DE102022212907A1 - Computerimplementiertes Verfahren und Vorrichtung zur Vorhersage eines Zustandes eines technischen Systems - Google Patents

Computerimplementiertes Verfahren und Vorrichtung zur Vorhersage eines Zustandes eines technischen Systems Download PDF

Info

Publication number
DE102022212907A1
DE102022212907A1 DE102022212907.5A DE102022212907A DE102022212907A1 DE 102022212907 A1 DE102022212907 A1 DE 102022212907A1 DE 102022212907 A DE102022212907 A DE 102022212907A DE 102022212907 A1 DE102022212907 A1 DE 102022212907A1
Authority
DE
Germany
Prior art keywords
prediction
technical system
value
time series
state
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102022212907.5A
Other languages
English (en)
Inventor
Karim Said Mahmoud Barsim
Michael Tiemann
Sebastian Trimpe
Sebastian Ziesche
Barbara Rakitsch
Katharina Ensinger
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Rheinisch Westlische Technische Hochschuke RWTH
Original Assignee
Robert Bosch GmbH
Rheinisch Westlische Technische Hochschuke RWTH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH, Rheinisch Westlische Technische Hochschuke RWTH filed Critical Robert Bosch GmbH
Priority to DE102022212907.5A priority Critical patent/DE102022212907A1/de
Priority to US18/521,038 priority patent/US20240176318A1/en
Priority to CN202311628649.3A priority patent/CN118114783A/zh
Publication of DE102022212907A1 publication Critical patent/DE102022212907A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

Vorrichtung und computerimplementiertes Verfahren zur Vorhersage eines Zustandes eines technischen Systems, wobei ein Zustand des technischen Systems erfasst und eine Zeitreihe bereitgestellt wird (300), die Werte umfasst, die einen Verlauf des erfassten Zustandes des technischen Systems charakterisieren, wobei mit einem lernbasierten Modell zur Vorhersage des Kurzzeitverhaltens des technischen Systems ein erster Wert für die Vorhersage abhängig von den Werten der Zeitreihe und mit einem physikalischen Modell zur Vorhersage des Langzeitverhaltens des technischen Systems ein zweiter Wert für die Vorhersage abhängig von den Werten der Zeitreihe bestimmt wird (304), und wobei ein Wert der Vorhersage abhängig vom ersten Wert für die Vorhersage und dem zweiten Wert für die Vorhersage bestimmt wird (306).

Description

  • Stand der Technik
  • Die Erfindung betrifft ein computerimplementiertes Verfahren und eine Vorrichtung zur Vorhersage eines Zustandes eines technischen Systems.
  • Die Vorhersage ist durch lernbasierte Methoden oder Methoden der hybriden Modellierung möglich.
  • Offenbarung der Erfindung
  • Durch das computerimplementierte Verfahren und die Vorrichtung gemäß den unabhängigen Ansprüchen wird eine sehr präzise Modellierung des Langzeitverhaltens ohne Präzisionsverlust bei der Modellierung des Kurzzeitverhaltens eines technischen Systems ermöglicht.
  • Das computerimplementiertes Verfahren zur Vorhersage eines Zustandes eines technischen Systems sieht vor, dass ein Zustand des technischen Systems erfasst und eine Zeitreihe bereitgestellt wird, die Werte umfasst, die einen Verlauf des erfassten Zustandes des technischen Systems charakterisieren, wobei mit einem lernbasierten Modell zur Vorhersage des Kurzzeitverhaltens des technischen Systems ein erster Wert für die Vorhersage abhängig von den Werten der Zeitreihe und mit einem physikalischen Modell zur Vorhersage des Langzeitverhaltens des technischen Systems ein zweiter Wert für die Vorhersage abhängig von den Werten der Zeitreihe bestimmt wird, und wobei ein Wert der Vorhersage abhängig vom ersten Wert für die Vorhersage und dem zweiten Wert für die Vorhersage bestimmt wird. Dies nutzt eine hybride Modellierung aus, um die Vorhersage mit zuverlässigem Verhalten zu bestimmen.
  • Vorzugsweise wird der erste Wert für die Vorhersage abhängig von mit einem ersten Filter gefilterten Werten, die abhängig von der Zeitreihe mit dem lernbasierten Modell bestimmt werden, bestimmt, wobei der zweite Wert für die Vorhersage abhängig von mit einem zweiten Filter gefilterten Werten, die abhängig von der Zeitreihe mit dem physikalischen Modell bestimmt werden, bestimmt wird, wobei das erste Filter ein zum zweiten Filter, insbesondere einem Tiefpass, komplementäres Filter, insbesondere ein Hochpass, ist. Das physikalische Modell stellt einen Simulator für das Langzeitverhalten dar, der bekannte physikalische Kenntnisse über das technische System umfasst.
  • Vorzugsweise wird das lernbasierte Modell abhängig von einer ersten Zeitreihe trainiert, wobei die erste Zeitreihe mit dem ersten Filter abhängig von einer Zeitreihe bestimmt wird, die einen zeitlichen Verlauf des Zustandes des technischen Systems repräsentiert. Das erste Modell wird für die gemeinsame Vorhersage des Kurz- und des Langzeitverhaltens trainiert.
  • Vorzugsweise wird der Wert der Vorhersage abhängig von einer Summe des ersten Werts für die Vorhersage und des zweiten Werts für die Vorhersage bestimmt. Die resultierende Vorhersage umfasst beide Anteile, insbesondere für die Kurz- und die Langzeitvorhersage.
  • Vorzugsweise ist vorgesehen, dass abhängig von der Vorhersage ein Parameter für den Betrieb des technischen Systems oder ein Langzeitverhalten des technischen Systems bestimmt wird.
  • Die Vorrichtung zur Vorhersage eines Zustandes eines technischen Systems umfasst wenigstens einen Prozessor und wenigstens einen Speicher, wobei der wenigstens eine Prozessor ausgebildet ist, maschinenlesbare Instruktionen auszuführen, bei deren Ausführung durch den Prozessor das Verfahren abläuft.
  • Vorzugsweise umfasst die Vorrichtung einen Sensor zur Erfassung von Sensordaten oder eine Schnittstelle zur Kommunikation mit einem Sensor zur Erfassung von Sensordaten, wobei die Sensordaten einen Verlauf eines Zustandes des technischen Systems umfassen.
  • Es kann ein Programm vorgesehen sein, welches computerlesbare Instruktionen umfasst, bei deren Ausführung durch einen Computer das Verfahren abläuft.
  • Weitere vorteilhafte Ausführungsformen sind der folgenden Beschreibung und der Zeichnung entnehmbar. In der Zeichnung zeigt:
    • 1 eine schematische Vorrichtung zur Vorhersage eines Zustandes eines technischen Systems,
    • 2a Schritte zum Training von Modellen zur Vorhersage des Zustandes des technischen Systems,
    • 2b Schritte zur Vorhersage des Zustandes des technischen Systems mit den Modellen,
    • 3a Schritte zum Training eines hybriden Modells zur Vorhersage des Zustandes des technischen Systems,
    • 3b Schritte zur Vorhersage des Zustandes des technischen Systems mit dem hybriden Modell.
  • In 1 ist eine Vorrichtung 100 zur Vorhersage eines Zustandes eines technischen Systems 102 schematisch dargestellt. Das technische System 102 ist ein real existierendes System. Das technische System 102 ist ein physikalisches System. Beispielsweise ist das technische System 102 ein robotisches Gerät. Beispielsweise ist das technische System 102 ein Roboter. Beispielsweise ist das technische System 102 ein Fahrzeug, ein Elektrowerkzeug, eine Fertigungsmaschine, ein Haushaltsgerät, ein Zutrittskontrollsystem oder ein persönliches Assistenzsystem.
  • Die Vorrichtung 100 umfasst wenigstens einen Prozessor 104 und wenigstens einen Speicher 106. Die Vorrichtung 100 umfasst im Beispiel eine Schnittstelle 108 zur Kommunikation mit einem Sensor 110 zur Erfassung von Sensordaten 112. Die Vorrichtung 100 kann den Sensor 110 umfassen.
  • Die Sensordaten 112 erfassen einen Verlauf eines Zustandes des technischen Systems 102.
  • Der Verlauf betrifft z.B. eine Position oder einen Energieverbrauch des technischen Systems 102, thermische Daten über das technische System 102, oder elektrische oder mechanische Größen.
  • Der Sensor 110 umfasst z.B. einen Beschleunigungssensor oder einen Drehratensensor. Der durch die Vorhersage vorhergesagte Zustand ist z.B. eine Position des technischen Systems 102 im Raum.
  • Der wenigstens eine Prozessor 104 ist ausgebildet, maschinenlesbare Instruktionen auszuführen, bei deren Ausführung durch den Prozessor 104 ein im Folgenden beschriebenes Verfahren abläuft.
  • Das Verfahren sieht z.B. vor, dass ein Zustand des technischen Systems 102 in der Zukunft vorhergesagt wird auf Basis eines kurzen Zeitintervalls von Messdaten des Sensors 110. Das ist zum Beispiel wichtig, um den Zustand in verschiedenen Szenarien zu simulieren und damit die besten Parameter für einen Betrieb des technischen Systems 102 zu finden.
  • Beispielsweise sieht das Verfahren vor, dass abhängig von der Vorhersage ein Parameter für den Betrieb des technischen Systems 102 bestimmt wird.
  • Das Langzeitverhalten wird z.B. für verschiedene Einstellungen des technischen Systems 102, d.h. z.B. Einstellungen mit unterschiedlichen Parametern, bestimmt.
  • Der Parameter für den Betrieb des technischen Systems 102 ist z.B. ein Reglerparameter, insbesondere eine Verstärkung oder Totzeit, für einen Regler zur Ansteuerung des technischen Systems 102.
  • Beispielsweise wird das technische System 102 abhängig von der Vorhersage des Zustandes mit dem Regler geregelt.
  • Beispielsweise wird die Position des technischen Systems 102 im Raum, insbesondere mit einem Antrieb zur Bewegung des technischen Systems 102 im Raum, abhängig von der Vorhersage für die Position geregelt.
  • Durch wiederholte Ausführung der Vorhersage zur Bestimmung einer Zeitreihe mit dem Verfahren, die aufeinander aufbauende Werte der Vorhersage umfasst, wird insbesondere ein Langzeitverhalten des technischen Systems robust vorhergesagt.
  • Beispielsweise sieht das Verfahren vor, dass abhängig von der Vorhersage ein Langzeitverhalten des technischen Systems 102 bestimmt wird.
  • Beispielsweise wird ein Verschleiß des technischen Systems 102 abhängig von der Vorhersage des Zustandes bestimmt.
  • Beispielsweise wird ein Verschleiß des technischen Systems 102 abhängig von der Vorhersage des Langzeitverhaltens bestimmt.
  • Der wenigstens einen Speicher 104 umfasst z.B. ein Programm das computerlesbare Instruktionen umfasst, bei deren Ausführung durch den wenigstens einen Prozessor 104 oder einen anderen Computer, das Verfahren abläuft.
  • Das Verfahren wird in einer ersten Ausführungsform des Verfahrens mit einem ersten Modell fh zur Vorhersage des Kurzzeitverhaltens und einem zweiten Modell fl zur Vorhersage des Langzeitverhaltens beschrieben.
  • Das Verfahren wird in einer zweiten Ausführungsform des Verfahrens mit einem hybriden Modell beschrieben. Dieses hybride Modell umfasst ein lernbasiertes Modell zur Vorhersage des Kurzzeitverhaltens und ein physikalisches Modell zur Vorhersage des Langzeitverhaltens. Das physikalische Modell basiert auf Kenntnissen des technischen Systems oder eines Teils des technischen Systems.
  • In 2a sind Schritte zum Training des ersten Modells fh und des zweiten Modells fl gemäß der ersten Ausführungsform dargestellt.
  • In einem Schritt 200 wird ein Zustand des technischen Systems 102 erfasst und eine Zeitreihe y0:n bereitgestellt, die Werte umfasst, die einen Verlauf des Zustandes des technischen Systems 102 charakterisieren.
  • Der Verlauf des erfassten Zustandes wird z.B. jeweils für einen Zeitpunkt abhängig von einer additiven Überlagerung der für diesen Zeitpunkt aus den erfassten Signalen bestimmten Positionen bestimmt.
  • In einem Schritt 201 werden mit einem ersten Filter H(y) erste gefilterte Werte abhängig von den Werten der Zeitreihe bestimmt: y h = H ( y )
    Figure DE102022212907A1_0001
  • Im Schritt 201 werden mit einem zweiten Filter zweite gefilterte Werte abhängig von den Werten der Zeitreihe bestimmt: y l = L ( y )
    Figure DE102022212907A1_0002
  • Das erste Filter ist ein zum zweiten Filter komplementäres Filter. Komplementär bedeutet in diesem Kontext, dass eine Rekonstruktion oder im Wesentlichen eine Rekonstruktion eines Eingangssignals, durch zwei Signale möglich ist, welche durch Filtern dieses Eingangssignals mit den beiden Filtern entstanden.
  • Das erste Filter ist im Beispiel ein Tiefpass. Das zweite Filter ist im Beispiel ein Hochpass. Der Tiefpass weist eine Grenzfrequenz auf. Der Hochpass weist im Beispiel dieselbe Grenzfrequenz auf. Der Hochpass kann auch eine höhere Grenzfrequenz als der Tiefpass aufweisen.
  • Mit dem ersten Filter wird im Beispiel abhängig von der Zeitreihe, die den zeitlichen Verlauf des Zustandes des technischen Systems 102 repräsentiert, eine erste Zeitreihe bestimmt.
  • Mit dem zweiten Filter wird im Beispiel abhängig von der Zeitreihe, die den zeitlichen Verlauf des Zustandes des technischen Systems 102 repräsentiert, eine gefilterte Zeitreihe bestimmt.
  • In einem Schritt 202 werden abgetastete Werte mittels Abtasten bestimmt. Dies reduziert die Datenmenge für das Training.
  • Im Beispiel wird eine zweite Zeitreihe mit der Abtastrate aus der gefilterten Zeitreihe bestimmt. Das bedeutet, die zweite Zeitreihe umfasst mit der Abtastrate abgetastete Werte: y l , d = y 0, k ,2 k , …
    Figure DE102022212907A1_0003
  • Im Beispiel werden die k-ten, der gefilterten zweiten Werte mit einer Abtastrate k bestimmt. Die Abtastrate k kann bis hin zur Nyquistfrequenz der gefilterten Zeitreihe reduziert sein. Das erlaubt das Trainieren eines weniger detaillierten, aber robusten Signals.
  • In einem Schritt 203 werden die Modelle trainiert. Beispielsweise werden die Modelle einzeln oder gemeinsam trainiert. Die Modelle können neuronale Netze umfassen, die z.B. mittels Gradientenabstiegsverfahren trainiert werden.
  • Beispielsweise ist vorgesehen, dass in einem Labor am physikalischen System 102 mit dem Drehratensensor oder dem Beschleunigungssensor Messdaten aufgenommen werden, die einen Sensormesswert über die Zeit beschreiben. Mit diesen Messdaten werden die Modelle trainiert.
  • Das erste Modell fh wird abhängig von der ersten Zeitreihe trainiert, wobei gilt y n + 1 l , d = f h ( y n h )
    Figure DE102022212907A1_0004
  • Das zweite Modell fl wird abhängig von der zweiten Zeitreihe trainiert, wobei gilt y n + 1 l , d = f l ( y n l , d )
    Figure DE102022212907A1_0005
  • Beispielsweise wird im Training ein Signal y zerlegt über ein Paar komplementärer Filter H und L: y ^ h = H ( y ^ )
    Figure DE102022212907A1_0006
     y ^ t = L ( y ^ )
    Figure DE102022212907A1_0007
  • Das Signal ŷl wird anschließend mit der Abtastrate k abgetastet, d.h. downgesampelt. Je ein neuronales Netz, z.B. getrennte rekurrente Netzwerke wie Gated Recurrent Units, GRUs, werden auf je eine dieser Komponenten trainiert.
  • Während einer Prädiktionsphase im Training werden beide Netze genutzt, um Vorhersagen für yh bzw. yl zu lernen. Die Vorhersage für yl wird wieder auf die notwendige Auflösung gebracht, d.h. upgesampelt. Die Vorhersage y wird im Beispiel durch Addition der beiden Komponenten bestimmt: y = H ( y h ) + L ( y l )
    Figure DE102022212907A1_0008
  • In 2b sind Schritte zur Vorhersage des Zustandes des technischen Systems 102 gemäß der ersten Ausführungsform dargestellt.
  • Die Schritte 200 bis 202 sind wie oben beschrieben vorgesehen. Der Schritt 203 entfällt.
  • In einem Schritt 204 wird ein erster Wert yh für die Vorhersage abhängig von den gefilterten ersten Werten bestimmt. y n + 1 h = f h ( y n h )
    Figure DE102022212907A1_0009
  • Im Schritt 204 werden abhängig von den abgetasteten Werten wenigstens zwei vorhergesagte Werte yl,d bestimmt. y n + 1 l , d = f l ( y n l , d )
    Figure DE102022212907A1_0010
  • In einem Schritt 205 wird ein zweiter Wert yl für die Vorhersage bestimmt.
  • Der zweite Wert yl wird abhängig von den wenigstens zwei vorhergesagten Werten y n + 1 l , d
    Figure DE102022212907A1_0011
    insbesondere mittels Interpolation abhängig von der Abtastrate k bestimmt.
  • Das bedeutet, der zweite Wert für die Vorhersage wird abhängig von den gefilterten zweiten Werten bestimmt.
  • Das bedeutet, der zweite Wert für die Vorhersage wird abhängig von den abgetasteten Werten bestimmt.
  • In einem Schritt 206 wird ein Wert der Vorhersage abhängig vom ersten Wert für die Vorhersage und dem zweiten Wert für die Vorhersage bestimmt.
  • Im Beispiel wird der Wert der Vorhersage abhängig von der Summe des ersten Werts für die Vorhersage und des zweiten Werts für die Vorhersage bestimmt, z.B.: y = y h + y l
    Figure DE102022212907A1_0012
  • Beispielsweise werden mit gegebenen Anfangswerten von Sensormesswerten des technischen Systems 102 zukünftige Werte vorhergesagt. Es kann vorgesehen sein, daraus im Nachgang eine entspreche Steuerung des technischen Systems 102 abzuleiten.
  • In 3a sind Schritte zum Training des lernbasierten Modells gemäß der zweiten Ausführungsform dargestellt.
  • Die Schritte 300 bis 302 werden z.B. wie für die Schritte 200 bis 202 beschrieben ausgeführt.
  • Es kann vorgesehen sein, dass in einem Schritt 301' die Grenzfrequenz bestimmt wird.
  • Die Grenzfrequenz wird z.B. so bestimmt, dass die Frequenzspektren von Simulator und Daten ähnlich genug sind. Der Simulator übernimmt diese Frequenzen im Beispiel während der Vorhersagen. Der entsprechende Hochpassfilter wird komplementär gewählt.
  • In einem Schritt 303 wird ein Teil des hybriden Modells trainiert.
  • Im Beispiel wird das lernbasierte Modell zur Vorhersage eines ersten Werts yr trainiert. Beispielsweise wird ein rekurrentes Netz, welches Vorhersagen des ersten Werts yr produziert, trainiert.
  • Das physikalische Modell ist zur Bestimmung eines zweiten Werts ys mittels physikalischer Gleichungen ausgebildet.
  • Es kann vorgesehen sein, dass das hybride Modell abhängig von einem Referenzwert y trainiert wird, welches in einem Schritt 303' vorgegeben wird.
  • Beispielweise wird mit dem hybriden Modell ein Wert y der Vorhersage bestimmt y = H ( y r ) + L ( y s )
    Figure DE102022212907A1_0013
    und das lernbasierte Modell darauf trainiert, eine Abweichung, insbesondere eine L2 Norm ||y - ŷ||2, dieses Werts y vom Referenzwert ŷ zu minimieren. Beispielsweise wird das lernbasierte Modell darauf trainiert, dass die Abweichung zwischen vorhergesagten Zeitreihen und Trainingsdaten minimiert wird.
  • In 3b sind Schritte zur Vorhersage des Zustandes des technischen Systems 102 gemäß der zweiten Ausführungsform dargestellt.
  • Die Schritte 300 bis 302 werden z.B. wie für die Schritt 200 bis 202 beschrieben ausgeführt. Es kann vorgesehen sein, dass im Schritt 301' die Grenzfrequenz bestimmt wird.
  • In einem Schritt 304 wird ein erster Wert y1 = H(yr) für die Vorhersage mit dem lernbasierten Modell abhängig von den gefilterten ersten Werten bestimmt.
  • Im Schritt 304 wird ein zweiter Wert y2 = H(ys) für die Vorhersage mit dem physikalischen Modell abhängig von den gefilterten zweiten Werten bestimmt.
  • In einem Schritt 306 wird ein Wert der Vorhersage y abhängig vom ersten Wert y1 für die Vorhersage und dem zweiten Wert y2 für die Vorhersage bestimmt.
  • Im Beispiel wird der Wert der Vorhersage abhängig von der Summe des ersten Werts für die Vorhersage und des zweiten Werts für die Vorhersage bestimmt, z.B.: y = y 1 + y 2
    Figure DE102022212907A1_0014
  • Im lernbasierten Ansatz gemäß der ersten Ausführungsform werden Vorhersagen erzeugt, die grundsätzlich ein besseres Langzeitverhalten zeigen, ohne Kurzzeitverhalten einzubüßen. Akkumulierenden Fehler, die bei herkömmlichen GRUs und LSTMs auftreten können, werden vermieden, da eine Integration kleiner Modellfehler in jedem Schritt vermieden wird.
  • Durch die Kombination von Tiefpassfilter und Downsamplen, d.h. Abtasten mit der Abtastrate k, wird das zweite Modell mit stabilem Langzeitverhalten erhalten. Dennoch geht keine Information über das modellierte Signal verloren, da fehlende Information vom ersten Modell ergänzt wird. Zusätzlich lassen sich diese Modelle oft schneller trainieren als Standardmodelle. Das Downsamplen des Tiefpassfilteranteils resultiert in einer höheren Recheneffizienz, da eine kleinere Anzahl rekurrenter Schritte ausgeführt wird.
  • Beim hybriden Modell gemäß der zweiten Ausführungsform werden die verschiedenartigen Modelle unter Ausnutzung ihrer jeweiligen Stärken kombiniert. Insbesondere kann das Langzeitverhalten des physikalischen Modells, d.h. des Simulators, genutzt werden, wobei die Kurzzeitvorhersagen durch das lernbasierte Modell, d.h. die Nutzung von Daten verbessert werden. Durch die Wahl des Filters und insbesondere seiner Grenzfrequenz wird zusätzlich Vorwissen über das Verhalten des Simulators im Frequenzraum genutzt werden.

Claims (9)

  1. Computerimplementiertes Verfahren zur Vorhersage eines Zustandes eines technischen Systems (102), dadurch gekennzeichnet, dass ein Zustand des technischen Systems (102) erfasst und eine Zeitreihe bereitgestellt wird (300), die Werte umfasst, die einen Verlauf des erfassten Zustandes des technischen Systems (102) charakterisieren, wobei mit einem lernbasierten Modell zur Vorhersage des Kurzzeitverhaltens des technischen Systems (102) ein erster Wert für die Vorhersage abhängig von den Werten der Zeitreihe und mit einem physikalischen Modell zur Vorhersage des Langzeitverhaltens des technischen Systems (102) ein zweiter Wert für die Vorhersage abhängig von den Werten der Zeitreihe bestimmt wird (304), und wobei ein Wert der Vorhersage abhängig vom ersten Wert für die Vorhersage und dem zweiten Wert für die Vorhersage bestimmt wird (306).
  2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass der erste Wert für die Vorhersage abhängig von mit einem ersten Filter gefilterten Werten, die abhängig von der Zeitreihe mit dem lernbasierten Modell bestimmt werden, bestimmt wird (304), wobei der zweite Wert für die Vorhersage abhängig von mit einem zweiten Filter gefilterten Werten, die abhängig von der Zeitreihe mit dem physikalischen Modell bestimmt werden, bestimmt wird (304), wobei das erste Filter ein zum zweiten Filter, insbesondere einem Tiefpass, komplementäres Filter, insbesondere ein Hochpass, ist.
  3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass der Tiefpass eine Grenzfrequenz aufweist wobei der Hochpass die Grenzfrequenz oder eine höhere Grenzfrequenz als der Tiefpass aufweist.
  4. Verfahren nach einem der Ansprüche 2 bis 3, dadurch gekennzeichnet, dass das lernbasierte Modell abhängig von einer ersten Zeitreihe trainiert wird (303), wobei die erste Zeitreihe mit dem ersten Filter abhängig von einer Zeitreihe bestimmt wird (300), die einen zeitlichen Verlauf des Zustandes des technischen Systems (102) repräsentiert.
  5. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass der Wert der Vorhersage abhängig von einer Summe des ersten Werts für die Vorhersage und des zweiten Werts für die Vorhersage bestimmt wird (306).
  6. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass abhängig von der Vorhersage ein Parameter für den Betrieb des technischen Systems (102) oder ein Langzeitverhalten des technischen Systems (102) bestimmt wird.
  7. Vorrichtung (100) zur Vorhersage eines Zustandes eines technischen Systems (102), dadurch gekennzeichnet, dass die Vorrichtung (100) wenigstens einen Prozessor (104) und wenigstens einen Speicher umfasst, wobei der wenigstens eine Prozessor (104) ausgebildet ist, maschinenlesbare Instruktionen auszuführen, bei deren Ausführung durch den Prozessor (104) das Verfahren nach einem der Ansprüche 1 bis 6 abläuft.
  8. Vorrichtung (100) nach Anspruch 7, dadurch gekennzeichnet, dass die Vorrichtung (100) einen Sensor (110) zur Erfassung von Sensordaten (112) oder eine Schnittstelle (108) zur Kommunikation mit einem Sensor (110) zur Erfassung von Sensordaten (112) umfasst, wobei die Sensordaten (112) einen Verlauf eines Zustandes des technischen Systems (102) umfassen.
  9. Programm, dadurch gekennzeichnet, dass das Programm computerlesbare Instruktionen umfasst, bei deren Ausführung durch einen Computer das Verfahren nach einem der Ansprüche 1 bis 6 abläuft.
DE102022212907.5A 2022-11-30 2022-11-30 Computerimplementiertes Verfahren und Vorrichtung zur Vorhersage eines Zustandes eines technischen Systems Pending DE102022212907A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
DE102022212907.5A DE102022212907A1 (de) 2022-11-30 2022-11-30 Computerimplementiertes Verfahren und Vorrichtung zur Vorhersage eines Zustandes eines technischen Systems
US18/521,038 US20240176318A1 (en) 2022-11-30 2023-11-28 Computer-implemented method and device for predicting a state of a technical system
CN202311628649.3A CN118114783A (zh) 2022-11-30 2023-11-30 用于预测技术系统的状态的计算机实现的方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102022212907.5A DE102022212907A1 (de) 2022-11-30 2022-11-30 Computerimplementiertes Verfahren und Vorrichtung zur Vorhersage eines Zustandes eines technischen Systems

Publications (1)

Publication Number Publication Date
DE102022212907A1 true DE102022212907A1 (de) 2024-06-06

Family

ID=91078766

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102022212907.5A Pending DE102022212907A1 (de) 2022-11-30 2022-11-30 Computerimplementiertes Verfahren und Vorrichtung zur Vorhersage eines Zustandes eines technischen Systems

Country Status (3)

Country Link
US (1) US20240176318A1 (de)
CN (1) CN118114783A (de)
DE (1) DE102022212907A1 (de)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6110214A (en) 1996-05-03 2000-08-29 Aspen Technology, Inc. Analyzer for modeling and optimizing maintenance operations
DE19914910A1 (de) 1999-04-01 2000-10-26 Bayerische Motoren Werke Ag Hybridmodell zur Modellierung eines Gesamtprozesses in einem Fahrzeug
US20070233325A1 (en) 2006-03-29 2007-10-04 Integrated Dynamics Engineering Gmbh Method and apparatus for regulating vibration isolation systems
EP2743836A2 (de) 2012-12-17 2014-06-18 Daniel Berthold Bast Verfahren zur Überwachung von Systemzuständen mit einer Vorrichtung sowie entsprechend ausgestaltete Vorrichtung

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6110214A (en) 1996-05-03 2000-08-29 Aspen Technology, Inc. Analyzer for modeling and optimizing maintenance operations
DE19914910A1 (de) 1999-04-01 2000-10-26 Bayerische Motoren Werke Ag Hybridmodell zur Modellierung eines Gesamtprozesses in einem Fahrzeug
US20070233325A1 (en) 2006-03-29 2007-10-04 Integrated Dynamics Engineering Gmbh Method and apparatus for regulating vibration isolation systems
EP2743836A2 (de) 2012-12-17 2014-06-18 Daniel Berthold Bast Verfahren zur Überwachung von Systemzuständen mit einer Vorrichtung sowie entsprechend ausgestaltete Vorrichtung

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GEERING, Hans P.: Regelungstechnik - Mathematische Grundlagen, Entwurfsmethoden, Beispiele. 3., neubearbeitete und erweiterte Auflage. Springer Berlin Heidelberg, 1994. S. 4 - 9, 38 - 40, 60, 217 - 219, 224. ISBN: 978-3-540-58160-4

Also Published As

Publication number Publication date
US20240176318A1 (en) 2024-05-30
CN118114783A (zh) 2024-05-31

Similar Documents

Publication Publication Date Title
DE102017008475B4 (de) Maschinenlernvorrichtung, robotersystem und maschinenlernverfahren zum erlernen eines roboter-betriebsprogramms
EP3282399B1 (de) Verfahren zur verbesserten erkennung von prozessanomalien einer technischen anlage sowie entsprechendes diagnosesystem
EP0845720B1 (de) Verfahren zur Analyse und Darstellung von transienten Prozessvorgängen
DE102005020821A1 (de) Verfahren zur vereinfachten Echtzeitdiagnose unter Verwendung adaptiver Modellierung
WO2015082669A1 (de) Computer-implementiertes verfahren und system zur automatischen überwachung und statusermittlung ganzer prozessabschnitte in einer process unit
EP3397431B1 (de) Roboter und verfahren zum betreiben eines roboters
DE4406723B4 (de) Verfahren zur Überwachung des Betriebszustands einer Maschine oder Anlage
DE3931143C2 (de) Verfahren zur Überwachung des Betriebs einer Werkzeugmaschine
EP0708936B1 (de) Anordnung zur modellierung eines nichtlinearen prozesses
DE19734947A1 (de) Verfahren zur Steuerung von Prozeßvorgängen
EP3782081A1 (de) Verfahren zur erzeugung eines testdatensatzes, verfahren zum testen, verfahren zum betreiben eines systems, vorrichtung, steuerungssystem, computerprogrammprodukt, computerlesbares medium, erzeugung und verwendung
DE102022212907A1 (de) Computerimplementiertes Verfahren und Vorrichtung zur Vorhersage eines Zustandes eines technischen Systems
DE102022212906A1 (de) Computerimplementiertes Verfahren und Vorrichtung zur Vorhersage eines Zustandes eines technischen Systems
DE102020125218A1 (de) Diagnosegerät
EP3467489A1 (de) Verfahren zur bestimmung der geometrie einer fehlstelle und zur bestimmung einer belastbarkeitsgrenze
EP3121672B1 (de) Diagnoseeinrichtung und verfahren zur überwachung des betriebs eines regelkreises
DE102012112351A1 (de) Verfahren zur Aufnahme von Systemzuständen mit einer Vorrichtung sowie entsprechend ausgestaltete Vorrichtung
DE202017105656U1 (de) Prädiktives Messsystem, Aktorsteuerungssystem und Vorrichtung zum Betreiben des prädiktiven Messsystems und/oder des Aktorsteuerungssystems
DE102019131456A1 (de) Verfahren zum Bestimmen einer Eigenschaft einer Maschine, insbesondere einer Werkzeugmaschine, ohne messtechnisches Erfassen der Eigenschaft
WO2021073995A1 (de) Verfahren und steuergerät zum automatischen selektieren von datensätzen für ein verfahren zum maschinellen lernen
EP3748660A1 (de) Verfahren zur zustandsbestimmung einer antriebseinheit für ein hoch- oder mittelspannungsschaltgerät und hoch- oder mittelspannungsschaltgerät
DE102023000357B3 (de) Verfahren zum Erzeugen von Testdaten für eine Simulation eines Assistenzsystems eines zumindest teilweise assistiert betriebenen Kraftfahrzeugs, Computerprogrammprodukt, computerlesbares Speichermedium sowie elektronische Recheneinrichtung
DE102023004039A1 (de) Verfahren zum Erkennen einer Auslastung eines Fahrers eines Kraftfahrzeugs
DE102020205964B3 (de) Vorrichtung und Verfahren zum Betreiben eines Prüfstands
DE102019208121A1 (de) Aktive Datengenerierung unter Berücksichtigung von Unsicherheiten

Legal Events

Date Code Title Description
R163 Identified publications notified