DE102017216634A1

DE102017216634A1 - Verfahren und Trainingsdatengenerator zum Konfigurieren eines technischen Systems sowie Steuereinrichtung zum Steuern des technischen Systems

Info

Publication number: DE102017216634A1
Application number: DE102017216634.7A
Authority: DE
Inventors: Stefanie Vogl
Original assignee: Siemens AG
Current assignee: Siemens AG
Priority date: 2017-09-20
Filing date: 2017-09-20
Publication date: 2019-03-21
Also published as: WO2019057489A1

Abstract

Zum rechnergestützten Konfigurieren eines technischen Systems (TS), z.B. einer Gasturbine anhand von Trainingsdaten (TD) werden eine Vielzahl von ersten und zweiten, dynamisch miteinander korrelierten Betriebsdatensätzen (IBP, TBP) des technischen Systems (TS) erfasst. Aus einem jeweiligen ersten Betriebsdatensatz (IBP) und einem jeweiligen zweiten Betriebsdatensatz (TBP) wird ein jeweiliger empirischer n-dimensionaler Korrelationsvektor (EKV) abgeleitet. Erfindungsgemäß wird eine empirische n-dimensionale Verteilungsfunktion (EC) der empirischen Korrelationsvektoren (EKV) ermittelt. Weiterhin wird ein erster Betriebsdatensatz als Erzeuger-Betriebsdatensatz (GBP) eingelesen, für den eine Vielzahl von potentiellen n-dimensionalen Korrelationsvektoren (PKV) generiert wird. Anhand der Verteilungsfunktion wird für die potentiellen Korrelationsvektoren (PKV) jeweils ein potentieller zweiter Betriebsdatensatz (PTBP) generiert. Anhand des Erzeuger-Betriebsdatensatzes (GBP) und der potentiellen zweiten Betriebsdatensätze (PTBP) werden ein oder mehrere Trainingsdatensätze (TD) generiert und zum Konfigurieren des technischen Systems (TS) ausgegeben.

Description

Komplexe technische Systeme wie z.B. Gasturbinen, Windturbinen, Solarkraftwerke, Verbrennungskraftmaschinen, Fertigungsanlagen oder Stromnetze sind in der Regel aufwendig zu konfigurieren, um einen Ertrag, Ressourcenbedarf, Schadstoffausstoß und/oder Verschleiß zu optimieren.
Zur Konfiguration verfügen zeitgemäße Steuereinrichtungen häufig über trainierbare Rechenmodule, die Verfahren des maschinellen Lernens implementieren, um durch Training die Konfiguration bzw. die Steuerung des technischen Systems zu optimieren. Derartige trainierbare Rechenmodule werden häufig mit bekannten Standardverfahren des maschinellen Lernens darauf trainiert, anhand von Eingabe-Betriebsdatensätzen, die spezifische Betriebszustände oder andere Betriebsbedingungen des technischen Systems beschreiben, zukünftige Betriebszustände, optimale Steueraktionen oder andere Ziel-Betriebsparameter des technischen Systems möglichst genau zu ermitteln. Zu diesem Zweck kann z.B. ein jeweiliger vom Rechenmodul aus den Eingabe-Betriebsdatensätzen abgeleiteter Ziel-Betriebsparameter mit einem tatsächlich eintretenden, optimalen oder gewünschten Ziel-Betriebsparameter verglichen werden und das Rechenmodul darauf trainiert werden, eine Abweichung zu minimieren. Ein solches Lernverfahren wird häufig auch als überwachtes Lernen bezeichnet.
In der Regel ist ein Training umso erfolgreicher, je mehr Trainingsdaten, d.h. zum Training verwendbare Betriebsdaten und/oder Vergleichsdaten für die Zielparameter verfügbar sind. Insbesondere sollten die Trainingsdaten einen möglichst großen Bereich von möglichen Betriebsbedingungen des technischen Systems repräsentativ abdecken. Von besonderer Bedeutung ist in vielen Fällen eine repräsentative Abdeckung von extremen Betriebsbedingungen, da solche Bedingungen vermehrt zu kritischen oder unerwünschten Systemzuständen führen können. Extreme Betriebsbedingungen treten jedoch in der Regel nur selten auf oder werden in laufenden Systemen sogar aktiv vermieden, so dass für derartige Betriebsbereiche häufig entsprechend weniger Trainingsdaten zur Verfügung stehen.
Eine bekannte Maßnahme, um das Training auch in spärlich durch Trainingsdaten abgedeckten Betriebsbereichen zu verbessern besteht darin, selten auftretenden Betriebsbedingungen ein höheres Gewicht beim Training zuzuordnen oder derartige Betriebsbedingungen mit erhöhter Wahrscheinlichkeit auszuwählen. Das Problem, dass die vorhandenen Trainingsdaten derartige Betriebsbedingungen nur spärlich abdecken und/oder nicht repräsentativ sind, bleibt aber in vielen Fällen bestehen.
Es ist Aufgabe der vorliegenden Erfindung ein Verfahren und einen Trainingsdatengenerator zum Konfigurieren eines technischen Systems sowie eine Steuereinrichtung zum Steuern des technischen Systems anzugeben, die eine effizientere Konfiguration des technischen Systems erlauben.
Gelöst wird diese Aufgabe durch ein Verfahren mit den Merkmalen des Patentanspruchs 1, durch einen Trainingsdatengenerator mit den Merkmalen des Patentanspruchs 16, durch eine Steuereinrichtung mit den Merkmalen des Patentanspruchs 17, durch ein Computerprogrammprodukt mit den Merkmalen des Patentanspruchs 18 sowie durch ein computerlesbares Speichermedium mit den Merkmalen des Patentanspruchs 19.
Zum rechnergestützten Konfigurieren eines technischen Systems, insbesondere einer Gasturbine, einer Windturbine, eines Solarkraftwerks, einer Verbrennungskraftmaschine, einer Fertigungsanlage oder eines Stromnetzes anhand von Trainingsdaten werden eine Vielzahl von ersten und zweiten Betriebsdatensätzen des technischen Systems erfasst, wobei ein jeweiliger erster Betriebsdatensatz einem jeweiligen zweiten Betriebsdatensatz zugeordnet und mit diesem dynamisch korreliert ist. Aus einem jeweiligen ersten Betriebsdatensatz und dem jeweils zugeordneten zweiten Betriebsdatensatz wird ein jeweiliger empirischer n-dimensionaler Korrelationsvektor mit n>=2 abgeleitet. Erfindungsgemäß wird eine empirische n-dimensionale Verteilungsfunktion der empirischen Korrelationsvektoren ermittelt. Weiterhin wird ein erster Betriebsdatensatz als Erzeuger-Betriebsdatensatz eingelesen, für den eine Vielzahl von potentiellen n-dimensionalen Korrelationsvektoren generiert wird. Anhand der n-dimensionalen Verteilungsfunktion wird für die potentiellen Korrelationsvektoren jeweils ein potentieller zweiter Betriebsdatensatz generiert. Anhand des Erzeuger-Betriebsdatensatzes und der potentiellen zweiten Betriebsdatensätze werden ein oder mehrere Trainingsdatensätze generiert und zum Konfigurieren des technischen Systems ausgegeben.
Zum Ausführen des erfindungsgemäßen Verfahrens sind ein Trainingsdatengenerator, eine Steuereinrichtung, ein Computerprogrammprodukt sowie ein computerlesbares Speichermedium vorgesehen.
Das erfindungsgemäße Verfahren sowie der erfindungsgemäße Trainingsdatengenerator und die erfindungsgemäße Steuereinrichtung können beispielsweise mittels einem oder mehrerer Prozessoren, anwendungsspezifischen integrierten Schaltungen (ASIC), digitalen Signalprozessoren (DSP) und/oder sogenannten „Field Programmable Gate Arrays“ (FPGA) ausgeführt bzw. implementiert werden.
Ein Vorteil der Erfindung ist darin zu sehen, dass durch die generierten Trainingsdatensätze eine Menge an verfügbaren Trainingsdaten zum Training von Steuereinrichtungen insbesondere in sonst spärlich abgedeckten Betriebsbereichen eines technischen Systems signifikant erhöht werden kann. Mittels der n-dimensionalen Verteilungsfunktion der empirischen Korrelationsvektoren können auch komplexe stochastische Korrelationen und Abhängigkeiten zwischen ersten und zweiten Betriebsdatensätzen realistisch, repräsentativ und konsistent auf die generierten Trainingsdatensätze abgebildet werden. Durch ein Training mit realistischen und repräsentativen Trainingsdatensätzen lässt sich eine Konfiguration des technischen Systems insbesondere für selten auftretende Betriebsbereiche in der Regel erheblich verbessern. Darüber hinaus erfordert die Erfindung in der Regel nur verhältnismäßig geringe Rechenressourcen.
Vorteilhafte Ausführungsformen und Weiterbildungen der Erfindung sind in den abhängigen Ansprüchen angegeben.
Vorteilhafterweise kann beim Konfigurieren des technischen Systems ein trainierbares Rechenmodul zum Steuern des technischen Systems anhand der generierten Trainingsdatensätze trainiert werden.
Das trainierbare Rechenmodul kann hierbei ein künstliches neuronales Netz, ein rekurrentes neuronales Netz, ein faltendes neuronales Netz, einen Autoencoder, eine Deep-Learning-Architektur, eine Support-Vector-Machine, ein datengetriebenes trainierbares Regressionsmodell, einen k-nächste-Nachbarn-Klassifikator, ein physikalisches Modell und/oder einen Entscheidungsbaum umfassen.
Nach einer vorteilhaften Ausführungsform der Erfindung kann ein jeweiliger erster Betriebsdatensatz ein Eingabe-Betriebsdatensatz für das trainierbare Rechenmodul und ein jeweiliger zweiter Betriebsdatensatz ein Ziel-Betriebsparameter für das trainierbare Rechenmodul sein. Der Eingabe-Betriebsdatensatz kann hierbei insbesondere spezifische Betriebszustände oder andere Betriebsbedingungen oder Betriebsparameter des technischen Systems beschreiben. Der Ziel-Betriebsparameter kann z.B. einen vorherzusagenden Betriebszustand, einen Ertrag, einen Ressourcenbedarf, einen Schadstoffausstoß, einen Verschleiß und/oder eine optimale Steueraktionen des technischen Systems betreffen. Das trainierbare Rechenmodul kann entsprechend darauf trainiert werden, anhand der Eingabe-Betriebsdatensätze die Ziel-Betriebsparameter möglichst genau zu ermitteln bzw. vorherzusagen. Durch die Erfindung können dann gezielt Trainingsdaten zu vorgegebenen oder geeignet ermittelten Eingabe-Betriebsdatensätzen generiert werden.
Nach einer weiteren Ausführungsform kann ein jeweiliger erster Betriebsdatensatz ein Ziel-Betriebsparameter für das trainierbare Rechenmodul und ein jeweiliger zweiter Betriebsdatensatz ein Eingabe-Betriebsdatensatz für das trainierbare Rechenmodul sein. Auf diese Weise können gezielt Trainingsdaten zu vorgegebenen oder geeignet ermittelten Ziel-Betriebsparametern generiert werden.
Nach einer weiteren vorteilhaften Ausführungsform der Erfindung kann für den Erzeuger-Betriebsdatensatz eine Vielzahl von zufallsverteilten Datensätzen generiert werden. Damit kann ein jeweiliger potentieller Korrelationsvektor anhand des Erzeuger-Betriebsdatensatzes und eines jeweiligen zufallsverteilten Datensatzes gebildet werden. Durch die Verwendung von zufallsverteilten Datensätzen kann in vielen Fällen eine statistische Verzerrung vermieden werden.
Gemäß einer vorteilhaften Weiterbildung der Erfindung kann ein Bereich von Betriebszuständen des technischen Systems detektiert werden, der durch die ersten Betriebsdatensätze nur spärlich abgedeckt wird, oder der beobachtete Extremwerte der zweiten Betriebsdatensätze enthält und/oder an diese angrenzt. Für den detektierten Bereich kann dann eine Vielzahl von Erzeuger-Betriebsdatensätzen, vorzugsweise abhängig von einem Zufallsprozess generiert und erfindungsgemäß verwendet werden. Auf diese Weise können Trainingsdaten gezielt in extremen und/oder unterrepräsentierten Betriebsbereichen erzeugt werden, um ein Training bzw. eine Steuerung in diesen Bereichen zu verbessern.
Darüber hinaus kann anhand der empirischen n-dimensionalen Verteilungsfunktion eine diese approximierende numerische n-dimensionale Verteilungsfunktion bereitgestellt werden, der die potentiellen Korrelationsvektoren jeweils zugeführt werden. Aus einem jeweiligen Rückgabewert der numerischen n-dimensionalen Verteilungsfunktion kann dann ein jeweiliger potentieller zweiter Betriebsdatensatz abgeleitet werden. Eine solche numerische n-dimensionale Verteilungsfunktion lässt sich häufig schneller auswerten und flexibler anwenden.
Nach einer besonders vorteilhaften Ausführungsform der Erfindung kann als empirische n-dimensionale Verteilungsfunktion eine empirische n-dimensionale Copula-Verteilungsfunktion ermittelt werden. Eine n-dimensionale Copula-Verteilungsfunktion, d.h. eine Copula-Verteilungsfunktion mit n Argumenten, kann eine stochastische Abhängigkeitsstruktur zwischen ihren n Argumenten im Prinzip vollständig abbilden und erlaubt somit eine im Wesentlichen präzise Modellierung der Abhängigkeitsstruktur zwischen ersten und zweiten Betriebsdatensätzen. Zudem kann eine empirische n-dimensionale Copula-Verteilungsfunktion mit verhältnismäßig geringen Rechenressourcen ermittelt werden. Darüber hinaus skaliert die Ermittlung und Anwendung einer n-dimensionalen Copula-Verteilungsfunktion in vorteilhafter Weise mit steigender Dimension n.
Vorzugsweise kann eine n-dimensionale Copula-Modellfunktion durch Parameterfitting an die empirische n-dimensionale Verteilungsfunktion angepasst und als numerische n-dimensionale Verteilungsfunktion bereitgestellt werden.
Nach einer weiteren vorteilhaften Ausführungsform der Erfindung können für eine jeweilige Komponente der ersten Betriebsdatensätze eine jeweilige erste komponentenspezifische univariate Verteilungsfunktion von Werten dieser Komponente und für eine jeweilige Komponente der zweiten Betriebsdatensätze eine jeweilige zweite komponentenspezifische univariate Verteilungsfunktion von Werten dieser Komponente ermittelt werden. Die empirischen n-dimensionalen Korrelationsvektoren können dann jeweils aus einem komponentenweise anhand der mindestens einen ersten univariaten Verteilungsfunktion transformierten ersten Betriebsdatensatz und einem komponentenweise anhand der mindestens einen zweiten univariaten Verteilungsfunktion transformierten zweiten Betriebsdatensatz gebildet werden. Durch die vorgenommenen Transformationen kann ein jeweiliger Wertebereich von Komponenten der empirischen Korrelationsvektoren auf ein einheitliches Intervall normiert werden. Dies kann eine Analyse einer Abhängigkeitsstruktur der Komponenten erheblich erleichtern.
Weiterhin kann beim Generieren eines jeweiligen potentiellen zweiten Betriebsdatensatzes der jeweilige Rückgabewert der numerischen n-dimensionalen Verteilungsfunktion durch eine zu einer zweiten univariaten Verteilungsfunktion inversen Funktion transformiert werden. Auf diese Weise können die Rückgabewerte auf einen Wertebereich der zweiten Betriebsparameter abgebildet werden.
Ferner kann beim Generieren der Trainingsdatensätze ein Mittelwert und/oder ein Median von Werten der potentiellen zweiten Betriebsdatensätze gebildet werden. Hierdurch kann eine statistische Verteilung der potentiellen zweiten Betriebsdatensätze auf einen repräsentativen Wert abgebildet werden.
Ein Ausführungsbeispiel der Erfindung wird nachfolgend anhand der Zeichnung näher erläutert. Dabei zeigen jeweils in schematischer Darstellung:

1 eine Gasturbine mit einer erfindungsgemäßen Steuereinrichtung,
2 eine erfindungsgemäße Steuereinrichtung in einer Konfigurationsphase,
3 ein Ablaufdiagramm des erfindungsgemäßen Verfahrens,
4 ein erfindungsgemäßer Trainingsdatengenerator in einer Einstellphase und
5 der erfindungsgemäße Trainingsdatengenerator in einer Generierungsphase.

1 veranschaulicht in schematischer Darstellung beispielhaft eine Gasturbine als technisches System TS. Alternativ oder zusätzlich kann das technische System TS auch eine Windturbine, ein Solarkraftwerk, eine Verbrennungskraftmaschine, ein Stromnetz, eine Fertigungsanlage oder eine andere Anlage oder eine Kombination hiervon umfassen.
Die Gasturbine TS ist mit einer erfindungsgemäßen Steuereinrichtung CTL gekoppelt, die als Teil der Gasturbine TS oder ganz oder teilweise extern zur Gasturbine TS implementiert sein kann. Die Steuereinrichtung CTL dient zum Steuern des technischen Systems TS. Unter einem Steuern des technischen Systems TS sei hierbei auch eine Regelung des technischen Systems TS sowie eine Ausgabe und Verwendung von steuerungsrelevanten, d.h. zum Steuern des technischen Systems TS beitragenden Daten und Steuersignalen verstanden. Derartige steuerungsrelevante Daten können insbesondere Prognosedaten, Überwachungsdaten und/oder Klassifikationsdaten umfassen, die insbesondere zur Betriebsoptimierung, Überwachung oder Wartung des technischen Systems TS und/oder zur Verschleiß- oder Beschädigungserkennung verwendet werden können.
Die Gasturbine TS verfügt weiterhin über mit der Steuereinrichtung CTL gekoppelte Sensoren S, die fortlaufend einen oder mehrere Betriebsparameter BP der Gasturbine TS messen und zur Steuereinrichtung CTL übermitteln. Neben den Sensordaten können durch die Steuereinrichtung CTL noch weitere Betriebsparameter aus anderen Datenquellen des technischen Systems TS oder aus externen Datenquellen erfasst werden.
Als Betriebsparameter BP sind hier und im Folgenden insbesondere physikalische, regelungstechnische, wirkungstechnische und/oder bauartbedingte Betriebsgrößen, Eigenschaften, Leistungsdaten, Wirkungsdaten, Ertragsdaten, Bedarfsdaten, Zustandsdaten, Systemdaten, Vorgabewerte, Steuerdaten, Sensordaten, Messwerte, Umgebungsdaten, Überwachungsdaten, Prognosedaten, Analysedaten und/oder andere im Betrieb des technischen Systems TS anfallende und/oder einen Betriebszustand oder eine Steueraktion des technischen Systems TS beschreibende Daten zu verstehen. Dies können z.B. Daten über Temperatur, Druck, Emissionen, Vibrationen, Schwingungszustände, Ressourcenverbrauch etc. sein. Speziell bei einer Gasturbine können die Betriebsparameter eine Turbinenleistung, eine Rotationsgeschwindigkeit, Vibrationsfrequenzen und/oder Vibrationsamplituden betreffen.
Ein oder mehrere Werte von einem oder mehreren Betriebsparametern können durch einen Betriebsdatensatz dargestellt oder zusammengefasst werden. Ein solcher Betriebsdatensatz kann insbesondere einen ein- oder mehrdimensionalen, insbesondere hochdimensionalen Betriebsparametervektor beinhalten. Der Begriff Betriebsparameter soll im Folgenden auch derartige Betriebsparametervektoren umfassen. Ein jeweiliger Betriebsparameter kann demnach auch einen Vektor von Betriebsparametern repräsentieren.
2 zeigt in schematischer Darstellung eine erfindungsgemäße Steuereinrichtung CTL in einer Konfigurationsphase. Die Steuereinrichtung CTL ist an ein technisches Systems TS gekoppelt, das wie oben beschrieben ausgestaltet sein kann. Die Steuereinrichtung CTL verfügt über einen oder mehrere Prozessoren PROC zum Ausführen aller Verfahrensschritte der Steuereinrichtung CTL sowie über einen oder mehrere mit dem Prozessor PROC gekoppelte Speicher MEM zum Speichern der von der Steuereinrichtung CTL zu verarbeitenden Daten.
Die Steuereinrichtung CTL erfasst vom technischen System TS eine zeitliche Abfolge von Betriebsparameterwerten BP in Form einer zeitlichen Abfolge von Betriebsdatensätzen. Wie oben bereits erwähnt, kann hierbei ein Betriebsparameterwert auch einen Betriebsparametervektor umfassen.
Die Steuereinrichtung CTL verfügt im vorliegenden Ausführungsbeispiel über ein künstliches neuronales Netz NN als trainierbares Rechenmodul sowie über einen damit gekoppelten Trainingsdatengenerator TG, zu denen jeweils die Abfolge von Betriebsparameterwerten BP übermittelt wird. Das neuronale Netz NN ist datengetrieben trainierbar und weist eine Trainingsstruktur auf, die sich während eines Trainings ausbildet.
Unter einem Training sei allgemein eine Optimierung einer Abbildung von Eingangsparametern eines parametrisierten Systemmodells, z.B. eines neuronalen Netzes, auf einen oder mehrere Zielparameter verstanden. Diese Abbildung wird nach vorgegebenen, gelernten und/oder zu lernenden Kriterien während einer Trainingsphase optimiert. Als Kriterien können z.B. bei Prädiktionsmodellen ein Prädiktionsfehler oder bei Steuermodellen ein Erfolg einer Steueraktion, der z.B. einen Ertrag, Ressourcenbedarf, Schadstoffausstoß und/oder Verschleiß des technischen Systems betreffen kann, herangezogen werden. Eine Trainingsstruktur kann z.B. eine Vernetzungsstruktur von Neuronen eines neuronalen Netzes und/oder Gewichte von Verbindungen zwischen den Neuronen umfassen, die durch das Training so ausgebildet werden, dass die Kriterien möglichst gut erfüllt werden.
Im vorliegenden Ausführungsbeispiel wird das neuronale Netz NN darauf trainiert, zukünftige Betriebsparameterwerte anhand früherer und aktueller Betriebsparameterwerte vorherzusagen. Alternativ oder zusätzlich kann das neuronale Netz NN darauf trainiert werden, anhand früherer und aktueller Betriebsparameterwerte eine Steueraktion zu ermitteln, die ein vorgegebenes oder gelerntes Kriterium optimiert.
Indem das neuronale Netz NN trainiert wird, wird die Steuereinrichtung CTL und damit das technische System TS konfiguriert. Mittels des trainierten neuronalen Netzes NN kann das technische System TS in vorausschauender Weise gesteuert werden.
Wie oben bereits erwähnt, wird im vorliegenden Ausführungsbeispiel durch das Training des neuronalen Netzes NN angestrebt, dass dieses aus der Abfolge der erfassten Betriebsparameterwerte BP fortlaufend einen zukünftigen Betriebsparameterwert als Prädiktionswert PP möglichst genau vorhersagt. Zu diesem Zweck werden die vom neuronalen Netz NN ausgegebenen Prädiktionswerte PP(t), die für einen jeweiligen Zeitpunkt t vorausgesagt sind, mit tatsächlich erfassten, jeweils zeitlich korrespondieren, d.h. auf den gleichen Zeitpunkt t bezogenen Betriebsparameterwerten BP(t) verglichen. Hierbei ist ein auf einen Zeitpunkt t bezogener Prädiktionswert PP(t) solange zwischenzuspeichern, bis der auf denselben Zeitpunkt t bezogene Betriebsparameterwert BP(t) tatsächlich erfasst und verfügbar ist. Im Rahmen des Vergleichs wird ein Abstand D zwischen den Prädiktionswerten PP(t) und den zeitlich korrespondierenden, tatsächlich erfassten Betriebsparameterwerten BP(t) gebildet. Der Abstand D repräsentiert einen Prädiktionsfehler des neuronalen Netzes NN. Der Abstand D wird zum neuronalen Netz NN zurückgeführt, das - wie in 2 durch einen strichliierten Pfeil angedeutet - darauf trainiert wird, den Abstand D zu minimieren, d.h. den Betriebsparameter möglichst genau zu prädizieren.
Zum Training des neuronalen Netzes NN kann eine Vielzahl von Standard-Trainingsverfahren für neuronale Netze, insbesondere des überwachten Lernens eingesetzt werden. Der zu minimierende Abstand D kann dabei durch eine geeignete Kostenfunktion repräsentiert werden. Zur Minimierung des Abstandes D kann insbesondere eine Gradienten-Abstiegsmethode verwendet werden.
Erfindungsgemäß werden dem neuronalen Netz NN nicht nur die erfassten Betriebsparameterwerte BP zum Training übermittelt, sondern zusätzlich vom Trainingsdatengenerator TG generierte Trainingsdatensätze TD. Der Trainingsdatengenerator TG generiert die Trainingsdatensätze TD anhand der ihm zugeführten Betriebsparameterwerte BP und übermittelt die generierten Trainingsdatensätze TD zum neuronalen Netz NN.
Die Trainingsdatensätze TD werden derart generiert, dass sie insbesondere statistische Abhängigkeiten zwischen den Betriebsparameterwerten BP statistisch korrekt abbilden, die für die Dynamik des technischen Systems TS charakteristisch sind. Im vorliegenden Ausführungsbeispiel sind dies Korrelationen zwischen vorhergesagten Prädiktionswerten und tatsächlich erfassten Betriebsparametern.
Die generierten Trainingsdatensätze TD werden zusätzlich zu den Betriebsparameterwerten BP des technischen Systems TS zum Trainieren des neuronalen Netzes verwendet, indem, wie oben bereits beschrieben, ein Abstand zwischen vom neuronalen Netz NN ermittelten Prädiktionswerten und entsprechenden Werten in den Trainingsdatensätzen TD minimiert wird.
Auf diese Weise können insbesondere in spärlich von den Betriebsdatensätzen BP abgedeckten Betriebsbereichen des technischen Systems TS mehr Trainingsdaten zur Verfügung gestellt werden. Es erweist sich, dass durch die zusätzlich erzeugten Trainingsdaten ein Trainingserfolg des neuronalen Netzes NN signifikant verbessert werden kann.
3 zeigt ein Ablaufdiagramm eines erfindungsgemäßen Verfahrens mit Verfahrensabschnitten S1,...,S6 in schematischer Darstellung.
Im Verfahrensabschnitt S1 wird eine zeitliche Abfolge von Betriebsparameterwerten in Form einer zeitlichen Abfolge von Betriebsdatensätzen BP des technischen Systems TS eingelesen. Aus dieser Abfolge BP werden eine zeitliche Abfolge von ersten Betriebsdatensätzen IBP und eine zeitliche Abfolge von zweiten Betriebsdatensätzen TBP selektiert.
Die ersten Betriebsdatensätze IBP sind hierbei Eingabe-Betriebsdatensätze, d.h. Eingangsparameter für das neuronale Netz NN. Im vorliegenden Ausführungsbeispiel ist ein jeweiliger Eingabe-Betriebsdatensatz IBP ein n-1 dimensionaler Vektor (n ≥ 2), von erfassten Zustandsparametern des technischen Systems TS. Die zweiten Betriebsdatensätze TBP sind Ziel-Betriebsparameter, d.h. Zielparameter für das neuronale Netz NN. Ein solcher Ziel-Betriebsparameter TBP kann beispielsweise ein Betriebsparameter des technischen Systems TS sein, der durch das neuronale Netz NN anhand der Eingabe-Betriebsdatensätze IBP möglichst genau ermittelt werden soll. Insbesondere kann ein Ziel-Betriebsparameter TBP ein aktueller Zustandsparameter des technischen Systems TS sein, der aus früheren Zustandsparametern, hier IBP, vorhergesagt werden soll. Im vorliegenden Ausführungsbeispiel ist der Ziel-Betriebsparameter TBP aus Gründen der Übersichtlichkeit einkomponentig.
Ein jeweiliger Ziel-Betriebsparameter TBP ist mit einem jeweiligen Eingabe-Betriebsdatensatz IBP hinsichtlich einer Wirkungsdynamik des technischen Systems TS korreliert und wird diesem Eingabe-Betriebsdatensatz IBP entsprechend zugeordnet. Diese Zuordnung wird nachfolgend durch Bezugnahme auf einen gleichen Zeitpunkt t in den Abfolgen IBP(t) und TBP(t) ausgedrückt.
Alternativ oder zusätzlich können als erste Betriebsdatensätze Ziel-Betriebsparameter für das neuronale Netz NN und als zweite Betriebsdatensätze Eingabe-Betriebsdatensätze für das neuronale Netz NN vorgesehen sein.
Im Verfahrensabschnitt S2 werden anhand der Abfolge der Eingabe-Betriebsdatensätze IBP und der Abfolge der Ziel-Betriebsparameter TBP stochastische univariate Verteilungsfunktionen, d.h. Verteilungsfunktionen einer einzigen Variablen empirisch ermittelt. Derartige Verteilungsfunktionen werden auch als kumulierte univariate Verteilungsfunktionen bezeichnet.
Im vorliegenden Ausführungsbeispiel werden für eine jeweilige Vektorkomponente IBP_i, i=1,...,n-1 der Eingabe-Betriebsdatensätze IBP erste komponentenspezifische univariate Verteilungsfunktionen F1_i der jeweiligen Vektorkomponente IBP_i empirisch ermittelt. Weiterhin wird eine zweite univariate Verteilungsfunktion F2 der erfassten Ziel-Betriebsparameter TBP empirisch ermittelt. Die univariaten Verteilungsfunktionen F1_i und F2 können beispielsweise aus Häufigkeitsverteilungen der Komponenten der Eingabe-Betriebsdatensätze IBP_i und der Ziel-Betriebsparameter TBP ermittelt werden. Nach Ermittlung der univariaten Verteilungsfunktionen wird eine jeweilige i-te Komponente der Eingabe-Betriebsdatensätze IBP_i durch die zugehörige erste univariate Verteilungsfunktion F1_i transformiert, und die Ziel-Betriebsparameter TBP werden durch die zweite univariate Verteilungsfunktion F2 transformiert. Hieraus resultieren komponentenweise transformierte erste Betriebsdatensätze F1_i (IBP_i ) sowie transformierte zweite Betriebsdatensätze F2(TBP).
Aus zeitlich auf den gleichen Zeitpunkt t bezogenen transformierten Betriebsdatensätzen werden empirische Korrelationsvektoren EKV gebildet. Damit ergibt sich eine zeitliche Abfolge von empirischen Korrelationsvektoren gemäß EKV(t)=(F2(TBP(t)), F1_i(IBP₁(t)),..., F1_n-1(IBP_n-1(t))). Die empirischen Korrelationsvektoren EKV sind offensichtlich n-dimensional.
Im Verfahrensabschnitt S3 wird eine n-dimensionale stochastische Verteilungsfunktion der empirischen Korrelationsvektoren EKV ermittelt. Als n-dimensionale stochastische Verteilungsfunktion wird vorzugsweise eine n-dimensionale Copula-Verteilungsfunktion, d.h. eine Copula-Verteilungsfunktion mit n-Variablen, hier der n-Komponenten F2(TBP(t)), F1₁(IBP₁(t)),..., F1_n-1(IBP_n-1(t)) eines jeweiligen empirischen Korrelationsvektors EKV(t) verwendet. Eine n-dimensionale Copula-Verteilungsfunktion bildet eine stochastische Abhängigkeitsstruktur zwischen ihren n-Variablen im Prinzip vollständig ab, während die univariaten Verteilungsfunktionen F1_i und F2 stochastische Randverteilungen der Betriebsdatensätze IBP_i und TBP abbilden. In diesem Zusammenhang werden die univariaten Verteilungsfunktionen F1_i und F2 auch als Randverteilungsfunktionen bezeichnet.
Durch die Verwendung der Randverteilungsfunktionen F1_i und F2 einerseits und einer n-dimensionalen Copula-Verteilungsfunktion andererseits können eine Modellierung der Randverteilungen und eine Modellierung der Abhängigkeitsstruktur zwischen Eingabe-Betriebsdatensätzen und Ziel-Betriebsparametern voneinander separiert werden. Auf diese Weise können die stochastischen Eigenschaften und Abhängigkeiten der Betriebsparameter mit geringem Aufwand und in konsistenter Weise auf die generierten Trainingsdatensätze TD abgebildet werden.
Im vorliegenden Ausführungsbeispiel wird anhand der empirischen Korrelationsvektoren EKV eine sogenannte empirische n-dimensionale Copula-Verteilungsfunktion EC der empirischen Korrelationsvektoren EKV ermittelt. Für eine solche Ermittlung sind Standardverfahren definiert und wohlbekannt.
Vorzugsweise wird an die ermittelte empirische n-dimensionale Copula-Verteilungsfunktion EC eine n-dimensionale Copula-Modellfunktion MC, z.B. durch Parameterfitting angepasst. Als n-dimensionale Copula-Modellfunktion MC kann z.B. eine sogenannte Gumbel-Hougaard-Copula verwendet werden. Die angepasste n-dimensionale Copula-Modellfunktion MC wird zur Ausführung der nachfolgenden Verfahrensabschnitte als numerische n-dimensionale Copula-Verteilungsfunktion bereitgestellt.
Im Verfahrensabschnitt S4 werden anhand der ersten Betriebsdatensätze IBP und/oder der zweiten Betriebsdatensätze TBP Bereiche von Betriebszuständen des technischen Systems TS detektiert, die durch die Eingabe-Betriebsdatensätze IBP nur spärlich abgedeckt sind, oder die beobachtete Extremwerte der Ziel-Betriebsparameter TBP enthalten oder an diese angrenzen. Anhand der detektierten Bereiche werden durch einen ersten Generator GEN1 eine Vielzahl K von Eingabe-Betriebsdatensätzen, d.h. n-1 dimensionalen ersten Betriebsdatenvektoren als Erzeuger-Betriebsdatensätze GBP(k), k=1,...,K generiert. Die Erzeuger-Betriebsdatensätze GBP(k) werden vorzugsweise mittels eines Zufallsprozesses so in den detektierten Bereichen verteilt, dass diese hinsichtlich ihrer möglichen Wirkungsdynamiken repräsentativ abgedeckt werden. Die Vektorkomponenten der Erzeuger-Betriebsdatensätze werden im Folgenden als GBP_i(k), i=1,...,n-1 bezeichnet.
Die Erzeuger-Betriebsdatensätze GBP werden zu einem zweiten Generator GEN2 übermittelt, der für einen jeweiligen Erzeuger-Betriebsdatensatz GBP(k) eine Vielzahl von n-dimensionalen potentiellen Korrelationsvektoren PKV generiert. Zu diesem Zweck wird für einen jeweiligen Erzeuger-Betriebsdatensatz GBP(k) eine Vielzahl L von im Wertebereich der zweiten univariaten Verteilungsfunktion F2 zufallsverteilten, vorzugsweise gleichverteilten Samplingwerten SW(l), l=1,...,L generiert. Die potentiellen Korrelationsvektoren PKV werden dann analog zu den empirischen Korrelationsvektoren EKV gebildet gemäß $PKV (k,l) = (SW (l), {F1}_{i} ({GBP}_{1} (k)), \dots, {F1}_{n - 1} ({GBP}_{n - 1} (k)))$
für k=1,...,K und l=1,..., L.
Im Verfahrensabschnitt S5 werden die generierten potentiellen Korrelationsvektoren PKV der angepassten Copula-Modellfunktion MC zugeführt, d.h. die n-dimensionale Copula-Modellfunktion MC wird mit einem jeweiligen potentiellen Korrelationsvektor PKV(k,l) als n-dimensionalem Argument aufgerufen. Die jeweiligen Rückgabewerte MC(PKV(k,l)) dieser Aufrufe werden durch eine zur zweiten univariaten Verteilungsfunktion F2 inversen Funktion F2^-1 transformiert, um jeweils einen potentiellen Ziel-Betriebsparameter PTBP als potentiellen zweiten Betriebsdatensatz zu erhalten. Insgesamt gilt: $PTBK (k,l) = {F2}^{- 1} (MC (PKV (k,l))) für k = 1, \dots, K und l = 1, \dots, L$
Aufgrund der vorstehenden Verfahrensweise sind für jeden Erzeuger-Betriebsdatensatz GBP(k) die resultierenden potentiellen Ziel-Betriebsparameter PTBP(k,l) für variierendes l statistisch im Wesentlichen so verteilt, wie es für tatsächliche Ziel-Betriebsparameter zu diesem Erzeuger-Betriebsdatensatz GBP(k) für das technische System TS zu erwarten wäre. Hieraus gebildete Trainingsdaten spiegeln also stochastische Abhängigkeiten zwischen den ersten und zweiten Betriebsdatensätzen realistisch wider und können erfolgreich dazu benutzt werden, Lücken oder spärlich abgedeckte Bereiche in den Betriebszuständen des technischen Systems TS konsistent zu füllen.
Im Verfahrensabschnitt S6 wird zu einem jeweiligen Erzeuger-Betriebsdatensatz GBP(k), ein Mittelwert oder Median AVG(k) von Werten der potentiellen Ziel-Betriebsparameter PTBP(k,l) über l=1,...,L gebildet. Auf diese Weise kann ein jeweiliger Trainingsdatensatz TD als Paar von einem ersten und einem zweiten Betriebsdatensatz generiert werden gemäß $TD (k) = (GBP (k), AVG (k)) .$
Durch die generierten Trainingsdatensätze TD kann das neuronale Netz NN zusätzlich und stochastisch konsistent trainiert und so die Steuereinrichtung CTL und damit das technische System TS in vorteilhafter Weise konfiguriert werden.
4 zeigt in schematischer Darstellung einen erfindungsgemäßen Trainingsdatengenerator TG in einer Einstellphase beim Ermitteln der univariaten Verteilungsfunktionen F1_i und F2 sowie der Copula-Verteilungsfunktionen EC und MC. Insofern in 4 die gleichen Bezugszeichen wie in den vorangegangenen Figurenbeschreibungen verwendet werden, bezeichnen diese Bezugszeichen die gleichen Entitäten, die wie oben beschrieben implementiert oder realisiert sein können.
Der Trainingsdatengenerator TG kann über einen oder mehrere eigene Prozessoren zum Ausführen der Verfahrensschritte des Trainingsdatengenerators TG sowie einen oder mehrere mit dem Prozessor gekoppelte Speicher zum Speichern der vom Trainingsdatengenerator TG zu verarbeitenden Daten verfügen.
Der Trainingsdatengenerator TG empfängt vom technischen System TS eine zeitliche Abfolge von Betriebsparametern in Form von Betriebsdatensätzen BP, die fortlaufend erfasst und verarbeitet werden. Die Abfolge der Betriebsdatensätze BP wird einem Selektionsmodul SEL des Trainingsdatengenerators TG zugeführt. Das Selektionsmodul SEL dient zum Selektieren einer zeitlichen Abfolge von Eingabe-Betriebsdatensätzen IBP_i(t), i=1,...,n-1 sowie einer zeitlichen Abfolge von Ziel-Betriebsparametern PBT(t) aus der Abfolge der Betriebsdatensätze BP. Ein Ziel-Betriebsparameter TBP(t) und ein Eingabe-Betriebsdatenvektor IBP_i(t) sind, wie oben beschrieben, auf einen gleichen jeweiligen Zeitpunkt t bezogen und hinsichtlich einer Wirkungsdynamik des technischen Systems TS miteinander korreliert.
Anhand der Eingabe-Betriebsdatensätze IBP_i(t) und der Ziel-Betriebsparameter TBP(t) werden die ersten komponentenspezifischen univariaten Verteilungsfunktionen F1_i der Eingabe-Betriebsdatensätze IBP_i(t) sowie die zweite komponentenspezifische univariate Verteilungsfunktion F2 der Ziel-Betriebsparameter TBP(t) ermittelt. Durch die ermittelten ersten univariaten Verteilungsfunktionen F1_i wird jeweils eine komponentenspezifische Transformation der zugehörigen Komponente der Eingabe-Betriebsdatensätze IBP_i(t) durchgeführt. Entsprechend werden die Ziel-Betriebsparameter TBP(t) durch die ermittelte zweite univariate Verteilungsfunktion F2 transformiert. Aus den transformierten Werten wird eine zeitliche Abfolge von jeweils n-dimensionalen empirischen Korrelationsvektoren abgeleitet gemäß $EVK (t) = (F2 (TBP (t)), {F1}_{1} ({IBP}_{1} (t)), \dots, {F1}_{n - 1} ({IBP}_{n - 1} (t))) .$
Aus den empirischen Korrelationsvektoren EKV(t) wird wie oben beschrieben, die empirische n-dimensionale Copula-Verteilungsfunktion EC der empirischen Korrelationsvektoren EKV(t) ermittelt. Aus der ermittelten empirischen n-dimensionalen Copula-Verteilungsfunktion EC wird die n-dimensionale Copula-Modellfunktion MC abgeleitet und als numerische n-dimensionale Copula-Verteilungsfunktion bereitgestellt.
5 zeigt in schematischer Darstellung den erfindungsgemäßen Trainingsdatengenerator TG in einer Generierungsphase beim Generieren von Trainingsdatensätzen TD zum Trainieren eines neuronalen Netzes NN. In dieser Phase sind die in der Einstellphase ermittelten univariaten Verteilungsfunktionen F1_i und F2 sowie die n-dimensionale Copula-Verteilungsfunktion MC bereits verfügbar. Insofern in 5 die gleichen Bezugszeichen wie in den vorangegangenen Figurenbeschreibungen verwendet werden, bezeichnen diese Bezugszeichen die gleichen Entitäten, die wie oben beschrieben implementiert oder realisiert sein können.
Der Trainingsdatengenerator TG empfängt vom technischen System TS eine zeitliche Abfolge von Betriebsparametern des technischen Systems TS in Form von Betriebsdatensätzen BP. Anhand der Betriebsdatensätze BP werden, wie oben beschrieben, Bereiche von Betriebszuständen des technischen Systems TS detektiert, für die eine Abdeckung mit Trainingsdaten verbessert werden soll.
Anhand dieser detektierten Bereiche generiert ein erster Generator GEN1 des Trainingsdatengenerators TG eine Vielzahl K von Eingabe-Betriebsdatensätzen für das neuronale Netz NN als Erzeuger-Betriebsdatensätze GBP(k), k=1,...,K wie oben beschrieben. Deren Vektorkomponenten GBP_i(k), i=1,...,n-1 werden vom ersten Generator GEN1 zu einem zweiten Generator GEN2 des Trainingsdatengenerators TG übermittelt. Dort werden die Vektorkomponenten GBP_i(k) komponentenweise jeweils durch die zugehörige erste univariate Verteilungsfunktion F1_i transformiert. Weiterhin wird durch den zweiten Generator GEN2 für einen jeweiligen Erzeuger-Betriebsdatensatz GBP(k) eine Vielzahl L von im Wertebereich der ermittelten zweiten univariaten Verteilungsfunktion F2 zufallsverteilten, vorzugsweise gleichverteilten Samplingwerten SW(l), l=1,..., L generiert. Damit wird durch den zweiten Generator GEN2 eine Vielzahl von n-dimensionalen potentiellen Korrelationsvektoren gebildet, gemäß $\begin{array}{l} PKV (k, l) = (SW (l), {F1}_{i} ({GBP}_{1} (k)), \dots, {F1}_{n - 1} ({GBP}_{n - 1} (k))) für k = 1, \dots, K \\ und l = 1, \dots, L . \end{array}$
Die Vielzahl der potentiellen Korrelationsvektoren PKV(k,l) wird vom zweiten Generator GEN2 der in der Einstellphase ermittelten numerischen n-dimensionalen Copula-Verteilungsfunktion MC zugeführt, d.h. die Copula-Verteilungsfunktion MC wird mit den PKV(k,l) als Argument aufgerufen.
Die Rückgabewerte MC(PKV(k,l)) werden der zur zweiten univariaten Verteilungsfunktion F2 inversen Funktion F2^-1 zugeführt und durch diese transformiert, um eine Vielzahl von potentiellen Ziel-Betriebsparametern zu erhalten gemäß $PTBP (k, l) = {F2}^{- 1} (MC (PKV (k,l))) für k = 1, \dots,K und l = 1, \dots, L .$
Die potentiellen Ziel-Betriebsparameter PTBP werden zu einem Auswertemodul AW des Trainingsdatengenerators TG übermittelt. Darüber hinaus werden die Erzeuger-Betriebsdatensätze GBP_i(k) vom ersten Generator GEN1 zum Auswertemodul AW übertragen. Das Auswertemodul AW ermittelt zu einem jeweiligen k, d.h. zu einem jeweiligen Erzeuger-Betriebsdatensatz GBP(k) einen Mittelwert oder Median AVG(k) von Werten der potentiellen Ziel-Betriebsparameter PTBP(k,l) über l=1, ..., L. Mit den Resultaten wird eine Vielzahl von Trainingsdatensätzen TD(k), jeweils als Paar von einem ersten und zweiten Betriebsdatensatz generiert gemäß TD(k)=(GBP(k),AVG(k)).
Die generierten, synthetischen Trainingsdatensätze TD(k) werden vom Auswertemodul AW zum Trainieren des neuronalen Netzes NN und damit zum Konfigurieren der Steuereinrichtung CTL und des technischen Systems TS ausgegeben.
Wie oben bereits erwähnt, können durch das erfindungsgemäße Verfahren stochastische Eigenschaften, intrinsische Abhängigkeiten und dynamische Korrelationen der Betriebsparameter mit geringem Aufwand auf die generierten Trainingsdatensätze TD realistisch, repräsentativ und konsistent abgebildet werden. Durch die zusätzlichen Trainingsdatensätze TD kann ein Trainingserfolg des neuronalen Netzes NN signifikant verbessert bzw. ein Trainingsaufwand signifikant verringert werden.
Die Einstellphase sowie die Trainingsphase, Generierungsphase bzw. Konfigurationsphase können auch zumindest teilweise parallel ablaufen. Dabei kann das neuronale Netz NN fortlaufend anhand neu erfasster Betriebsdatensätze weiter trainiert werden und/oder die Verteilungsfunktionen F1_i , F2, EC und/oder MC fortlaufend an die erfassten Betriebsdatensätze angepasst werden. Währenddessen kann auch bereits das technische System TS mittels eines teilweise trainierten neuronalen Netzes NN gesteuert werden.

Claims

Verfahren zum rechnergestützten Konfigurieren eines technischen Systems (TS) anhand von Trainingsdaten (TD), wobei a) eine Vielzahl von ersten und zweiten Betriebsdatensätzen des technischen Systems (TS) erfasst werden, wobei ein jeweiliger erster Betriebsdatensatz (IBP) einem jeweiligen zweiten Betriebsdatensatz (TBP) zugeordnet und mit diesem dynamisch korreliert ist, b) aus einem jeweiligen ersten Betriebsdatensatz (IBP) und dem jeweils zugeordneten zweiten Betriebsdatensatz (TBP) ein jeweiliger empirischer n-dimensionaler Korrelationsvektor (EKV) mit n>=2 abgeleitet wird, d) eine empirische n-dimensionale Verteilungsfunktion (EC) der empirischen Korrelationsvektoren (EKV) ermittelt wird, e) ein erster Betriebsdatensatz als Erzeuger-Betriebsdatensatz (GBP) eingelesen wird, f) für den Erzeuger-Betriebsdatensatz (GBP) eine Vielzahl von potentiellen n-dimensionalen Korrelationsvektoren (PKV) generiert wird, g) anhand der n-dimensionalen Verteilungsfunktion für die potentiellen Korrelationsvektoren (PKV) jeweils ein potentieller zweiter Betriebsdatensatz (PTBP) generiert wird, und h) anhand des Erzeuger-Betriebsdatensatzes (GBP) und der potentiellen zweiten Betriebsdatensätze (PTBP) ein oder mehrere Trainingsdatensätze (TD) generiert und zum Konfigurieren des technischen Systems (TS) ausgegeben werden.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das technische System (TS) eine Gasturbine, eine Windturbine, ein Solarkraftwerk, eine Verbrennungskraftmaschine, eine Fertigungsanlage oder ein Stromnetz umfasst.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass beim Konfigurieren des technischen Systems (TS) ein trainierbares Rechenmodul (NN) zum Steuern des technischen Systems (TS) anhand der generierten Trainingsdatensätze (TD) trainiert wird.
Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass ein jeweiliger erster Betriebsdatensatz (IBP) ein Eingabe-Betriebsdatensatz für das trainierbare Rechenmodul (NN) und ein jeweiliger zweiter Betriebsdatensatz (TBP) ein Ziel-Betriebsparameter für das trainierbare Rechenmodul (NN) ist.
Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass ein jeweiliger erster Betriebsdatensatz (IBP) ein Ziel-Betriebsparameter für das trainierbare Rechenmodul (NN) und ein jeweiliger zweiter Betriebsdatensatz (TBP) ein Eingabe-Betriebsdatensatz für das trainierbare Rechenmodul (NN) ist.
Verfahren nach einem der Ansprüche 3 bis 5, dadurch gekennzeichnet, dass das trainierbare Rechenmodul (NN) ein künstliches neuronales Netz, ein rekurrentes neuronales Netz, ein faltendes neuronales Netz, einen Autoencoder, eine Deep-Learning-Architektur, eine Support-Vector-Machine, ein datengetriebenes trainierbares Regressionsmodell, einen k-nächste-Nachbarn-Klassifikator, ein physikalisches Modell und/oder einen Entscheidungsbaum umfasst.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass für den Erzeuger-Betriebsdatensatz (GBP) eine Vielzahl von zufallsverteilten Datensätzen (SW) generiert wird, dass ein jeweiliger potentieller Korrelationsvektor (PKV) anhand des Erzeuger-Betriebsdatensatzes (GBP) und eines jeweiligen zufallsverteilten Datensatzes (SW) gebildet wird.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass ein Bereich von Betriebszuständen des technischen Systems (TS) detektiert wird, der durch die ersten Betriebsdatensätze (IBP) nur spärlich abgedeckt wird, oder der beobachtete Extremwerte der zweiten Betriebsdatensätze (TBP) enthält und/oder an diese angrenzt, und dass für den detektierten Bereich eine Vielzahl von Erzeuger-Betriebsdatensätzen (GBP) generiert wird, für die jeweils die Verfahrensschritte e) bis h) ausgeführt werden.
Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass ein jeweiliger Erzeuger-Betriebsdatensatz (GBP) abhängig von einem Zufallsprozess erzeugt wird.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass anhand der empirischen n-dimensionalen Verteilungsfunktion (EC) eine diese approximierende numerische n-dimensionale Verteilungsfunktion (MC) bereitgestellt wird, dass die potentiellen Korrelationsvektoren (PKV) jeweils der numerischen n-dimensionalen Verteilungsfunktion (MC) zugeführt werden, und dass aus einem jeweiligen Rückgabewert (MC(PKV)) der numerischen n-dimensionalen Verteilungsfunktion (MC) ein jeweiliger potentieller zweiter Betriebsdatensatz (PTBP) abgeleitet wird.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass als empirische n-dimensionale Verteilungsfunktion (EC) eine empirische n-dimensionale Copula-Verteilungsfunktion ermittelt wird.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine n-dimensionale Copula-Modellfunktion (MC) durch Parameterfitting an die empirische n-dimensionale Verteilungsfunktion (EC) angepasst und als numerische n-dimensionale Verteilungsfunktion bereitgestellt wird.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass für eine jeweilige Komponente (IBP_i) der ersten Betriebsdatensätze (IBP) eine jeweilige erste komponentenspezifische univariate Verteilungsfunktion (F1_i) von Werten dieser Komponente ermittelt wird, dass für eine jeweilige Komponente der zweiten Betriebsdatensätze (TBP) eine jeweilige zweite komponentenspezifische univariate Verteilungsfunktion (F2) von Werten dieser Komponente ermittelt wird, und dass die empirischen n-dimensionalen Korrelationsvektoren (EKV) jeweils aus einem komponentenweise anhand der mindestens einen ersten univariaten Verteilungsfunktion (F1_i) transformierten ersten Betriebsdatensatz (IBP) und einem komponentenweise anhand der mindestens einen zweiten univariaten Verteilungsfunktion (F2) transformierten zweiten Betriebsdatensatz (TBP) gebildet werden.
Verfahren nach den Ansprüchen 10 und 13, dadurch gekennzeichnet, dass beim Generieren eines jeweiligen potentiellen zweiten Betriebsdatensatzes (PTBP) der jeweilige Rückgabewert (MC(PKV)) der numerischen n-dimensionalen Verteilungsfunktion (MC) durch eine zu einer zweiten univariaten Verteilungsfunktion (F2) inversen Funktion (F2^-1) transformiert wird.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass beim Generieren der Trainingsdatensätze (TD) ein Mittelwert und/oder ein Median (AVG) von Werten der potentiellen zweiten Betriebsdatensätze (PTBP) gebildet wird.
Trainingsdatengenerator (TG) zum rechnergestützten Konfigurieren eines technischen Systems (TS), eingerichtet zum Ausführen eines Verfahrens nach einem der Ansprüche 1 bis 15.
Steuereinrichtung (CTL) zum rechnergestützten Steuern eines technischen Systems (TS), mit einem trainierbaren Rechenmodul (NN) zum Steuern des technischen Systems (TS) und einem Trainingsdatengenerator (TG) nach Anspruch 16 zum Trainieren des trainierbaren Rechenmoduls (NN) anhand der generierten Trainingsdatensätze (TD).
Computerprogrammprodukt eingerichtet zum Ausführen eines Verfahrens nach einem der Ansprüche 1 bis 15.
Computerlesbares Speichermedium mit einem Computerprogrammprodukt nach Anspruch 18.