DE102006058423A1

DE102006058423A1 - Verfahren und Systeme zur vorhersagenden Modellierung unter Nutzung eines Modellkollektivs

Info

Publication number: DE102006058423A1
Application number: DE102006058423A
Authority: DE
Inventors: Rajesh Venkat Subbu; Piero Patrone Bonissone; Feng Xue
Original assignee: General Electric Co
Current assignee: General Electric Co
Priority date: 2005-12-08
Filing date: 2006-12-08
Publication date: 2007-07-05
Also published as: GB0624556D0; CN101059846A; GB2433145A; US20070135938A1; KR20070061453A; GB2433145B

Abstract

Es werden Methoden und Systeme für prädiktive Modellierung beschrieben. In einer Ausführungsform ist das Verfahren ein Verfahren zum Steuern eines Prozesses unter Verwendung eines Ausschusses von prädiktiven Modellen (12). Der Prozess besitzt mehrere Steuereinstellungen und wenigstens ein Sondendatenelement, das einen Zustand des Prozessors repräsentiert. Das Verfahren beinhaltet die Schritte einer Bereitstellung von Sondendaten für jedes Modell (18) in dem Modellausschuss, so dass jedes Modell ein entsprechendes Ausgangssignal erzeugt, einer Aggregation der Modellausgangssignale und das Erzeugen eines prädiktiven Ausgangssignals auf der Basis der Aggregation.

Description

HINTERGRUND DER ERFINDUNG
Diese Erfindung betrifft im Wesentlichen prädiktive Modellierung und insbesondere prädiktive Modellierung unter Nutzung eines Ausschusses von Modellen und einer Verschmelzung mit lokal gewichtetem Lernen.

Viele unterschiedliche Konzepte wurden bereits zur Optimierung der Nutzung einer Investition eingesetzt. Beispielsweise kann eine Investitionsoptimierung in Verbindung mit dem Betrieb einer Turbine oder eines Heizkessels zur Erzeugung von an ein Energienetz gelieferter Elektrizität durchgeführt werden. Es ist nützlich, Parameter wie zum Beispiel Wärmeaufwandskoeffizient, NOx-Emissionen und Anlagenauslastung unter verschiedenen Betriebsbedingungen zu optimieren, um die optimalste Nutzung der Turbinen oder des Heizkessels zu finden.

Eine prädiktive Modellierung einer zu optimierenden Investition ist eine in Verbindung mit der Entscheidungsfällung für eine Investitionsoptimierung eingesetzte bekannte Technik. Bei einem typischen prädiktiven Modell kann jedoch das lokale Verhalten über den Prädiktionsraum variieren. Beispielsweise kann ein spezielles prädiktives Modell sehr genaue Ergebnisse unter einem ersten Satz von Betriebsbedingungen liefern, kann jedoch weniger genaue Ergebnisse unter einem anderen Satz von Betriebsbedingungen liefern.

Eine derartige Prädiktionsunsicherheit kann durch eine breite Vielfalt von Faktoren bewirkt werden. Beispielsweise können an das Modell unter bestimmten Bedingungen gelieferte Daten Rauschen enthalten, welches zu Ungenauigkeit führt. Ferner kann sich eine Modellparameter-Fehlspezifikation aufgrund von Datendichteschwankungen in einer Betriebsmodusdarstellung in den Trainingssatzdaten, Schwankungen, die sich aus der zufälligen Abtastung der Trainingssatzdaten ergeben, nicht-deterministischen Trainingsergebnissen und unterschiedlichen Anfangsbedingungen ergeben. Es kann auch eine Modellstruktur-Fehlspezifikation auftreten, wenn beispielsweise unzureichend Neuronen in einem Neuronal-Netzwerk-Prädiktivmodell vorhanden sind, oder wenn Regressionsmodelle nicht mit ausreichender Genauigkeit spezifiziert sind.

KURZBESCHREIBUNG DER ERFINDUNG

In einem Aspekt wird ein Verfahren zum Steuern eines Prozesses unter Verwendung eines Ausschusses von prädiktiven Modellen geschaffen. Der Prozess weist mehrere Steuereinstellungen und wenigstens eine Sonde zum Erzeugen von den Zustand des Prozessors repräsentierenden Daten auf. Das Verfahren umfasst die Schritte, Sondendaten an jedes Modell in dem Modellausschuss derart zu liefern, dass jedes Modell ein entsprechendes Ausgangssignal erzeugt, die Modellausgangssignale zu aggregieren und ein prädiktives Ausgangssignals auf der Basis der Aggregation zu erzeugen.

In einem weiteren Aspekt wird ein System zu Erzeugen eines prädiktiven Ausgangssignals in Bezug auf einen Prozess geschaffen. Der Prozess weist mehrere Steuereinstellungen und wenigstens eine Sonde zum Erzeugen von den Zustand des Pro zessors repräsentierenden Daten auf. Das System enthält einen Ausschuss von Modellen, die aus mehreren prädiktiven Modelle bestehen. Jedes Modell ist dafür konfiguriert ein entsprechendes Ausgangssignal auf der Basis von Daten aus der Sonde zu erzeugen. Das System enthält einen Computer, der dafür programmiert ist, die Ausgangssignale aus den Modellen zu verschmelzen, um wenigstens ein prädiktives Ausgangssignal auf der Basis der Modellausgangssignale zu erzeugen.

In noch einem weiteren Aspekt wird ein Computerimplementiertes Verfahren zum Erzeugen eines prädiktiven Ausgangssignals in Bezug auf einen Prozess geschaffen. Der Prozess weist mehrere Steuereinstellungen und wenigstens eine Sonde zum Erzeugen von den Zustand des Prozesses repräsentierenden Daten auf. Das Verfahren beinhaltet die Lieferung von Eingangssignalen an einen Ausschuss von Modellen, welche aus mehreren prädiktiven Modelle bestehen, das Ausführen jedes Modells, um ein entsprechendes Ausgangssignal auf der Basis von Daten aus der Sonde zu erzeugen, und das Verschmelzen der Ausgangssignale aus den Modellen, um wenigstens ein prädiktives Ausgangssignal auf der Basis der Modellausgangssignale zu erzeugen.

KURZBESCHREIBUNG DER ZEICHNUNGEN

1 ist eine schematische Darstellung einer Nutzung eines Komitees von Modellen und einer Verschmelzung, um das Verhalten einer Sonde vorherzusagen.

2 stellt das Training mehrerer prädiktiver Modelle dar.

3 stellt die Rückgewinnung von gleichberechtigten Elementen bzw. Peers einer Sonde dar.

4 stellt eine Bewertung des lokalen Verhaltens prädiktiver Modelle dar.

5 stellt eine Modellaggregation und Kompensation des systematischen Fehlers dar.

DETAILLIERTE BESCHREIBUNG DER ERFINDUNG
1 ist eine schematische Darstellung der Nutzung eines Systems 10 zum Erzeugen eines prädiktiven Ausgangssignals unter Verwendung eines Ausschusses von Modellen 12 und einer Verschmelzung 14. In dem in 1 dargestellten Beispiel wird das System 10 in Verbindung mit der Vorhersage eines Ausgangssignals aus einer Sonde 16 verwendet. So wie er hierin verwendet wird, bezieht sich der Begriff "Modell" auf, ist jedoch nicht darauf beschränkt, ein prädiktives Modul, das als ein Stellvertreter für die zugrunde liegende Investitions/System-Verhaltensdarstellung dienen kann, und der Begriff "Ausschuss" bezieht sich auf, ist jedoch nicht darauf beschränkt eine Sammlung oder einen Satz von Modellen, die jeweils in der Lage sind, eine ähnliche, jedoch nicht genaue Prädiktionsaufgabe auszuführen. Das System 10 kann in einer ersten Ausführungsform innerhalb eines Universalcomputers implementiert sein. Viele unterschiedliche Arten von Computern können genutzt werden und die vorliegende Erfindung ist nicht auf die Ausführung auf irgendeinem speziellen Computer beschränkt. Der Begriff "Computer", wie er hierin verwendet wird, beinhaltet Desktop- und Laptop-Computer, Server, Mikroprozessor-basierende Systeme, anwendungsspezifische Integrierte Schaltungen und jede programmierbare Integrierte Schaltung, die in der Lage ist, die hierin in Verbindung mit dem System beschriebenen Funktionen auszuführen.
Gemäß Darstellung in 1 enthält der Modellausschuss 12 mehrere prädiktive Modelle 18. Jedes prädiktive Modell 18 erzeugt ein vorhergesagtes Ausgangssignal für die Sonde Q16 auf der Basis des Modelleingangssignals. Die Modellausgangssignale werden "verschmolzen", 14, wie es nachstehend detaillierter beschrieben wird, und das System 10 erzeugt ein Ausgangssignal auf der Basis einer derartigen Verschmelzung. Das verschmolzene Ausgangssignal kann dann zum Bewerten des Ausgangssignals eines Prozesses verwendet werden, der den durch die Sonde dargstellten Steuereinstellungen entspricht. Der Begriff "Verschmelzen", so wie er hierin verwendet wird, bezieht sich auf eine Kombination der Ausgangssignale in einer Weise, die zu einer Erzeugung eines modifizierten Ausgangsignals führt.
In einer Ausführungsform ist jedes Modell 18 ein neuronales Netzwerk auf der Basis eines daten-betriebenen Modells, das unter Verwendung historischer Daten 20 trainiert und validiert und aufgebaut ist, dass es Eingangs/Ausgangs-Beziehungen wie im Fachgebiet bekannt erzeugt. Beispielsweise können für einen kohlebefeuerten Heizkessel mehrere Modellausschüsse mit mehreren Modellen vorhanden sein, um die verschiedenen Eigenschaften des Heizkessels repräsentierende Ausgangssignale zu erzeugen. Beispieleingangssignale umfassen die verschiedenen steuerbaren und beobachtbaren Variablen und die Ausgangssignale können Emissionseigenschaften wie zum Beispiel NOx und Co, Brennstoffverbrauchseigenschaften, wie zum Beispiel einen Wärmeaufwandskoeffizienten, und Betriebseigenschaften, wie zum Beispiel eine zulässige Belastung, beinhalten.
Gemäß 1 repräsentieren die an jedes Modell 18 von der Sonde Q16 gelieferten Eingangssignale eine von den verschiedenen Variablen. Der Begriff "Sonde", so wie er hierin verwendet wird, bezieht sich auf jede Art von Sensor oder eines anderen Mechanismus, der ein Ausgangssignal erzeugt, das direkt oder indirekt als ein Eingangssignal an ein prädiktives Modell geliefert wird. Beispiele derartiger Sonden umfassen Temperatursensoren, Drucksensoren, Strömungssensoren, Positionssensoren, NOx-Sensoren, CO-Sensoren und Geschwindigkeitssensoren. Ein Sondensignal kann natürlich eines von vielen unterschiedlichen Arten von Eingangssignalen zu einem prädiktiven Modell sein, beispielsweise könnte ein Sondensignal durch einen Optimierer erzeugt werden oder ein Sondensignal könnte beispielsweise aus in einem Datensatz erfassten bekannten Eingangsvariablen bestehen. Jedes Modell 18 erzeugt eine quantitative Darstellung einer Systemeigenschaft auf der Basis der Eingangsvariablen.
Wie vorstehend erläutert, kann das lokale Verhalten jedes Modells 18 des Ausschusses 12 variieren und muss nicht gleichmäßig über den gesamten Prädiktionsraum konsistent sein. Beispielsweise kann in einem spezifischen Satz von Betriebsbedingungen ein erstes Modell 18 ein besseres Verhalten in Bezug auf die anderen Modelle haben. In einem anderen Satz von Betriebsbedingungen kann jedoch ein anderes Modell 18 ein besseres Verhalten haben und das Verhalten des ersten Modells 18 kann schlechter sein. Die Ausgangssignale aus den Modellen 18 des Ausschusses 12 werden daher in einer Ausführungsform lokal unter Verwendung des nachstehend beschriebenen Prozesses gewichtet, um die lokalisierte Information derart zu gewichten, dass die Modelle 18 zueinander komplementär sind.
Bezüglich des Trainings mehrere Modelle und gemäß 2 wird jedes prädiktive Modell 18 unter Verwendung historischer Daten trainiert, wie es im Fachgebiet allgemein bekannt ist. Insbesondere werden unterschiedliche aber möglicherweise überlappende Sätze 22 historischer Daten an jedes Modell 18 geliefert, und derartige Daten werden zum Trainieren jedes Modells 18 "urgeladen". Das heißt, eine Urladevalidierung, welche im Fachgebiet allgemein bekannt ist, wird in Verbindung mit dem Training jedes Modells 18 auf der Basis historischer Daten 20 genutzt. Insbesondere werden Trainingsdatensätze erzeugt, indem mit Ersetzung aus dem ursprünglichen Trainingsdatensatz neu abgetastet wird, so dass Datenaufzeichnungen mehr als einmal auftreten können. Üblicherweise werden endgültige Schätzwerte erhalten, indem der Mittelwert der Schätzwerte von jedem der Urladetestsätze genommen wird.
Beispielsweise repräsentieren historische Daten 20 bekannte variable Eingangssignale und bekannte variable Ausgangssignale. Während des Trainings wird das bekannte Ausgangssignal mit dem von dem Modell erzeugten Ausgangssignal verglichen, und wenn eine Differenz zwischen dem von dem Modell erzeugten Ausgangssignal und dem bekannten Ausgangssignal vorliegt, wird dann das Modell angepasst (indem beispielsweise die Knotengewichtung und/oder die Konnektivität für ein neuronales Netzwerkmodul) geändert wird, so dass das Modell das bekannte Ausgangssignal erzeugt.
Wiederum, und wie es in 2 dargstellt ist, werden unterschiedliche aber möglicherweise überlappende Sätze 22 historischer Daten in Verbindung mit einem derartigen Training genutzt. Demzufolge kann ein Modell 18 ein besonders gutes Verhalten in Bezug auf die variablen Bedingungen die in Verbindung mit dem Training dieses Modells 18 verwendet wurden, haben. Für einen anderen Satz von variablen Bedingungen kann jedoch ein anderes Modell 18 ein besseres Verhalten haben.
Sobald die Modelle 18 trainiert sind und der Ausschuss der Modelle 12 definiert ist wird dann ein Algorithmus zur Verschmelzung der Modellausgangsignale erzeugt. Viele unterschiedliche Techniken können in Verbindung mit einer derartigen Verschmelzung genutzt werden, und die vorliegende Erfindung ist auf keinerlei spezielle Verschmelzungstechnik beschränkt. Anschließend wird ein Beispielverschmelzungsalgorithmus beschrieben.
Insbesondere und in der einen Ausführungsform in Bezug auf die Sonde 16 läuft ein Verschmelzungsalgorithmus ab, in dem Nachbarn/Peers der Sonde innerhalb des Prädiktionseingangssignalraums abgerufen werden. Das lokale Verhalten der Modelle wird dann berechnet, und die mehreren Vorhersagen werden auf der Basis des lokalen Modellverhaltens aggregiert. Eine Kompensation wird dann in Bezug auf das lokale Verhalten jedes Modells durchgeführt. Eine Kompensation kann auch bezüglich des globalen Verhaltens jedes Modells durchgeführt werden. Ein derartiges globales Verhalten kann berechnet werden, indem der Nachbarschaftsbereich für eine Sonde auf den gesamten Eingangssignalraum ausgedehnt wird. Ein "verschmolzenes" Ausgangssignal wird dann erzeugt.
3 stellt den Abruf von Nachbarn/Peers innerhalb eines Prädiktionseingangssignalraums 30 dar. Insbesondere und gemäß 3 wird die Sonde Q durch einen durchgezogenen Kreis innerhalb des Prädiktionsraums 30 dargestellt. Die schattierten Kreise stellen Peers der Probe Q dar, oder Peers (Q), bei denen die Anzahl der Peers von Q durch N_Q dargstellt wird. Die Nachbarn von (Q) werden durch N(Q) dargestellt. Ein gegebener Peer u_j wird durch einen schattierten Kreis mit einer durchgezogenen dicken Umfangslinie dargestellt.
Sobald die Nachbarn/Peers der Sonde Q abgerufen sind, wird dann das lokale Verhalten jedes Modells für derartige Nachbarn/Peers gemäß Darstellung in 4 bewertet. Insbesondere stellt 4 die Bewertung des lokalen Verhaltens der prädiktiven Modelle 16 dar. Gemäß Darstellung in 4 werden ein mittlerer Absolutfehler 40 und ein mittlerer Fehler (systematischer Fehler) 42 für jedes Modell 18 ermittelt. Eine lokale Gewichtung für jedes Modell basiert auf dem mittleren Absolutfehler bezüglich Peers für dieses Modell.
5 stellt eine Modellaggregation und Tendenzkompensation dar. Insbesondere wird ein Ausgangssignal aus jedem Modell 18 an einen Algorithmus für lokale Gewichtung von Lernen mit Kompensation 50 des systematischen Fehlers und an einen Algorithmus für lokales gewichtetes Lernen ohne Kompensation 52 des systematischen Fehlers geliefert. Wenn eine Kompensation des systematischen Fehlers gewünscht ist, kann dann ein Ausgangssignal von einem Modell mit Kompensation des systematischen Fehlers verwendet werden. Wie vorstehend erläutert, basiert das lokale Gewicht für jedes Modell auf dem mittleren Absolutfehler auf der Basis der Peers für dieses Modell. Wenn keine Kompensation des systematischen Fehlers gewünscht ist, kann dann ein Ausgangssignal aus einem Modell ohne Kompensation des systematischen Fehlers verwendet werden.
Durch Aggregation und Kompensation des systematischen Fehlers werden die Ausgangssignale des Ausschusses der Modelle zum Erzeugen eines Ausgangssignals verschmolzen. Die Verwendung eines Ausschusses von Modellen ermöglicht eine Steigerung der Prädiktionsleistung. Durch die Verringerung der Unsicherheit in den Vorhersagen durch die Verwendung eines Ausschusses von Modellen und die Verschmelzung kann ein aggressives Programm in einer industriellen Anwendung im Vergleich zu Vorhersagen auf nur einem Modell angewendet werden. Zusätzlich ermöglicht die Verwendung eines Ausschusses von Modellen und die Verschmelzung die Verwendung eines reduzierten Anteils historischer Daten im Vergleich zu den historischen Daten, die zum Trainieren von Systemen auf der Basis lediglich eines Modells verwendet werden, was die Systementwicklung beschleunigt.
Obwohl die Erfindung im Hinblick auf verschiedene spezifische Ausführungsformen beschrieben wurde, wird der Fachmann auf diesem Gebiet erkennen, dass die Erfindung mit Modifikationen innerhalb des Erfindungsgedankens und der Schutzumfang der Ansprüche ausgeführt kann.
Teileliste

10: System
12: Modellausschuss
14: Verschmelzung
16: Sonde
18: Modell
20: Historische Daten
22: überlappende Sätze
30: Prädiktionsraum
40: Mittlerer Absolutfehler
42: Fehler (systematischer)
50: Kompensation des systematischen Fehlers
52: Keine Kompensation des systematischen Fehlers

Claims

System (10) zum Erzeugen eines prädiktiven Ausgangssignals in Bezug auf einen Prozess, wobei der Prozess mehrere Steuereinstellungen und wenigstens ein einen Zustand des Prozessors repräsentierendes Sondendatenelement besitzt, wobei das System aufweist: einen Ausschuss von Modellen (18), der mehrere prädiktive Modelle umfasst, wobei jedes Modell dafür eingerichtet ist, ein entsprechendes Ausgangssignal auf der Basis von Daten aus der Sonde (16) zu erzeugen; einen Computer, der dafür programmiert ist, die Ausgangssignale aus den Modellen zu verschmelzen, um wenigstens ein prädiktives Ausgangssignal auf der Basis der Modellausgangssignale zu erzeugen.
System (10) nach Anspruch 1, wobei jedes Modell (18) ein auf einem neuronalen Netzwerk basierendes datengesteuertes Modell ist.
System (10) nach Anspruch 2, wobei jedes Modell (18) unter Verwendung historischer Betriebsdaten (20) trainiert und validiert ist.
System (10) nach Anspruch 1, wobei jedes Modell (18) eine Eingangssignal/Ausgangssignal-Beziehung repräsentiert.
System (10) nach Anspruch 1, wobei zum Verschmelzen der Ausgangssignale aus den Modellen (18) irgendein Computer programmiert ist, um die Modellausgangssignale zu aggregieren und ein prädiktives Ausgangssignal auf der Basis der Aggregation zu erzeugen.
System (10) nach Anspruch 5, wobei das Aggregieren der Modellausgangssignale das Kompensieren jedes Modellausgangssignals auf der Basis des Modellverhaltens umfasst.
System (10) nach Anspruch 6, wobei die Kompensation durchgeführt wird, indem wenigstens eines verwendet wird von: einem für jedes Modell (18) ermitteltes lokales Gewicht; und einem für jedes Modell lokales Gewicht und systematischer Fehler.
System (10) nach Anspruch 7, wobei das lokale Gewicht für jedes Modell (18) auf einem mittleren Absolutfehler (40) basiert, der unter Verwendung von Peers für jedes Modell ermittelt wird.
Computer-implementiertes Verfahren zum Erzeugen eines prädiktiven Ausgangssignals in Bezug auf einen Prozess, wobei der Prozess mehrere Steuereinstellungen und wenigstens ein Sondendatensignal besitzt, das einen Zustand des Prozesses repräsentiert, und das Verfahren die Schritte aufweist: Liefern von Eingangssignalen an einen Ausschuss von Modellen (12), die aus mehreren prädiktiven Modellen (18) bestehen; Ausführen jedes Modells, um ein entsprechendes Ausgangssignal auf der Basis von Daten aus der Sonde (16) zu erzeugen; und Verschmelzen der Ausgangssignale aus den Modellen, um wenigstens ein prädiktives Ausgangssignal auf der Basis der Modellausgangssignale zu erzeugen,
Computer-implementiertes Verfahren nach Anspruch 9, wobei jedes Modell (18) ein neuronales Netzwerk auf der Basis eines datengesteuerten Modells ist, wobei jedes Modell eine Eingangssignal/Ausgangssignal-Beziehung repräsentiert.