或结构数据19中、但是还没有引入到建模中)，并且建立其它的、包含所述被识别的参数和/或数据的关联(例如方程或特征曲线)并引入到动态模型15中。

作为基因算法构成的基于KI的算法21对由动态模型15包含的关联(例如方程、特征曲线或神经元网络的网络参数)进行优化，其中，其将进化的参数和数据进行组合和再组合，并在此尤其发现新的、动态模型15还没有包括的关联。

目前为止，所描述的、与本发明关联使用的建模以及借助于基于KI的算法21对其的改进，超越了公知的方法(例如监督学习和经典的建模)。

分析模型13作为输出数据23产生关于系统运行特性的结论(Aussagen)。在此，其例如可以是系统的当前和/或未来运行特性，以便建立预测。例如，为分析模型13输入运行数据17并假设该运行数据将在一个特定的未来时间段上持续。这样，输出数据23允许例如作出关于是否以及可能时何时预期到系统运行故障的结论。动态模型15越精确地反映实际的系统特性，则该结论就越精确。在本发明的装置1中尤其通过基于KI的算法21保证了动态模型15的精确性，使得由分析模型13作为输出数据23确定的预测和诊断非常精确。

输出数据23尤其包括关于系统和技术设备的故障识别(趋势分析、磨损和老化)、效率、过程质量和预计的未来特性的合格的提示。

为了产生这种提示，分析模型13可以包括一个规则库(Regelwerk)，以便将由动态模型15生成的输出数据变换为所述提示。在此，该规则库尤其包括用于短的观察时间段的预测规则以及用于长期观察时间段的规则。

在此，除了动态模型15的输出数据外还可以向该规则库提供其它信息，例如对有关系统或者技术设备的提示和报警。

在图3的表示中，按照本发明的装置1具有两个分析模块13a和13b。

在此，向分析模块13a输入冷却系统29的运行数据17a和结构数据19a；分析模块13b作为输入数据得到发电机31的运行数据17b和结构数据19b。

此外，向两个分析模块13a，13b输入技术设备的环境数据33，例如环境温度、空气湿度、空气压力等等。

每个分析模块13a，13b确定分别标志被分析的系统29以及31的运行特性的输出数据23a以及23b。

因为冷却系统29和发电机31不是方法技术上彼此孤立考察的系统，因此可以预料到尤其是冷却系统29运行数据17a的变化对发电机31的运行特性产生影响，因此对分析模块13b的输出数据23b产生影响。同样的情况适用于发电机31的运行数据17b的变化，从中可以预期冷却系统29的运行特性因此以及由此分析模块13a的输出数据23a发生变化。

为了对这种相关性进行检查和量化，设置了另一个基于KI的算法25。

该算法25例如可以构造成为另一个产生其它输出数据27的基因算法，该输出数据包括跨系统信息，即，超越一个系统的特性标志，并且尤其包含关于系统29和31的共同作用及其相互依赖性的信息。

也就是说，该另一个基于KI的算法25在此负责识别和建立上级的、跨越系统的关联。这些关联例如可以包括由该另一个基于KI的算法25产生和/或参数化的方程、特征曲线或神经元网络。

在此，用于识别和建立这种跨系统关联的策略可以与在结合图2提到的、通过基于KI的算法21a和21b识别和建立系统内部的关联相类似。

借助于本发明的装置以及本发明的方法尤其可以，在不用昂贵的诊断手段的条件下从系统的现有运行数据和结构数据中做出关于系统特性、尤其是未来特性的结论。

为此，设置系统的自适应动态模型，该动态模型在运行期间由基于KI的算法进行改进。

基于KI的算法21尤其用于，在技术设备的多数本来可供使用的(例如在控制系统中被处理的)运行数据和/或结构数据中搜索关联，并且将在其中识别的关联集成到动态模型中，以便将动态模型逐步完善。

也就是说，不需要提供系统或技术设备的解析模型。而是模型可以例如从特征曲线场的特别简单的特征曲线和/或从简单的方程出发，通过借助于基于KI的算法在建立其中所确定的相关性(例如按照其它的特征曲线、方程等的形式)的条件下逐步得到完善。

与常规的监控和诊断装置不同，本发明以一种基于数据的方法为基础，其中，利用人工智能的方法寻找技术设备现有运行数据各部分之间和/或结构数据各部分之间的依赖性，并且作为量化的关联(例如方程和/或特征曲线)建立，从而形成技术设备的至少一个系统的精确的动态模型。

Claims (13)

1.一种用于监控包括多个系统的技术设备(2)、特别是电站的装置(1)，其特征在于，

·至少一个分析模块(13，13a，13b)，该分析模块包括所述技术设备(2)的至少一个系统(3，5，7，9，11)的动态模型(15)，其中，可以将该技术设备(2)的运行数据(17，17a，17b)和/或结构数据(19，19a，19b)作为输入数据输入到所述分析模块(13，13a，13b)中，以及

·至少一个由所述分析模块(13，13a，13b)所包含的基于人工智能的算法(21，21a，21b)，借助于该算法可以在系统(3，5，7，9，11)运行期间改进该系统的动态模型(15)，

其中，借助于所述分析模块(13，13a，13b)可以确定标志该系统(3，5，7，9，11)当前和/或未来的运行特性的输出数据(23，23a，23b)。

2.根据权利要求1所述的装置(1)，其特征在于，对所述动态模型(15)的改进包括识别这样的输入数据，这些输入数据此前尚未被该动态模型(15)使用，并且借助于这些输入数据的可以扩展该动态模型(15)。

3.根据权利要求1或2所述的装置(1)，其中，所述动态模型(15)包括由特征曲线、物理方程、神经元网络、模糊逻辑、基因算法构成的组中的一个或多个成分。

4.根据权利要求1至3中任一项所述的装置(1)，其中，所述动态模型(15)包括至少一个可以利用所述系统(3，5，7，9，11)的历史运行数据进行训练的神经元网络。

5.根据权利要求1至4中任一项所述的装置(1)，其特征在于，存在多个分析模块(13，13a，13b)，这些分析模块分别包括所述技术设备(2)的至少一个系统(3，5，7，9，11)的一个动态模型(15)，并且配备了至少另一个基于人工智能的算法(25)，借助于该算法可以确定所述分析模块(13，13a，13b)中第一个的输入数据和/或输出数据与第二个的输入数据和/或输出数据之间的相关性。

6.根据权利要求5所述的装置(1)，其特征在于，借助于所述相关性可以确定标志技术设备(2)当前和/或未来运行特性的其它输出数据(27)，其中，这些其它输出数据(27)包含跨系统信息。

7.根据权利要求1至6中任一项所述的装置(1)，其中，所述技术设备(2)的运行数据(17，17a，17b)和/或结构数据(19，19a，19b)包括由过程数据、运行提示、报警提示、故障提示、观察记录、注释、技术设备的结构、设备部件的分层构成的组中的一个或者多个信息。

8.根据权利要求1至7中任一项所述的装置(1)，其中，所述技术设备(2)的运行数据(17，17a，17b)和/或结构数据(19，19a，19b)包括该技术设备(2)的当前和/或历史数据。

9.根据权利要求1至8中任一项所述的装置(1)，其中，所述技术设备(2)的运行数据(17，17a，17b)和/或结构数据(19，19a，19b)由该技术设备(2)的过程控制系统提供。

10.一种用于监控包括多个系统的技术设备(2)、特别是电站的方法，其特征在于包括下列步骤：

·将所述技术设备(2)的运行数据(17，17a，17b)和/或结构数据(19，19a，19b)作为输入数据输入到该技术设备(2)的至少一个系统(3，5，7，9，11)的一个动态模型中，

·借助基于人工智能的算法(21，21a，21b)在所述系统(3，5，7，9，11)运行期间改进该系统(3，5，7，9，11)的动态模型(15)，以及

·借助于所述动态模型(15)确定标志该系统(3，5，7，9，11)当前和/或未来运行特性的输出数据(27)。

11.根据权利要求10所述的方法，其特征在于，对所述动态模型(15)的改进包括识别这样的输入数据，这些输入数据此前尚未被该动态模型(15)使用，并且借助于这些输入数据可以扩展该动态模型(15)。

12.根据权利要求10或11所述的方法，其特征在于，存在多个动态模型(15)，这些动态模型分别描述所述技术设备(2)的至少一个系统(3，5，7，9，11)，并且配备了至少另一个基于人工智能的算法(21，21a，21b)，借助于该算法可以确定至少所述动态模型(15)中第一个的输入数据和/或输出数据与第二个的输入数据和/或输出数据之间的相关性。

13.根据权利要求12所述的方法，其特征在于，借助于所述相关性可以确定标志技术设备(2)当前和/或未来运行特性的其它输出数据，其中，这些其它输出数据(27)包含跨系统信息。

Images