-
Die Erfindung betrifft ein Verfahren und einen Generator zum Generieren eines trainierten Prognosemodells für ein technisches System zur Prognose eines Messwerts einer Messgröße des technischen Systems, ein Verfahren und eine Prognosevorrichtung zur Prognose eines Messwerts einer vorgegebenen Messgröße eines technischen Systems mittels eines solchen trainierten Prognosemodells, ein System umfassend eine solche Prognosevorrichtung zur Prognose eines Messwerts einer vorgegebenen Messgröße eines technischen Systems mittels eines solchen trainierten Prognosemodells und mindestens einen Sensor, sowie ein Computerprogrammprodukt.
-
Für einen effizienten Betrieb eines technischen Systems, wie z.B. einer verfahrenstechnischen Anlage wie eines Gas- und Dampfkraftwerks, ist die Anwendung von effektiven Überwachungs-, Steuerungs- und/oder Regelungsmethoden notwendig. Diese erfordern in der Regel die Bestimmung von Prozessgrößen fortlaufend im Betrieb durch Sensoren. Allerdings kann die Installation von Sensoren technisch aufwendig bzw. schwierig umsetzbar und/oder kostenintensiv sein. Somit können alternativ zur Messung mittels realer Sensoren Werte von Messgrößen mittels sogenannter Softsensoren, d.h. mittels einer computergestützten Simulation, ermittelt werden. Solche computergestützten Simulationen bilden in der Regel die Physik des technischen Systems sehr genau ab, allerdings ist die Ausführung der Simulation meist zeitaufwendig und rechenintensiv, so dass ein betriebsbegleitender Einsatz in der Regel nicht möglich ist.
-
Es ist daher die Aufgabe der Erfindung, eine Prognose eines Messwerts einer Messgröße eines technischen Systems auf Basis einer computergestützten Simulation zu vereinfachen.
-
Die Aufgabe wird durch die in den unabhängigen und nebengeordneten Ansprüchen beschriebenen Maßnahmen gelöst. In den abhängigen Ansprüchen sind vorteilhafte Weiterbildungen der Erfindung dargestellt.
-
Gemäß einem ersten Aspekt betrifft die Erfindung ein computerimplementiertes Verfahren zum Generieren eines trainierten Prognosemodells für ein technisches System zur Prognose eines Messwerts einer Messgröße des technischen Systems, umfassend die folgenden Verfahrensschritte:
- - Einlesen eines computergestützten Simulationsmodells für das technische System,
- - Ausführen des computergestützten Simulationsmodells für ein vorgegebenes Zeitintervall zum Generieren von Simulationsdaten, wobei die Simulationsdaten eine Abhängigkeit einer simulierten Zielgröße von simulierten Messgrößen umfassen,
- - Auswerten der Simulationsdaten zum Generieren von Trainingsdaten für ein jeweiliges Teilintervall des Zeitintervalls, wobei Werte der simulierten Messgrößen eines Teilintervalls und ein von diesen Werten abhängiger Wert der simulierten Zielgröße des auf dieses Teilintervall folgenden Zeitpunkts als Trainingsdatenset, das dem jeweiligen Teilintervall zugeordnet ist, bestimmt werden,
- - Trainieren eines Prognosemodells für das technische System mittels der Trainingsdatensets der Trainingsdaten derart, dass das Prognosemodell eingerichtet wird, einen Messwert einer Messgröße des technischen Systems zu einem vorgegebenen Zeitpunkt ausgehend von realen Messdaten des technischen Systems zu reproduzieren, und
- - Ausgeben des trainierten Prognosemodells zur Prognose eines Messwerts einer Messgröße des technischen Systems ausgehend von realen Messdaten des technischen Systems.
-
Gemäß einem zweiten Aspekt betrifft die Erfindung einen Generator zum Generieren eines trainierten Prognosemodells für ein technisches System zur Prognose eines Messwerts einer Messgröße des technischen Systems, umfassend mindestens einen Prozessor, wobei der Generator derart eingerichtet ist, die folgenden Verfahrensschritte auszuführen:
- - Einlesen eines computergestützten Simulationsmodells für das technische System,
- - Ausführen des computergestützten Simulationsmodells für ein vorgegebenes Zeitintervall zum Generieren von Simulationsdaten, wobei die Simulationsdaten eine Abhängigkeit einer simulierten Zielgröße von simulierten Messgrößen umfassen,
- - Auswerten der Simulationsdaten zum Generieren von Trainingsdaten für ein jeweiliges Teilintervall des Zeitintervalls, wobei Werte der simulierten Messgrößen eines Teilintervalls und ein von diesen Werten abhängiger Wert der simulierten Zielgröße des auf dieses Teilintervall folgenden Zeitpunkts als Trainingsdatenset, das dem jeweiligen Teilintervall zugeordnet ist, bestimmt werden,
- - Trainieren eines Prognosemodells für das technische System mittels der Trainingsdatensets der Trainingsdaten derart, dass das Prognosemodell derart eingerichtet wird, einen Messwert einer Messgröße des technischen Systems zu einem vorgegebenen Zeitpunkt ausgehend von realen Messdaten des technischen Systems zu reproduzieren, und
- - Ausgeben des trainierten Prognosemodells zur Prognose eines Messwerts einer Messgröße des technischen Systems ausgehend von realen Messdaten des technischen Systems.
-
Es ist ein Vorteil der vorliegenden Erfindung, dass auf Basis eines computergestützten Simulationsmodells ein computergestütztes Prognosemodell erstellt wird, welches parallel zum Betrieb des technischen Systems zur Prognose eines Messwerts einer Messgröße angewandt werden kann. Mittels der computergestützten Simulation kann das technische System im Detail simuliert werden, so dass derart detaillierte Simulationsdaten generiert können, die als Trainingsdaten zum Generieren des Prognosemodells genutzt werden.
-
Das Prognosemodell wird vorzugsweise derart generiert, dass es eine Abhängigkeit einer simulierten Zielgröße von simulierten Messgrößen abbildet und somit genutzt werden kann, einen Wert einer Messgröße auf Basis von realen Messwerten zu prognostizieren. Vorzugsweise kann mittels des Prognosemodells ein Messwert einer Messgröße ermittelt werden, für die eine direkte Messung mittels eines Sensors nicht oder nur schwierig realisiert werden kann.
-
Zur Generierung von Trainingsdaten zum Trainieren des Prognosemodells wird ein Simulationsmodell ausgeführt, welches eine Abhängigkeit von stellvertretenden Messgrößen zu einer Zielgröße modelliert. Ein solches Simulationsmodell kann auch als virtueller Sensor oder Softsensor bezeichnet werden. Ein Softsensor bildet somit eine Abhängigkeit oder ein Zusammenhang von korrelierenden Messgrößen zu einer Zielgröße ab, um die Zielgröße anhand dieser Abhängigkeit zu berechnen. Die Zielgröße muss somit nicht notwendigerweise direkt gemessen werden, sondern kann anhand zu ihr korrelierenden Messgrößen bestimmt werden. Vorzugsweise kann ein exaktes, beispielsweise physikalisches Simulationsmodell des technischen Systems genutzt werden, wie z.B. ein detailliertes Simulationsmodell eines Kraftwerks, eines Gas- und Dampfkraftwerks, einer Gasturbine oder einer Windkraftanlage. Dieses Simulationsmodell wird für ein vorgegebenes Zeitintervall ausgeführt, um Simulationsdaten für einen vorgegebenen Betriebsparametersatz des technischen Systems zu generieren. Die Simulationsdaten werden für vorgegebene Teilintervalle des Zeitintervalls ausgewertet, um Trainingsdaten für das Training des Prognosemodells zu generieren. In anderen Worten, die Simulationsdaten werden derart ausgewertet, dass Eingabedaten und diesen zugeordnete Ausgabedaten als Trainingsdatenset für das Training des Prognosemodells generiert werden. Somit werden die generierten Simulationsdaten als synthetische Lerndaten modifiziert und zum Training eines echtzeitfähigen Prognosemodells genutzt. Das Prognosemodell basiert vorzugsweise auf einem maschinellen Lernverfahren.
-
In einer vorteilhaften Ausführungsform des computerimplementierten Verfahrens können gleitende Teilintervalle des Zeitintervalls definiert und die Simulationsdaten für die gleitenden Teilintervalle ausgewertet werden.
-
Auf diese Weise kann insbesondere die Abhängigkeit der simulierten Zielgröße von den simulierten Messgrößen mit einer hohen Zeitauflösung ausgewertet werden. Gleitende Teilintervalle können beispielsweise definiert werden, indem ein Teilintervall gegenüber einem vorhergehenden Teilintervall um einen vorgegebenen Zeitschritt, der vorzugsweise kleiner als das Teilintervall selbst ist, entlang der Zeitachse verschoben wird.
-
In einer weiteren Ausführungsform des computerimplementierten Verfahrens kann die Länge des jeweiligen Teilintervalls gemäß einer Abtastrate von realen Sensoren des technischen Systems und/oder gemäß einer Diskretisierung des Simulationsmodells eingestellt werden.
-
Es kann vorteilhaft sein, die Zeitschritte der Auswertung des Simulationsmodells zur Generierung von Trainingsdaten an die Abtastrate von realen Sensoren des technischen Systems, die für eine Prognose reale Messdaten liefern, anzupassen. Damit wird beispielsweise erreicht, dass das Prognosemodell entsprechend der Abtastrate der realen Sensoren trainiert wird. Zusätzlich oder alternativ kann die Länge eines Teilintervalls entsprechend der Zeitdiskretisierung des Simulationsmodells gewählt werden. Damit wird beispielsweise erreicht, dass die Zeitauflösung des Prognosemodells der Zeitauflösung des Simulationsmodells entspricht.
-
In einer weiteren Ausführungsform des computerimplementierten Verfahrens kann die Länge des jeweiligen Teilintervalls in Abhängigkeit einer vorgegebenen Zeitschrittinformation eingestellt und die Zeitschrittinformation dem Trainingsdatenset dieses Teilintervalls zugeordnet werden.
-
Insbesondere kann die Länge verschiedener Teilintervalle unterschiedlich gewählt werden. Somit kann die Länge eines Teilintervalls an die Dynamik des Systems angepasst werden, um beispielsweise verschiedene Prozesse abbilden zu können.
-
In einer weiteren Ausführungsform des computerimplementierten Verfahrens kann mindestens ein Simulationsparameter des Simulationsmodells modifiziert werden, das modifizierte Simulationsmodell erneut ausgeführt und die Simulationsdaten des modifizierten Simulationsmodells zur Generierung weiterer Trainingsdaten zum Trainieren des Prognosemodells ausgewertet werden.
-
Auf diese Weise können insbesondere eine Mehrzahl von Betriebsszenarien des technischen Systems simuliert und daraus Trainingsdaten generiert werden, womit das Prognosemodell verbessert trainiert werden kann, um vorzugsweise eine Vielzahl von Szenarien abzudecken.
-
In einer weiteren Ausführungsform des computerimplementierten Verfahrens können bereitgestellte Messdaten von mindestens einem Sensor zum Generieren von zusätzlichen Trainingsdaten zum Training des Prognosemodells für ein jeweiliges Teilintervall des Zeitintervalls ausgewertet werden, wobei Werte der Messdaten eines Teilintervalls und ein von diesen Werten abhängiger Wert einer gemessenen Zielgröße des auf dieses Teilintervall folgenden Zeitpunkts als zusätzliches Trainingsdatenset, das dem jeweiligen Teilintervall zugeordnet ist, bestimmt werden und das Prognosemodell mittels dieses zusätzlichen Trainingsdatensets trainiert wird.
-
Dies kann vorteilhaft sein, wenn beispielsweise geeignete reale Messdaten realer Sensoren vorliegen. Das Prognosemodell kann demnach insbesondere auch auf Basis von realen Messdaten trainiert werden. Messdaten können beispielsweise vorab erfasst, gespeichert und zum Training bereitgestellt werden. Die realen Messdaten können derart ausgewertet werden, dass auf Basis der Messdaten Ein- und Ausgabedaten als Trainingsdatenset ermittelt werden. Somit können Trainingsdaten für das Training des Prognosemodells mit entsprechend ausgewerteten Sensordaten ergänzt werden, um beispielsweise die Prognosegüte des Prognosemodells zu verbessern.
-
In einer weiteren Ausführungsform des computerimplementierten Verfahrens kann das Prognosemodell auf Basis eines Regressionsverfahrens trainiert werden.
-
Abhängig vom Systemverhalten können verschiedene Regressionsverfahren verwendet werden, wie z.B. ein künstliches Neuronales Netz oder ein Gaußscher Prozess.
-
Gemäß einem weiteren Aspekt betrifft die Erfindung ein computerimplementiertes Verfahren zur Prognose eines Messwerts einer vorgegebenen Messgröße eines technischen Systems mittels eines nach einem der vorher genannten Verfahrensschritten trainierten Prognosemodells, umfassend die folgenden Verfahrensschritte:
- - Einlesen des trainierten Prognosemodells für das technische System,
- - Einlesen von mindestens einem Sensor über ein vorgegebenes Zeitintervall erfassten Messdaten des technischen Systems,
- - Prognostizieren des Messwerts der vorgegebenen Messgröße mittels des Prognosemodells und basierend auf den Messdaten,
- - Ausgeben des prognostizierten Messwerts.
-
Gemäß einem weiteren Aspekt betrifft die Erfindung eine Prognosevorrichtung zur Prognose eines Messwerts einer vorgegebenen Messgröße eines technischen Systems mittels eines trainierten Prognosemodells gemäß einem der oben genannten Verfahrensschritte, umfassend mindestens einen Prozessor, wobei die Prognosevorrichtung derart eingerichtet ist, die folgenden Verfahrensschritte auszuführen:
- - Einlesen des trainierten Prognosemodells für das technische System,
- - Einlesen von mindestens einem Sensor über ein vorgegebenes Zeitintervall erfassten Messdaten des technischen Systems,
- - Prognostizieren des Messwerts der vorgegebenen Messgröße mittels des Prognosemodells und basierend auf den Messdaten,
- - Ausgeben des prognostizierten Messwerts.
-
Da das Prognosemodell auf einem detaillierten Simulationsmodell basiert, kann damit eine detaillierte Prognose eines Messwerts ausgehend von realen Messdaten erzielt werden. Das Prognosemodell ist weniger rechenintensiv als das Simulationsmodell, so dass eine Prognose in Echtzeit bzw. betriebsparallel durchgeführt werden kann.
-
In einer Ausführungsform des computerimplementierten Verfahrens zur Prognose eines Messwerts einer vorgegebenen Messgröße eines technischen Systems mittels eines solchen trainierten Prognosemodells kann das technische System in Abhängigkeit von dem ausgegebenen prognostizierten Messwert gesteuert werden.
-
Beispielsweise kann das technische System in Abhängigkeit des Prognoseergebnisses abgeschaltet, angehalten oder in einen anderen Zustand versetzt werden. Es kann in Abhängigkeit des Prognoseergebnisses außerdem eine Warnmeldung ausgegeben werden, wenn beispielsweise der prognostizierte Messwert nicht einer Vorgabe entspricht.
-
In einer Ausführungsform des computerimplementierten Verfahrens zur Prognose eines Messwerts einer vorgegebenen Messgröße eines technischen Systems mittels eines trainierten Prognosemodells kann eine kontinuierliche Prognose des Messwerts basierend auf kontinuierlich, während des Betriebs des technischen Systems ermittelten Messwerten durchgeführt werden, wobei die Messwerte zu vorgegebenen Teilintervallen eines Zeitintervalls ermittelt werden, und mittels des Prognosemodells ein Zeitverlauf des Messwerts ausgegeben wird.
-
Gemäß einem weiteren Aspekt betrifft die Erfindung ein System zur Prognose eines Messwerts einer vorgegebenen Messgröße eines technischen Systems mittels eines wie oben beschriebenen, trainierten Prognosemodells, umfassend eine Prognosevorrichtung zur Prognose eines Messwerts einer vorgegebenen Messgröße eines technischen Systems und mindestens einen Sensor.
-
Der mindestens eine Sensor stellt reale Sensordaten bereit, die als Eingangsdaten dem trainierten Prognosemodell übergeben werden. Ausgehend von diesen Eingangsdaten und mittels des Prognosemodells wird ein Messwert einer vorgegebenen Messgröße prognostiziert.
-
Des Weiteren betrifft die Erfindung ein Computerprogrammprodukt, das direkt in einen programmierbaren Computer ladbar ist, umfassend Programmcodeteile, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, die Schritte eines oben genannten Verfahrens auszuführen.
-
Ein Computerprogrammprodukt kann beispielsweise auf einem Speichermedium, wie z.B. Speicherkarte, USB-Stick, CD-ROM, DVD, ein nichtflüchtiger/dauerhaftes Speichermedium (engl. Non-transitory storage Medium) oder auch in Form einer herunterladbaren Datei von einem Server in einem Netzwerk bereitgestellt oder geliefert werden.
-
Ausführungsbeispiele der Erfindung sind in den Zeichnungen beispielhaft dargestellt und werden anhand der nachfolgenden Beschreibung näher erläutert. Es zeigen:
- 1 ein Ausführungsbeispiel eines erfindungsgemäßen computerimplementierten Verfahrens zum Generieren eines trainierten Prognosemodells für ein technisches System zur Prognose eines Messwerts einer Messgröße des technischen Systems;
- 2 ein weiteres Ausführungsbeispiel eines erfindungsgemäßen computerimplementierten Verfahrens zum Generieren eines trainierten Prognosemodells für ein technisches System zur Prognose eines Messwerts einer Messgröße des technischen Systems;
- 3 ein Ausführungsbeispiel eines erfindungsgemäßen computerimplementierten Verfahrens zur Prognose eines Messwerts einer vorgegebenen Messgröße eines technischen Systems mittels eines trainierten Prognosemodells;
- 4 ein Ausführungsbeispiel eines erfindungsgemäßen Generators zum Generieren eines trainierten Prognosemodells für ein technisches System zur Prognose eines Messwerts einer Messgröße des technischen Systems;
- 5 ein Ausführungsbeispiel einer erfindungsgemäßen Prognosevorrichtung zur Prognose eines Messwerts einer vorgegebenen Messgröße eines technischen Systems mittels eines erfindungsgemäß trainierten Prognosemodells; und
- 6 ein Ausführungsbeispiel eines erfindungsgemäßen Systems zur Prognose eines Messwerts einer vorgegebenen Messgröße eines technischen Systems mittels eines erfindungsgemäß trainierten Prognosemodells.
-
Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.
-
Insbesondere zeigen die nachfolgenden Ausführungsbeispiele lediglich beispielhafte Realisierungsmöglichkeiten, wie insbesondere solche Realisierungen der erfindungsgemäßen Lehre aussehen könnten, da es unmöglich und auch für das Verständnis der Erfindung nicht zielführend oder notwendig ist, all diese Realisierungsmöglichkeiten zu benennen.
-
1 zeigt ein Ablaufdiagramm eines Ausführungsbeispiels eines erfindungsgemäßen computerimplementierten Verfahrens zum Generieren eines trainierten Prognosemodells für ein technisches System zur Prognose eines Messwerts einer Messgröße des technischen Systems. Das technische System kann beispielsweise eine verfahrenstechnische Anlage oder ein Kraftwerk sein.
-
Im ersten Schritt S1 des Verfahrens wird ein computergestütztes Simulationsmodell für das technische System eingelesen. Vorzugsweise ist das Simulationsmodell derart ausgestaltet, dass damit der Betrieb des technischen Systems im Detail simuliert werden kann, d.h. das Betriebsverhalten und die Physik des technischen Systems detailliert abgebildet wird.
-
Im nächsten Schritt S2 wird das computergestützte Simulationsmodell für ein vorgegebenes Zeitintervall ausgeführt. In anderen Worten, der Betrieb des technischen Systems wird für ein Zeitintervall simuliert. Die resultierenden Simulationsdaten werden zur weiteren Analyse ausgegeben und/oder gespeichert. Die Simulationsdaten umfassen vorzugsweise eine Abhängigkeit einer simulierten Zielgröße von simulierten Messgrö-ßen. In anderen Worten, mit der Simulation, auch als Softsensor bezeichnet, werden Informationen zum Systemzustand während des Betriebs modelliert. Der Softsensor ist folglich kein real existierender, sondern ein Modell, welches anhand von stellvertretenden Messgrößen die Zielgröße bestimmt. Somit wird die Zielgröße nicht direkt gemessen, sondern anhand zu ihr korrelierender Messgrößen bestimmt.
-
Im nächsten Schritt S3 werden die Simulationsdaten ausgewertet, um Trainingsdaten zum Trainieren eines Prognosemodells zu generieren. Die Simulationsdaten werden für mindestens ein Teilintervall des Zeitintervalls ausgewertet. Vorzugsweise werden Teilintervalle, wie z.B. gleitende Teilintervalle, vorab definiert. In anderen Worten, für einen Datensatz von Zeitschritten und zugehörigen simulierten Werten wird eine feste Anzahl von Zeitschritten genutzt und für den nächsten Zeitschritt die Zielgröße vorhergesagt.
-
Für ein Teilintervall werden die Simulationsdaten analysiert, wobei Werte der simulierten Messgrößen des Teilintervalls und ein von diesen Werten abhängiger Wert der simulierten Zielgröße des auf dieses Teilintervall folgenden Zeitpunkts ermittelt werden. Diese Werte der simulierten Messgrößen und der Wert der simulierten Zielgröße werden als ein Trainingsdatenset, welches dem jeweiligen Teilintervall zugeordnet ist, ausgegeben. Somit umfasst ein Trainingsdatenset eines Teilintervalls jeweils Eingangsgrößen und eine Ausgangsgröße zum Trainieren des Prognosemodells. Die simulierten Messgrößen entsprechen somit den Eingangsgrößen und die simulierte Zielgröße der Ausgangsgröße. Die ermittelten Trainingsdaten umfassen mindestens ein Trainingsdatenset.
-
Zusätzlich zur Auswertung von Simulationsdaten können auch bereitgestellte, beispielsweise historische, Messdaten von Sensoren des technischen Systems derart ausgewertet werden, dass mindestens ein Trainingsdatenset aus Ein- und Ausgabedaten für das Training des Prognosemodells ermittelt wird. Diese realen Messdaten können ebenso für mindesten ein Teilintervall des Zeitintervalls ausgewertet werden, wobei Werte der Messdaten des Teilintervalls und ein von diesen Werten abhängiger Wert einer Zielgröße des auf dieses Teilintervall folgenden Zeitpunkts ermittelt werden. Somit können die Trainingsdaten für das Training des Prognosemodells mittels zusätzlichen Trainingsdaten auf Basis von realen Messungen angereichert werden. Dies kann insbesondere die Prognosegüte des Prognosemodells weiter erhöhen.
-
Vorzugsweise kann das Simulationsmodell modifiziert werden, indem mindestens ein Simulationsparameter anders eingestellt wird, und erneut ausgeführt werden, um weitere Trainingsdaten zu generieren. Auf diese Weise können verschiedene Simulationsmodelle für unterschiedliche Betriebsparameter des technischen Systems ausgewertet und die entsprechenden Simulationsdaten als synthetische Lerndaten zur Erstellung eines echtzeitfähigen Prognosemodells genutzt werden.
-
Im nächsten Schritt S4 wird das computergestützte Prognosemodell, vorzugsweise ein Regressionsmodell, für das technische System mittels der generierten Trainingsdaten trainiert. Das Prognosemodell wird dabei derart eingerichtet, dass es eine Vorhersage eines Messwerts einer Messgröße des technischen Systems ausgehend von realen Messdaten ermöglicht. Das Prognosemodell kann beispielsweise ein Neuronales Netz sein, dessen Gewichte der künstlichen Neuronen mittels der Trainingsdaten eingestellt werden.
-
Im nächsten Schritt S5 wird das trainierte Prognosemodell zur Prognose eines Messwerts des technischen Systems ausgegeben. Das trainierte Prognosemodell kann beispielsweise parallel zum Betrieb des technischen Systems angewandt werden, wobei ausgehend von realen Messdaten ein Wert einer Messgröße des technischen Systems prognostiziert wird.
-
2 zeigt schematisch ein Ausführungsbeispiel eines erfindungsgemäßen computerimplementierten Verfahrens zum Generieren eines trainierten Prognosemodells für ein technisches System zur Prognose eines Messwerts einer Messgröße des technischen Systems.
-
Mittels eines computergestützten Simulationsmodells SM des technischen Systems, das vorzugsweise den Betrieb des technischen Systems im Detail abbildet, werden Simulationsdaten SD generiert, indem das Simulationsmodell SM für ein Zeitintervall mit einer vorgegebenen Länge N ausgewertet wird. Die Simulationsdaten SD umfassen dabei eine Abhängigkeit einer simulierten Zielgröße simZG von simulierten Messgrößen simMG. Die simulierten Messgrößen simMG können auch als stellvertretende Größen bezeichnet werden. Für das Zeitintervall N umfassen somit die Simulationsdaten simulierte Messgrößen x1, x2, ..., xN, welche zu vorgegebenen Zeitschritten t1, t2, ..., tN, Werte aufweisen, wie z.B. x1(t1), x1(t2), ..., x1(tN). Ebenso weist die simulierte Zielgröße y zu den vorgegebenen Zeitschritten t1, t2, ..., tN Werte y(t1), y(t2), ..., y(tN) auf. Die Zeitschritte t1, t2, ..., tN sind durch die Zeitdiskretisierung der Simulation definiert.
-
Die Simulationsdaten SD werden anschließend analysiert, Schritt S3, um Trainingsdaten TD zu generieren. Das Prognosemodell PM wird anschließend mittels der Trainingsdaten TD trainiert. Die Trainingsdaten umfassen mindestens ein Trainingsdatenset, welches aus Eingangsdaten MGin und Ausgangsdaten ZGout besteht. Für die Auswertung der Simulationsdaten SD zum Generieren der Trainingsdaten TD wird das Zeitintervall in Teilintervalle zerlegt. Vorzugsweise werden die Teilintervalle entsprechend der Diskretisierung der Simulation und/oder entsprechend einer Abtastrate der realen Sensoren des technischen Systems gewählt. Insbesondere können die Teilintervalle als gleitende Teilintervalle definiert werden, wobei die Teilintervalle jeweils um einen Zeitschritt verschoben werden. Für eine jeweilige Messgröße x1, x2, ..., xN kann somit eine Vielzahl von Trainingsdatensets generiert werden.
-
Ein Trainingsdatenset, das einem Teilintervall mit Länge k zugeordnet ist, umfasst beispielsweise Werte simulierter Messgrößen x1(t1), x1(t2), ..., x1(tk) und einen davon abhängigen Wert einer simulierten Zielgröße y(tk+1) zum Zeitpunkt k+1, der auf dieses Teilintervall mit Länge k folgt.
-
3 zeigt ein Ausführungsbeispiel eines erfindungsgemäßen computerimplementierten Verfahrens zur Prognose eines Messwerts einer vorgegebenen Messgröße eines technischen Systems mittels eines erfindungsgemäß trainierten Prognosemodells. Die Schritte des Verfahrens werden anhand eines Ablaufdiagramms erläutert.
-
Im ersten Schritt S10 wird das trainierte Prognosemodell für das technische System eingelesen. Vorzugsweise wird mittels einer Vielzahl von Simulationsmodellen für verschiedene Betriebsszenarien des technischen Systems eine Vielzahl an Simulationsdaten und daraus Trainingsdaten zum Trainieren des Prognosemodells generiert, so dass das Prognosemodell eingerichtet ist, einen Messwert einer vorgegebenen Messgröße des technischen Systems zu einem Zeitpunkt ausgehend von realen Messdaten des technischen Systems zu reproduzieren. Die zu bestimmende, vorgegebene Messgröße entspricht insbesondere der simulierten Zielgröße, für deren Prognose das Prognosemodell eingerichtet ist.
-
Im Schritt S20 werden Messdaten des technischen Systems, die mittels mindestens eines Sensors erfasst wurden, eingelesen. Die erfassten Sensordaten werden folglich als Eingabedaten für das Prognosemodell genutzt. Der Wert der Messgröße soll für einen vorgegebenen Zeitpunkt prognostiziert werden. Demnach werden Messdaten in einem Teilintervall eines Zeitintervalls, das zeitlich vor diesem vorgegeben Zeitpunkt liegt, als Eingabedaten genutzt.
-
Das Prognosemodell ist vorzugsweise derart eingerichtet, basierend auf einer zuvor festgelegten Anzahl an Werten von stellvertretenden Messgrößen jeweils die Zielgröße im darauffolgenden Zeitschritt abzubilden. Diese Vorhersage kann in Echtzeit erfolgen. Somit dient das Prognosemodell als virtueller Sensor und kann beispielsweise in eine Anlagensteuerung mit integriert und im Betrieb der Anlage verwendet werden.
-
Im Schritt S30 wird mittels des trainierten Prognosemodells und ausgehend von den eingelesenen Messdaten der Messwert der Messgröße des technischen prognostiziert. Der Messwert wird im Schritt S40 ausgegeben.
-
Die Prognose kann beispielsweise betriebsbegleitend durchgeführt werden. So können beispielsweise Messdaten parallel zum Betrieb des technischen Systems in vorgegebenen Teilintervallen erfasst und daraus mittels des Prognosemodells eine Zeitreihe der Messgröße zu ermitteln und auszugeben.
-
4 zeigt schematisch ein Ausführungsbeispiel eines erfindungsgemäßen Generators GEN zum Generieren eines trainierten Prognosemodells für ein technisches System zur Prognose eines Messwerts einer Messgröße des technischen Systems. Der Generator GEN umfasst mindestens eine Prozessor P1 und ist derart eingerichtet, das Verfahren zum Generieren eines trainierten Prognosemodells, wie beispielshaft in 1 gezeigt, auszuführen. Der Generator GEN kann eine Schnittstelle IF1 umfassen, die derart eingerichtet ist, ein computergestütztes Simulationsmodell für das technische System einzulesen. Der Generator GEN kann weiter ein Simulationsmodul SIM umfassen, welches derart eingerichtet ist, eine computergestützte Simulation auf Basis des eingelesenen Simulationsmodells auszuführen, um Simulationsdaten zu generieren. Der Generator GEN kann ein Analysemodul AM umfassen, welches derart eingerichtet ist, die Simulationsdaten zum Generieren von Trainingsdaten auszuwerten. Der Generator GEN kann eine Speichereinheit S1 umfassen, die beispielsweise eingerichtet ist, das eingelesene Simulationsmodell, die Trainingsdaten und/oder generierten Simulationsdaten zu speichern. Der Generator GEN kann ein Trainingsmodul TM umfassen, das derart eingerichtet ist, das Prognosemodell für das technische System mittels der generierten Trainingsdaten zu trainieren. Das trainierte Prognosemodell kann über die Schnittstelle IF1 des Generators GEN ausgegeben werden. Der Generator GEN kann beispielsweise mit einer Prognosevorrichtung über eine Kommunikationsverbindung C gekoppelt sein, so dass das trainierte Prognosemodell der Prognosevorrichtung übergeben werden kann. Die einzelnen Module des Generators GEN können als Hardware und/oder Software realisiert werden.
-
5 zeigt schematisch ein Ausführungsbeispiel einer erfindungsgemäßen Prognosevorrichtung PD zur Prognose eines Messwerts einer vorgegebenen Messgröße eines technischen Systems mittels eines erfindungsgemäß trainierten Prognosemodells. Die Prognosevorrichtung umfasst mindestens einen Prozessor P2 und ist derart eingerichtet, die Verfahrensschritte zur Prognose eines Messwerts einer vorgegebenen Messgröße, wie beispielsweise in 3 gezeigt, auszuführen. Die Prognosevorrichtung PD kann eine Schnittstelle IF2 umfassen, die derart eingerichtet ist, das trainierte Prognosemodell und Messdaten, die von mindestens einem Sensor des technischen Systems erfasst wurden, einzulesen. Weiter kann die Prognosevorrichtung PD ein Prognosemodul PRO umfassen, das derart eingerichtet ist, mittels des trainierten Prognosemodells und basierend auf den eingelesenen Messdaten den Messwert der Messgröße zu prognostizieren. Über die Schnittstelle IF2 der Prognosevorrichtung PD kann der prognostizierte Messwert ausgegeben werden. Die Prognosevorrichtung PD ist beispielsweise über eine Kommunikationsverbindung C mit einem Generator zum Generieren eines trainierten Prognosemodells und/oder mit mindestens einem Sensor des technischen Systems verbunden, um mit diesen Einheiten Daten auszutauschen. Die einzelnen Module der Prognosevorrichtung PD können als Hardware und/oder Software realisiert werden.
-
6 zeigt schematisch ein Ausführungsbeispiel eines erfindungsgemäßen System 100 zur Prognose eines Messwerts einer vorgegebenen Messgröße eines technischen Systems TS mittels eines erfindungsgemäß trainierten Prognosemodells. Das System 100 umfasst eine Prognosevorrichtung PD, wie beispielsweise in 5 gezeigt, und mindestens einen Sensor S, der Messdaten des technischen Systems TS erfasst. Das System 100 kann insbesondere mit dem technischen System TS gekoppelt sein. Das System 100 kann insbesondere mit einem Generator GEN zum Generieren eines trainierten Prognosemodells, wie beispielhaft in 4 gezeigt, über eine Kommunikationsverbindung C gekoppelt sein.
-
Ein technisches System TS kann beispielsweise ein Gas-und-Dampf-Kraftwerk sein, für welches beispielsweise ein Temperaturwert für eine Abgastemperatur in einem Abhitzedampferzeuger prognostiziert werden soll. In diesem Beispiel kann dieser Temperaturwert nicht direkt mittels eines realen Sensors gemessen werden, da eine Installation eines Sensors zur direkten Messung dieses Temperaturwerts nur schwer realisierbar ist. So kann der Temperaturwert mittels des Prognosemodells, das als virtueller Sensor fungiert, ermittelt werden. Vorzugsweise soll dieser Temperaturwert betriebsparallel ermittelt werden. Das Prognosemodell kann betriebsparallel die Temperaturwerte im Abhitzedampferzeuger auf Basis von Messdaten als Eingangsdaten, die mittels Sensoren des Gas-und-Dampfkraftwerks erfasst werden, prognostizieren. Das technische System TS kann insbesondere abhängig von einem Prognoseergebnis gesteuert werden.
-
Alle beschriebenen und/oder gezeichneten Merkmale können im Rahmen der Erfindung vorteilhaft miteinander kombiniert werden. Die Erfindung ist nicht auf die beschriebenen Ausführungsbeispiele beschränkt.
