DE69328956T2

DE69328956T2 - Anlage zum Schätzen des Zustands eines Systems auf der Grundlage von aufgezeichneten Eingabe-Ausgabedaten für das System

Info

Publication number: DE69328956T2
Application number: DE69328956T
Authority: DE
Inventors: Kazuyuki Kamimura; Atsushi Kurosaki; Tadahiko Matsuba; Hiroaki Tsutsui
Original assignee: Azbil Corp
Current assignee: Azbil Corp
Priority date: 1992-08-31
Filing date: 1993-08-25
Publication date: 2001-02-15
Anticipated expiration: 2013-08-26
Also published as: EP0590305A3; DE69328956D1; US5918200A; CN1047011C; CN1087187A; EP0590305A2; EP0590305B1

Description

Hintergrund der Erfindung

Die vorliegende Erfindung bezieht sich auf eine Zustandsschätzvorrichtung zum Schätzen des Zustands eines Systems auf der Grundlage von aufgezeichneten Eingangs/Ausgangsdaten für das System.
Eine Zustandsschätzvorrichtung dieses Typs, welche ausgebildet ist zum Schätzen des Zustands eines Systems auf der Grundlage von aufgezeichneten Eingangs/Ausgangsdaten für das System, verwendet die folgenden Verfahren.
Bei dem ersten Verfahren wird eine Linearität, wie sie durch Gleichung (1) dargestellt ist, zwischen mehreren Eingangsvariablen (x1, x2, x3, ..., xn) und einer Ausgangsvariablen y als ein Ziel für die Eingangsvariablen angenommen. Die Koeffizienten (a1, a2, a3, ..., an) der jeweiligen Eingangsvariablen sind bestimmt durch die Methode der kleinsten Quadrate, derart, daß der Schätzfehler minimiert wird, wodurch die Ausgangsvariable y bestimmt wird.
y = a1*x1 + a2*x2 + a3*x3 + ... + an*xn ... (1)
Das zweite Verfahren ist ein Verfahren, das als GMDH (Gruppenmethode für die Datenbehandlung) bezeichnet wird.
Bei dem ersten Verfahren wird eine nichtlineare Beziehung zwischen Eingangs- und Ausgangsvariablen angenommen. Im Gegensatz hierzu wird bei dem zweiten Verfahren, da ein zu behandelndes Objekt kompliziert ist, eine Nichtlinearität zwischen Eingangs- und Ausgangsvariablen angenommen. D. h. ein mathematisches Modell, das bei dem zweiten Verfahren angewendet wird, wird ausgedrückt durch ein Polynom höherer Ordnung wie Gleichung (2):
Bei dem zweiten Verfahren werden, um eine Ausgangsvariable y zu erhalten, die Koeffizienten (ai, aij, aijk, ...) der jeweiligen Eingangsvariablen erhalten. Zusätzlich werden die Ordnungen (n1, n2, n3, ...) der jeweiligen Eingangsvariablen bestimmt. Solche Parameter, z. B. Koeffizienten und Ordnungen, der jeweiligen Eingangsvariablen werden ausgewählt und kombiniert auf der Basis von vorbestimmten Kriterien für die Auswertung. Es ist zu beachten, daß diese Auswahl- und Kombinationsvorgänge durch Ausprobieren durchge führt werden.
Bei dem dritten Verfahren wird die Zustandsschätzung durch Bilden eines Fuzzymodells durchgeführt. Gemäß dem dritten Verfahren wird die Beziehung zwischen Eingangs- und Ausgangsvariablen ausgedrückt durch "WENN-DANN"-Regeln, wie in Tabelle 1 angezeigt ist, und die Zustandsschätzung erfolgt auf der Basis dieser Regel.

Tabelle 1

Regel 1:

WENN x1 = groß, x2 = klein, ..., xn = mittel
DANN y = klein

Regel 2:

WENN x1 = groß, x2 = klein, ..., xn = klein
DANN y = mittel
.
.
.

Regel m:

WENN x1 = klein, x2 = groß, ..., xn = klein
DANN y = groß
Diese WENN-DANN-Regeln basieren entweder auf dem Wissen und der Subjektivität von Menschen oder auf historischen Daten. Gemäß dieser Regel können durch Vorsehen von Mitgliedsschaftsfunktionen, wie in Fig. 23(a) und 23(b) für die jeweiligen Eingangs- und Ausgangsvariablen gezeigt, Fuzzy-Ereignisse auch behandelt werden. Diese Regeln als qualitative Beschreibungen und Mitgliedschaftsfunktionen als quantitative Beschreibungen entsprechend Parametern wie Koeffizi enten und Ordnungen, die bei dem ersten und zweiten Verfahren erhalten werden.
Das vierte Verfahren ist ein Verfahren zum Durchführen einer Zustandsschätzung durch Verwendung eines neuronalen Netzwerks.
Wie in Fig. 24 gezeigt ist, wird ein Modell dieses neuronalen Netzwerks allgemein gebildet durch eine große Anzahl von nichtlinearen Operatoren, die als Neuronen bezeichnet werden und miteinander gekoppelt sind, um ein Netzwerk zu bilden. In diesem Fall wird die Beziehung zwischen Eingangs- und Ausgangsvariablen des neuronalen Netzwerks durch Lernen bestimmt. D. h. die Beziehung zwischen Eingangs- und Ausgangsvariablen wird durch Lernen erhalten als das Kopplungsgewicht jedes Neurons in dem Netzwerk, wodurch ein Modell zwischen den Eingangs- und Ausgangsvariablen gebildet wird. In diesem Fall sind die Parameter des Modells bestimmt durch Bestimmung der Struktur und des Kopplungsgewichts jedes Neurons.
Bei den bekannten ersten bis vierten Verfahren treten, da der Zustand eines Systems durch Verwendung mathematischer Ausdrücke eines Regelmodells und dergleichen geschätzt wird, die folgenden Probleme auf.
Bei dem ersten Verfahren werden viele Typen von Eingangsvariablen behandelt, und daher müssen viele Parameter der Eingangsvariablen bestimmt werden, was zu verschiedenen Schwierigkeiten bei der Bildung eines optimalen Modells führt.
Zusätzlich kann, da ein System einen komplizierten Zustand zeigt, die Zustandsschätzung nicht durch nur ein einziges Modell auf der Grundlage der obigen li nearen Gleichung (1) durchgeführt werden. In der Praxis ist daher ein Modell basierend auf jedem linearen Ausdruck oder ein Modell basierend auf einem komplizierten nichtlinearen Ausdruck wie Gleichung (2) erforderlich, und die Anzahl der Parameter nimmt zu, was zu einer größeren Schwierigkeit bei der Behandlung der Modell führt.
Da sich ein System immer ändert, müssen Änderungen in dem System bei einem Modell durch eine Lernfunktion reflektiert werden. Und die aufgezeichneten Daten, welche zur Modellbildung verwendet werden, enthalten nicht immer ausreichend Informationen zum Schätzen der neuen Situation. In diesem Fall ist es erforderlich, das Modell leicht zu modifizieren. Jedoch kann ein durch Umwandeln von Daten in Parameter und Regeldaten wie bei den herkömmlichen Verfahren gebildetes Modell nicht leicht modifiziert werden. Folglich ist es schwierig, das System online zu betreiben.
Weiterhin tritt ein Problem auf bezüglich der Behandlung von qualitativen Informationen eines Modells mit Bezug auf einen neuen Eingangszustand bei nicht ausreichenden Daten, die zur Modellbildung verwendet werden, d. h. der Zuverlässigkeit des Modells. Dies ist der wichtigste Punkt bei der Verwendung eines Modells.
Wie vorbeschrieben ist, bestehen verschiedene Probleme bei den herkömmlichen Verfahren. Diese Probleme basieren auf der Tatsache, daß jedes Verfahren so ausgebildet ist, daß es den globalen Zustand eines Systems durch ein Standardmodell ausdrückt, das durch Umwandeln des Zustands in mehrere Parameter erhalten ist.
Eine auf einem Fall basierende Schlußfolgerungsvorrichtung ist ebenfalls verfügbar, welche eine Schlußfolgerung durchführt durch direkte Verwendung von Falldaten, die den Mechanismus einer Eingangs/Ausgangs-Beziehung enthalten, ohne ein Standardmodell zu bilden. Eine derartige Schlußfolgerungsvorrichtung hat eine ausgezeichnete lokale Beschreibung und daher eine ausgezeichnete Eigenschaft, Ereignisse voneinander zu trennen. Daher ist die Vorrichtung geeignet für eine Beschreibung eines nichtlinearen Phänomens. Zusätzlich können, da für die Schlußfolgerung verwendet Fälle vorgesehen werden können, die qualitativen Informationen eines Modells, d. h. die Beziehung zwischen der neuen Situation und den aufgezeichneten Fällen, bei der Fallbasis leicht gehandhabt werden.
Bei der herkömmlichen auf dem Fall basierenden Schlußfolgerungsvorrichtung werden die folgenden Verfahren und Schemen nicht verallgemeinert: 1 ein Verfahren zum Abrufen von Falldaten, 2 ein Aufzeichnungsschema für Falldaten, 3 Bestimmung über die Ähnlichkeit zwischen Falldaten, 4 Bestimmung über die Wichtigkeit von Falldaten, und 5 ein Verfahren zum Korrigieren von Falldaten. Daher müssen von einem Objekt abhängige Schemen bestimmt werden, und es ist schwierig, den Zustand eines Systems auf der Grundlage von Eingangs/Ausgangsdaten tatsächlich zu beschreiben.

Zusammenfassung der Erfindung

Es ist daher eine Aufgabe der vorliegenden Erfindung, eine Topologie (wird später beschrieben) in eine herkömmliche, auf einem Fall basierende Schlußfolgerungsvorrichtung zum Durchführen einer Schlußfolgerung einzuführen, indem direkt Eingangs/Ausgangsdaten für ein System so verwendet werden, daß das System beschrieben wird durch Anwendung eines Schemas, das auf der Grundlage von Zeitseriendaten, welche sich kontinuierlich ändern, erzeugt wurde, ohne Standardisierung der Eingangs/Ausgangsbeziehung in dem System.
Um die obige Aufgabe zu lösen, ist gemäß der vorliegenden Erfindung, wie im Anspruch 1 beansprucht, eine Zustandsschätzvorrichtung vorgesehen zum Schließen auf eine Wert von Ausgabedaten aus mehreren Eingabedaten, die als Eingabefaktoren gegeben sind, und zum Schätzen eines Zustands eines Systems, wobei die mehreren Eingabedaten und einzelnen Ausgabedaten Zeitseriendaten sind, welche sich fortlaufend ändern, und die Eingabe- und Ausgabedaten eine implizite Beziehung haben, welche sich fortlaufend ändert, welche Vorrichtung aufweist:
Eingaberaum-Quantisierungsmittel zum Quantisieren eines Eingaberaums, der die Eingabedaten von Falldaten hat, welche vergangene Eingabedaten und vorher gespeicherte Ausgabedaten anzeigen, gemäß einer geforderten Genauigkeit der Ausgabedaten, Speichermittel zum Berechnen der Anzahl von Malen des Auftretens von Ausgabedaten entsprechend jedem Eingabeereignis in dem Eingaberaum, der durch die Eingabequantisierungsmittel quantisiert wurde, eines Mittelwerts der Ausgabedaten und eines Mittelwert der Änderungsgrößen der Ausgabedaten, und zum Speichern eines Satzes der Anzahl von Malen des Auftretens und der Mittelwerte als ein Kausalbeziehungsmodell, Mittel zum Berechnen einer Nachbarschaft des Eingaberaums auf der Grundlage eines Konzepts der fortlaufenden Kartierung einer Topologie, welche der geforderten Genauigkeit der Ausgabe als eine statistische Größe aller Eingabedaten der Falldaten genügt, und zum Ausdrücken der be rechneten Nachbarschaft des Eingaberaums als eine Quantisierungszahl, durch welche der Eingaberaum quantisiert wird, Extraktionsmittel für ähnliche Fälle zum, wenn ein neues Eingabeereignis eingegeben wird, Zoomen der vorbestimmten Nachbarschaft des Eingaberaums auf einen vorbestimmten Grad, und Herausziehen eines Eingabefalls (oder Ereignisses) ähnlich der Nachbarschaft aus dem Eingabefall in dem Eingaberaum, Ähnlichkeitsbestimmungsmittel zum Bestimmen einer Ähnlichkeit zwischen dem neu eingegebenen Ereignis und dem herausgezogenen ähnlichen Eingabefall auf der Grundlage des Grades des Zoomens, der eingestellt wird, wenn der ähnliche Eingabefall herausgezogen wird, und Schätzmittel zum Auswählen eines Eingabefalles entsprechend der von den Ähnlichkeitsbestimmungsmitteln bestimmten Ähnlichkeit aus den herausgezogenen ähnlichen Eingabefällen, und Schätzen eines Wertes von Ausgabedaten entsprechend dem neuen eingegebenen Ereignis auf der Grundlage des Mittelwertes der Ausgabedaten entsprechend den ausgewählten Eingabefällen und des Mittelwertes von Änderungsgrößen der Ausgabedaten.

Kurzbeschreibung der Zeichnungen

Fig. 1 ist ein Diagramm zum Erläutern der Beziehung zwischen der Schätzgenauigkeit von Ausgangsdaten und der Teilungszahl von Ausgangsdaten, die in einer Schlußfolgerungseinheit einer Zustandsschätzvorrichtung verwendet werden;
Fig. 2 ist ein Diagramm zum Erläutern des Konzepts der Topologie, welches in die Schlußfolgerungseinheit eingeführt ist;
Fig. 3(a) bis 3(c) sind Diagramme zum Erläutern der Bestimmung der Nachbarschaft für den Eingangsraum des Schlußfolgerungsprinzips der Schlußfolgerungseinheit;
Fig. 4 ist ein Diagramm, welches in einem Eingaberaum aufgezeichnete Falldaten zeigt;
Fig. 5, 5A und 5B sind Blockschaltbilder, die ein Ausführungsbeispiel der Zustandsschätzvorrichtung nach der vorliegenden Erfindung zeigen;
Fig. 6 ist ein Diagramm, das den Zustand eines monatlichen Bereichs oder eines jährlichen Bereichs von jeder Eingangs/Ausgangs-Variablen in einem automatischen Erkennungsmodellgenerator in der Zustandsschätzvorrichtung zeigt;
Fig. 7 ist ein Diagramm, das ein Beispiel zeigt, wie ein jährlicher Bereich von Eingangs/Ausgangs-Variablen in jedem Monat in dem automatischen Erkennungsmodellgenerator geteilt wird;
Fig. 8 ist ein Diagramm, das die Verteilung von Eingangs/Ausgangs-Variablen in jedem Monat in dem automatischen Erkennungsmodellgenerator zeigt;
Fig. 9 ist ein Diagramm, das ein Beispiel zeigt, wie die Verteilung von Eingangs/Ausgangs- Variablen in jedem Monat in dem automati schen Erkennungsmodellgenerator normalisiert wird;
Fig. 10 ist ein Diagramm, das die Verteilung von Mitgliedschaftsfunktionen in jeweiligen Monaten in dem automatischen Erkennungsmodellgenerator zeigt;
Fig. 11 ist ein Diagramm, das die mittleren Werte der Verteilung der Mitgliedschaftsfunktionen in den jeweiligen Monaten in dem automatischen Erkennungsmodellgenerator zeigt;
Fig. 12 ist ein Blockschaltbild, das eine Schlußfolgerungsvorrichtung, welche die Schlußfolgerungseinheit bildet, zeigt;
Fig. 13 ist ein Diagramm, das einen Zustand eines Schätzergebnisses in der Zustandsschätzvorrichtung zeigt;
Fig. 14(a) bis 14(c) sind Diagramme, welche Zustände von Eingangs/Ausgangs-Variablen zeigen, die in der Zustandsschätzvorrichtung verwendet werden;
Fig. 15 ist ein Blockschaltbild, das eine Vorrichtung gemäß dem zweiten Ausführungsbeispiel der vorliegenden Erfindung zeigt;
Fig. 16(a) und 16(b) sind Diagramme, welche Zustände von Eingangs/Ausgangs-Variablen zeigen, die in der Vorrichtung nach dem zweiten Ausführungsbeispiel verwendet werden;
Fig. 17 ist ein Blockschaltbild, welches eine Kühlvorrichtung zeigt;
Fig. 18 ist ein Blockschaltbild, welches eine Vorrichtung gemäß dem dritten Ausführungsbeispiel der vorliegenden Erfindung zeigt;
Fig. 19 ist ein Diagramm, welches ein Schätzergebnis auf der Grundlage eines Leistungsvermögensverschlechterungs-Diagnosemodells zeigt, das in der Vorrichtung nach dem dritten Ausführungsbeispiel verwendet wird;
Fig. 20 ist ein Diagramm, das ein Schätzergebnis auf der Grundlage eines Informationsmodells für eine optimale Operation zeigt, das in der Vorrichtung nach dem dritten Ausführungsbeispiel verwendet wird;
Fig. 21 ist ein Diagramm, welches einen Zustand zeigt, in welchem ein Leistungsvermögens- Verschlechterungsindex durch eine Leistungsvermögens-Verschlechterungsindex-Erzeugungsvorrichtung erzeugt wird, die die Vorrichtung nach dem dritten Ausführungsbeispiel bildet;
Fig. 22 ist ein Blockschaltbild, das einen Zustand zeigt, in welchem optimale Operationsinformationen durch eine Erzeugungsvorrichtung für optimale Operationsinformationen erzeugt werden, welche die Vorrichtung nach dem dritten Ausführungsbeispiel bildet;
Fig. 23(a) und 23(b) sind Diagramme, welche Zustände von Mitgliedschaftsfunktionen zeigen, die in einem herkömmlichen Fuzzymodell verwendet werden; und
Fig. 24 ist eine Ansicht, welche die Anordnung eines herkömmlichen neuronalen Netzwerks zeigt.

Beschreibung der bevorzugten Ausführungsbeispiele

Ein Ausführungsbeispiel der vorliegenden Erfindung wird als Nächstes mit Bezug auf die begleitenden Zeichnungen beschrieben.
Ein Umriß einer Zustandsschätzvorrichtung nach diesem Ausführungsbeispiel wird vor einer Beschreibung der Einzelheiten beschrieben. Die Zustandsschätzvorrichtung nach dem Ausführungsbeispiel schätzt den Ausgangszustand eines Systems, das ausgebildet ist, um einzelne Ausgangsdaten als Ausgangsergebnis mehrerer Eingangsdaten zu erzeugen, basierend auf den mehreren Eingangsdaten. In diesem Fall sind die jeweiligen in der Vorrichtung behandelten Eingangs/Ausgangsdaten Zeitseriendaten, welche sich fortlaufend ändern, und Eingangs- und Ausgangsdaten haben eine implizite Beziehung, welche sich fortlaufend ändert. Diese vergangenen Eingangs- und Ausgangsdaten werden als aufgezeichnete Falldaten gespeichert.
Wenn ein neuer Eingangswert zugeführt wird, wird auf den Ausgangszustand des Systems anhand der aufgezeichneten Falldaten geschlossen. Um eine solche Schlußfolgerung zu erleichtern, werden die aufgezeichneten Daten in einem Speicher entsprechend einer einfachen Form gespeichert.
In diesem Fall wird, wie in Fig. 1 gezeigt ist, wenn der Maximal- und der Minimalwert von Ausgangsdaten von aufgezeichneten Fällen durch Ymax und Ymin dargestellt werden und die Genauigkeit der Ausgangsdaten bestimmt ist, der gesamte Bereich der maximalen und minimalen Werte der Ausgangsdaten durch eine Teilungszahl m gemäß einer gewünschten Genauigkeit geteilt.
Eine Quantisierung eines Eingangsraums wird durchgeführt durch Verwendung dieser Teilungszahl m. Wenn einige Eingangsvariablen eine hohe Korrelation mit einem Ausgangssignal haben, wird der Bereich des Maximal- und Minimalwertes jeder Eingangsvariablen geteilt. Wenn keine derartigen Eingangsvariablen vorhanden sind, wird der Eingangsraum in m-Bereiche geteilt, und der Eingangsraum wird weiterhin geteilt mit Bezug auf m, bis die Verteilung von Ausgangswerten mit Bezug auf dasselbe Eingangsereignis in die geforderte Genauigkeit eines Ausgangswertes fällt.
In diesem kann, wenn die jeweiligen Eingangs/Ausgangsdaten Zeitseriendaten sind und das Konzept der fortlaufenden Kartierung der Topologie auf die Beziehung zwischen den Eingangs- und Ausgangsdaten angewendet wird, eine Nachbarschaft des Eingangsraums, in welchem die Eingangsdaten existieren, bestimmt werden auf der Grundlage einer Nachbarschaft des Ausgangsraumes, in welchem die der geforderten Genauigkeit genügenden Ausgangsdaten existieren, wie in Fig. 2 gezeigt ist.
Wenn daher ein gegebener geforderter Genauigkeitsbereich von Ausgangsdaten, geteilt durch die Teilungszahl m, entlang der Y-Achse aufgetragen wird, und Eingangsdaten x1 aus mehreren Eingangsdaten von auf gezeichneten Fällen entlang der X1-Achse aufgetragen werden, wird die Verteilung der Eingangsdaten X1 entsprechend der geforderten Genauigkeit von Ausgangsdaten bestimmt, wie in Fig. 3(b) gezeigt ist. In ähnlicher Weise kann die Verteilung von Eingangsdaten x2 entsprechend demselben geforderten Genauigkeitsbereich von Ausgangsdaten entlang der X2-Achse eingestellt werden, wie in Fig. 3(c) gezeigt ist.
Wenn eine statistische Verarbeitung durchgeführt wird mit Bezug auf Nachbarschaften der Eingangsräume, die jeweils auf der X1- und der X2-Achse kartiert sind, kann der geforderte Genauigkeitsbereich von Ausgangsdaten ausgedrückt werden als ein Bereich, der statistisch in dem geteilten Eingangsraum verarbeitet wird, wie in Fig. 3(a) gezeigt ist.
Falldaten werden in dem in dieser Weise geteilten Eingangsraum aufgezeichnet, wie in Fig. 4 gezeigt ist.
In diesem Fall können, wenn Eingangsdaten x1 und x2 gleich 3 bzw. 7 sind und der Eingangsraum in m (m = 11) Bereiche geteilt ist, die Eingangsdaten ausgedrückt werden als eine auf m bezogene Zahl (Basis-11- Zahl). Daher können die Eingangsdaten als eine Zahl wie folgt ausgedrückt werden:
3 · 11 + 7 = 40
Diese Zahl "40", die als eine Basis-m-Zahl ausgedrückt ist, wird als eine Ereigniszahl in dem geteilten Eingangsraum ausgedrückt mit Bezug auf die geforderte Genauigkeit von Ausgangsdaten. Wenn Ausgangsdaten N mal durch Eingangsdaten 3 und 7 (40), die durch diese Ereigniszahl angezeigt werden, erzeugt werden, werden eine Zahl N von Malen des Auftretens der Ausgangsdaten, der mittlere Wert der Ausgangsdaten und der mittlere Werte von Änderungsgrößen der Ausgangsdaten in einem Speicher zusammen mit der Ereigniszahl in Beziehung zueinander gespeichert.
Ein Kausalbeziehungsmodell, das die kausale Beziehung zwischen Eingangs- und Ausgangsdaten anzeigt, wird auf diese Weise aus den aufgezeichneten Falldaten erzeugt und in dem Speicher gespeichert.
Wenn neue Eingangsdaten gegeben sind, wird auf den Wert von Ausgangsdaten entsprechend diesen Eingangsdaten geschlossen auf der Grundlage des vorstehend erwähnten Kausalbeziehungsmodells.
Genauer gesagt, diese Eingangsdaten werden in eine auf m bezogene Zahl umgewandelt, und eine geforderte Anzahl ((n + 1) in einem n-Eingangs/1-Ausgangs- Schema) von ähnlichen Falldaten ähnlich den Eingangsdaten wird herausgezogen durch Aufzoomen von Bereichen nahe dem Eingangsraum durch die Anzahl von Malen, die für die Schlußfolgerung erforderlich ist. Die Ähnlichkeit zwischen den neuen Eingangsdaten und dem herausgezogenen ähnlichen Eingangsfall wird bestimmt auf der Grundlage eines Bezugswertes (des Grades des Aufzoomens), und die Wichtigkeiten der (n + 1) ähnlichen Fälle werden berechnet aus einem topologischen Abstand auf der Grundlage der folgenden Gleichung (10). Der Wert von Ausgangsdaten mit Bezug auf die neuen Eingangsdaten wird geschätzt, wie durch Gleichung (12) angezeigt ist (wird später beschrieben), auf der Grundlage des mittleren Wertes der Ausgangsdaten mit Bezug auf die (n + 1) ähnlichen Fälle und des mittleren Wertes von Änderungsgrößen der Ausgangsdaten.
Wenn der Wert von Ausgangsdaten aus neuen Eingangsdaten geschätzt wird, wird die Schätzung auf der Grundlage eines Kausalbeziehungsmodells durchgeführt, das von dem vergangenen Fall gebildet wurde.
Die Zustandsschätzvorrichtung des Ausführungsbeispiels kann auch eine Schlußfolgerung durchführen durch Verwendung eines Fuzzyerkennungsmodells, das aus vergangenen Falldaten gebildet ist.
Wenn Eingangsdaten in Übereinstimmung mit der geforderten Genauigkeit von Ausgangsdaten quantisiert werden, bestimmt durch vorher gespeicherten vergangene Falldaten, macht es die Quantisierungszahl für diese Quantisierung, welche einen vorbestimmten Wert überschreitet, schwierig, die Schlußfolgerung durchzuführen. Aus diesem Grund werden Falldaten durch einen vorbestimmten Bezugswert (z. B. in Einheiten von Monaten) geteilt, um klassifiziert zu werden.
Nachfolgend eine Quantisierung durchgeführt mit Bezug auf den Gesamtbereich der jeweiligen Variablen der vergangenen Falldaten, und die Anzahl von Malen des Auftretens der jeweiligen klassifizierten Falldaten wird für jede Quantisierungszahl berechnet. Eine Normalisierung wird durchgeführt mit dem maximalen Wert der kalkulierten Werte, und eine Möglichkeitsverteilung (Mitgliedschaftsfunktion) wird für jeden Monat erzeugt.
Um jede monatliche Möglichkeitsverteilung, die für jede Variable erzeugt wurde, klar von anderen monatlichen Möglichkeitsverteilungen zu unterscheiden, d. h. um zu prüfen, ob jede Möglichkeitsverteilung verwendet werden kann, werden für die Unterscheidung verwendete Variablen bestimmt durch Prüfen, ob Bezugswerte (mittlere Werte der Verteilung) gleichförmig verteilt sind. Zusätzlich diese Möglichkeitsverteilung dargestellt werden, um einer Bedienungsperson zu ermöglichen, sie auszuwählen. Nachfolgend werden Ausgangsdaten mit Bezug auf Eingangsdaten geschätzt durch Verwendung eines Erkennungsmodells mit einer Möglichkeitsverteilung der Variablen, die als brauchbare Variablen bestimmt sind, und eines Kausalbeziehungsmodells jedes Typs.
D. h. wenn neue Eingangsdaten eingegeben werden, wird die Möglichkeit der Zuschreibung, welche einen bestimmten Typ von Kausalbeziehungsmodell anzeigt, zu welchem die neuen Eingangsdaten gehören, bestimmt auf der Grundlage eines Erkennungsmodells basierend auf der Möglichkeitsverteilung, die in der vorbestimmten Weise bestimmt wurde. Der Schlußfolgerungswert von Ausgangsdaten jedes Typs, dessen Möglichkeit der Zuschreibung bestimmt ist, wird erhalten durch Verwendung des vorstehend beschriebenen Kausalbeziehungsmodells. Zusätzlich werden die Möglichkeit der Zuschreibung jedes Erkennungsmodells und der Schlußfolgerungswert eines Kausalbeziehungsmodells jedes Typs integriert, um einen Gesamtausgangs-Schlußfolgerungswert zu erhalten.
Die vorliegende Erfindung wird nachfolgend im Einzelnen mit Bezug auf die begleitenden Zeichnungen beschrieben.
Fig. 5 zeigt ein Ausführungsbeispiel der Zustandsschätzvorrichtung nach der vorliegenden Erfindung. Beispielsweise wird diese Vorrichtung angewendet für ein verschiedenartiges Heiz/Kühl-System (DHC) um seine Klimatisierungslast zu schätzen.
Bezug nehmend auf die Fig. 5, 5A und 5B bezeichnet die Bezugszahl 1 eine Speichereinheit zum Speichern von Falldaten wie Außentemperaturen und Unbehaglichkeitsgrade, die in der Vergangenheit stündlich beobachtet wurde; 2 einen Datenklassifizierungsabschnitt zum Klassifizieren der vergangenen Falldaten für jeden Monat; und 10 einen automatischen Erkennungsmodellgenerator zum Erzeugen eines Erkennungsmodells aus den Falldaten für jeden Monat. Wenn neue Falldaten eingegeben werden, erkennt der automatische Erkennungsmodellgenerator 10 die Möglichkeit der Zuschreibung der neuen Eingabefalldaten mit Bezug auf jeden Monat auf der Grundlage des Erkennungsmodells. Die Bezugszahl 20 bezeichnet eine Schlußfolgerungseinheit zum Erzeugen eines Kausalbeziehungsmodells von jedem Monat aus den Falldaten für jeden Monat. Wenn neue Falldaten eingegeben werden, führt die Schlußfolgerungseinheit 20 eine Schlußfolgerung auf der Grundlage dieses Kausalbeziehungsmodells durch, und die Einheit 26 berechnet seine Zuverlässigkeit. Die Bezugszahl 30 bezeichnet einen Anzeigeabschnitt für den geschätzten Lastwert; und 50 einen Zuverlässigkeitsanzeigeabschnitt.
Der automatische Erkennungsmodellgenerator 10 wird gebildet durch eine Erkennungsmodell-Erzeugungsvorrichtung 11, eine Erkennungsmodell-Lernvorrichtung 12, einen Erkennungsmodell-Speicherabschnitt 13, eine Erkennungsmodellsituations-Eingabevorrichtung 14, eine Möglichkeit der Zuschreib-Erkennungsvorrichtung 15 und eine Bestimmungsvorrichtung 16 für den endgültigen geschätzten Wert.
Die Erkennungsmodell-Erzeugungsvorrichtung 11 zieht Faktoren für die Erkennung aus den vergangenen Fall daten heraus und erzeugt ein Erkennungsmodell anhand der herausgezogenen Faktoren. Die Erkennungsmodell- Lernvorrichtung 12 lernt neu eingegebene Falldaten und aktualisiert das Erkennungsmodell. Der Erkennungsmodell-Speicherabschnitt 13 speichert das Erkennungsmodell.
Bei Empfang der neuen Falldaten von der Erkennungsmodellsituations-Eingabevorrichtung 14 erkennt die Möglichkeit der Zuschreibungs-Erkennungsvorrichtung 15 die Möglichkeit der Zuschreibung zu jedem Faktor auf der Grundlage des in dem Erkennungsmodell-Speicherabschnitt 13 gespeicherten Erkennungsmodells. Die Bestimmungsvorrichtung 16 für den endgültigen geschätzten Wert berechnet das gewichtete Mittel diese Erkennungsergebnisses und des von der Schlußfolgerungseinheit 20 erhaltenen Schlußfolgerungsergebnisses und gibt den sich ergebenden Wert als einen endgültigen geschätzten Lastwert aus.
Die Schlußfolgerungseinheit 20 wird gebildet durch eine Erzeugungsvorrichtung 21 für ein Kausalbeziehungsmodell, eine Lernvorrichtung 22 für ein Kausalbeziehungsmodell, einen Speicherabschnitt 23 für ein Kausalbeziehungsmodell, einen Bedingungseingabeabschnitt 24 für ein Kausalbeziehungsmodell, eine Schlußfolgerungsvorrichtung 25 und eine Zuverlässigkeitsberechnungsvorrichtung 26.
Die Erzeugungsvorrichtung 21 für ein Kausalbeziehungsmodell erzeugt ein Modell einer Kausalbeziehung zwischen vergangenen Falldaten, z. B. Eingangsfaktoren wie einer Außentemperatur und einer Wärmelast als ein Ergebnis, das mehrere Stunden nach der Eingabe der Falldaten erhalten wird. Die Lernvorrichtung 22 für ein Kausalbeziehungsmodell lernt neu eingegebene Falldaten und aktualisiert das Kausalbeziehungsmodell. Der Speicherabschnitt 23 für ein Kausalbeziehungsmodell speichert das Kausalbeziehungsmodell.
Nach Empfang der neuen Falldaten von dem Bedingungseingabeabschnitt 24 für ein Kausalbeziehungsmodell führt die Schlußfolgerungsvorrichtung 25 eine Schlußfolgerung mit Bezug auf die neuen Falldaten auf der Grundlage des in dem Speicherabschnitt 23 für ein Kausalbeziehungsmodell gespeicherten Kausalbeziehungsmodells durch. Die Bestimmungsvorrichtung 16 für den endgültigen geschätzten Wert integriert dieses Schlußfolgerungsergebnis und das durch den automatischen Erkennungsmodellgenerator 10 erhaltene Erkennungsergebnis und gibt den sich ergebenden Wert zu dem Anzeigeabschnitt 30 für den geschätzten Lastwert aus, um einen geschätzten Wert anzuzeigen. Diese Schlußfolgerungsvorrichtung 25 liefert auch das Schlußfolgerungsergebnis zu der Zuverlässigkeitsberechnungsvorrichtung 26, um zu bewirken, daß diese eine Zuverlässigkeitsberechnung durchführt, wodurch bewirkt wird, daß der Zuverlässigkeitsanzeigeabschnitt 50 das Berechnungsergebnis anzeigt.
Durch die Schlußfolgerung von neuen Falldaten aus vergangenen Falldaten (aufgezeichnete Falldaten) führt die Schlußfolgerungsvorrichtung 25 eine Schlußfolgerung auf der Grundlage der vorstehend erwähnten Topologie durch.
Die Funktionen des Datenklassifizierungsabschnitts 2 und der Erkennungsmodell-Erzeugungsvorrichtung 11 und der Möglichkeit der Zuschreibungs- Erkennungsvorrichtung 15, die den automatischen Erkennungsmodellgenerator 10 bilden, werden als Nächsten im Einzelnen mit Bezug auf die Fig. 6 bis 11 beschrieben.
Es wird angenommen, daß Eingangsvariablen wie eine Außentemperatur und Unbehaglichkeitsgrad durch Xi (i = 1, ..., n) dargestellt werden, und eine Ausgangsvariable wie eine Wärmelast, die mehrere Stunden nach der Eingabe der Eingangsvariablen erhalten wird, durch y dargestellt wird, und daß ein Kausalbeziehungsmodell vorhanden ist, das durch Kombinationen von Eingangs- und Ausgangsvariablen bestimmt ist und jährlich verwendet wird. Wenn ein Modell, z. B. ein Kausalbeziehungsmodell mit Bezug auf einen jährlichen Bereich von Eingangs- und Ausgangsvariablen zu bilden ist, wird ein komplizierter Eingangs/Ausgangs-Raum mit einer sehr großen Quantisierungszahl gebildet. Aus diesem Grund wird ein Kausalbeziehungsmodell für jeden Monat durch ein bekanntes Modellbildungsverfahren gebildet, und jedes Modell wird durch Mi (i = 1, 12) dargestellt. D. h. eine Einheit von einem Monat wird als ein Klassifizierungskriterium gesetzt, das für die von dem Datenklassifizierungsabschnitt 2 durchgeführte Datenklassifizierung verwendet wird, und das als ein Klassifizierungskriterium für klassifizierende Zustände in einem Jahr verwendet wird.
D. h. ein Kausalbeziehungsmodell in jedem variablen Bereich wird gebildet mit Bezug auf Kombinationen von Eingangsvariablen für jeden Monat in Übereinstimmung mit dem durch Ausdruck (3) definierten Bereich.
Ein Modell zum Erkennen der Art der Verwendung der Kausalbeziehungsmodelle für die jeweiligen Monate mit Bezug auf eine neue Eingangsbedingung muß gebildet werden. Dieses Erkennungsmodell wird nachfolgend im Einzelnen beschrieben. Zum Zwecke der Vereinfachung der Beschreibung wird angenommen, daß Identifikati onsvariablen (werden später beschrieben) in Eingangsvariablen existieren.
Xj → [Xj(min)Mi, Xj(max)Mi]
(j = 1, ..., n), (i = 1, ..., 12) ... (3)
Ein jährlicher Bereich mit Bezug auf jede Eingangsvariable wird gemäß Ausdruck (4) bestimmt.
Xj → [ {Xj(min)Mi}, [ {xj(max)Mi}]
→ [xj(min)Jahr, Xj(max)Jahr] ... (4)
Fig. 5 zeigt die Bedingung für diesen jährlichen Bereich.
Um eine Identifizierung durchzuführen, wird eine Mitgliedschaftsfunktion für Eingangsvariablen gebildet. Vor diesem Vorgang wird eine Teilung (Quantisierung) mit Bezug auf den jährlichen Bereich jeder Eingangsvariablen durchgeführt, um den Bereich in m Teile zu teilen, wie in Fig. 7 gezeigt ist.
Die Anzahl von monatlichen Daten jeder Eingangsvariablen, welche zu einer bestimmten Stelle des in m Teile geteilten Bereichs gehören, wird berechnet. Als ein Ergebnis dieser Berechnung haben Eingangsdaten, z. B. Außentemperaturen oder Unbehaglichkeitsgrade ein Verteilung wie die in Fig. 8 gezeigte.
Nachfolgend wird die Möglichkeitsverteilung der Eingangsdaten berechnet. Um die berechnete Möglichkeitsverteilung als eine Mitgliedschaftsfunktion zu verwenden, wird die Datenverteilung in jedem Monat normalisiert mit dem maximalen Wert (maximale Nummer von i) von Daten der Datenverteilung in jedem Monat, wie der in Fig. 8 gezeigten. Als ein Ergebnis wird eine Mitgliedschaftsfunktion Axj, welche in Fig. 9 gezeigt ist, erhalten.
Auf diese Weise werden Mitgliedschaftsfunktionen für die jeweiligen Erkennungsmodelle bestimmt, wie in Fig. 10 gezeigt ist. Wenn die Mitgliedschaftsfunktionen bestimmt sind, werden Variablen zum Erstellen einer hierarchischen Struktur ausgewählt, um Faktoren für die Charakterisierung der jeweiligen Erkennungsmodelle herauszuziehen.
Genauer gesagt, von Variablen Xj (j = 1, ..., n) werden Variablen, welche die Charakteristiken der Erkennungsmodelle für die jeweiligen Monate identifizieren können, zur Durchführung der Identifizierung verwendet. In diesem Fall wird zuerst ein mittlerer Wert C(AxjMi) der Verteilung der Mitgliedschaftsfunktion eines gegebenen Monats, die in Fig. 11 gezeigt ist, berechnet. Die Abstände zwischen diesem berechneten Wert und mittleren Werten C(AxjM-2) und C(AxjM+2) der Verteilung der Mitgliedschaftsfunktionen für die zwei Monate vor und nach dem gegebenen Monat werden berechnet. Wenn der berechnete Abstand einen gegebenen Schwellenwert q überschreitet (d. h. die Daten sind gleichförmig verteilt) mit Bezug auf den jährlichen Bereich gemäß einer Ungleichförmigkeit (5), wird der Abstand automatisch ausgewählt als die vorstehend erwähnte Identifizierungsvariable. Alternativ kann die Verteilung solcher Mitgliedschaftsfunktionen angezeigt werden, um einen Benutzer über solche Informationen zu informieren, wodurch es dem Benutzer ermöglicht wird, eine Identifikationsvariable leicht auszuwählen.
Durch Auswahl dieser Identifikationsvariablen bei diesem Ausführungsbeispiel werden die Abstände zwischen dem mittleren Wert der Verteilung der Mitgliedschaftsfunktion für einen gegebenen Wert und der mittleren Werte der Verteilung der Mitgliedschaftsfunktionen für jeweils zwei Monate vor und nach dem gegebenen Monat berechnet, anstelle der Abstände mit Bezug auf jeweils einen Monat vor und nach dem gegebenen Monat. Solche Berechnungen werden durchgeführt, um die Grenzen zwischen den Monaten mehrdeutig zu machen. Im Allgemeinen kann eine Identifikationsvariable eingestellt werden, während die Abstände zwischen den jeweiligen mittleren Werte C(AxjMi) größer als ein gegebener Schwellenwert q' eingestellt werden können.
Die Anzahl von Mitgliedschaftsfunktionen, die mit Bezug auf einen gegebenen Bereich definiert sind, wird gezählt, und die Anzahl wird durch N dargestellt. Wenn der Zählwert N der Mitgliedschaftsfunktionen und der Schwellenwert q eine Beziehung haben, die der Gleichung (6) genügt, werden diese Mitgliedschaftsfunktionen an Positionen gesetzt, an denen sie identifiziert werden können.
q = 1/(N + 1) ... (6)
Auf diese Weise werden Faktoren für die Charakterisierung von Kausalbeziehungsmodellen für die jeweiligen Monate durch die Erkennungsmodell-Erzeugungsvorrichtung 11 herausgezogen.
Mit Bezug auf neue Eingangsdaten wird die Möglichkeit, welche die Zuschreibung eines bestimmten Monats, zu welchem die Daten mit der höchsten Möglichkeit gehören, anzeigt, von der Möglichkeit der Zuschreibungs-Erkennungsvorrichtung 15 erkannt.
Es wird angenommen, daß die vorstehend erwähnte Identifizierungsvariable dargestellt wird durch Xi' (Xi' Xi; i = 1', ..., n'). In diesem Fall wird, wenn Eingangsdaten Xi(t) (i = 1, ..., n) gegeben sind, eine Möglichkeit Poss(Mi) der Zuschreibung mit Bezug auf jeden Monat bestimmt auf der Basis von Gleichung (7).
Poss(Mi) = Produkt[Ax1, Mi(x1'(t)), ...,
Axn,Mi(xn'(t))] ... (7)
Die Identifizierung wird daher durchgeführt durch Verwendung der Identifizierungsvariablen Xi'(i = 1', ..., n').
Nachfolgend wird ein endgültiger geschätzter Wert durch die in dieser Weise bestimmte Möglichkeit der Zuschreibung bestimmt.
D. h. geschätzte Werte (y(t)Mi (i = 1, ..., 12) werden erhalten mit Bezug auf Eingangsdaten Xi(t) (i = 1, ..., n) durch Verwendung der vorher gebildeten monatlichen Modelle. Durch diesen Vorgang wird ein geschätzter Wert y(t) entsprechend Gleichung (8) berechnet, und der geschätzte Wert eines Gesamtmodells, das durch Integrieren der jeweiligen Kausalbeziehungsmodelle erhalten wird.
y(t) = Poss(Mi)y(t)Mi / Poss(Mi) ... (8)
Auf diese Weise kann ein den Zustand einer komplizierten Eingangs/Ausgangs-Beziehung beschreibendes Modell leicht automatisch oder nach dem Ermessen des Benutzers gebildet werden. Daher kann die Anzahl von Schritten bei der Bildung eines Modells herabgesetzt werden. Zusätzlich kann, da komplizierte Eingangs/Ausgangs-Beziehungen klassifiziert werden können, die Beschreibung eines Modells verbessert werden.
Genauer gesagt, ist beispielsweise mit Bezug auf monatliche Modelle als Modelle auf der untersten Schicht eines jährlichen Modells, da der Bereich jedes Eingangs/Ausgangs-Raums auf den Bereich eines Monats beschränkt ist, eine Beschreibung eines Kausalbeziehungsmodells nur für den Bereich erforderlich, wodurch die Genauigkeit eines Modells verbessert wird.
Da weiterhin nur die Eingangs/Ausgangs- Beziehungsdaten (Eingangs/Ausgangs-Variablen) von Kausalbeziehungsmodellen auf der untersten Schicht in einem Speicher gespeichert werden müssen, können Modelle mit einem Speicher kleiner Kapazität erzeugt werden.
Bei Empfang neuer Eingangsdaten führt die Erkennungsmodell-Lernvorrichtung 12 einen Lernvorgang auf der Grundlage des vorstehend erwähnten Erkennungsmodells durch und aktualisiert das Erkennungsmodell.
Das Vorhergehende sind die Einzelheiten der Funktionen der jeweiligen Komponenten des automatischen Erkennungsmodellgenerators 10, der die Vorrichtung des Ausführungsbeispiels bildet. Die Funktionen der Erzeugungsvorrichtung 21 für ein Kausalbeziehungsmodell und der Schlußfolgerungsvorrichtung 25, welche die Schlußfolgerungseinheit 20 bilden, und der Bestimmungsvorrichtung 16 für den endgültigen geschätzten Wert, die den automatischen Erkennungsmodellgenerator 10 bilden, werden als Nächstes im Einzelnen beschrieben.
Bei dem Ausführungsbeispiel handhabt die Schlußfolgerungsvorrichtung 25 zur Durchführung einer Schlußfolgerung auf der Grundlage einer Topologie die Kausalbeziehung zwischen Eingangsfaktoren wie einer Außentemperatur und einem Unbehaglichkeitsgrad und einem mehrere Stunden nach der Eingabe von Faktoren erhaltenen Ergebnis, z. B. einer Innentemperatur. Aus Gründen der Einfachheit der Beschreibung wird hier eine Innentemperatur anstelle eines komplizierten Phänomens wie einer Wärmelast betrachtet.
Es wird angenommen, daß ein Eingangsraum durch X = < x1, x2, ..., xn> dargestellt wird, und ein Ausgangsraum wird durch Y = < y> dargestellt. In diesem Fall wird auf Daten, welche Ereignisse X1(t), X2(t), ..., Xn(t) bewirken, die zur Zeit t stattfinden, um einen Ausgangswert Y(t + α) nach dem Verstreichen einer Zeit α zu erzeugen, geschlossen. D. h. eine Schlußfolgerung wird durchgeführt mit Bezug auf Zeitseriendaten mit einer Beziehung, die durch {X1(t), X2(t), ..., Xn(t), Y(t + α)} (T = 1, ..., N) ausgedrückt ist, als Eingangs/Ausgangs-Daten, wobei sich jede Eingangs/Ausgangs-Variable fortlaufend ändert.
Bevor eine Schlußfolgerung durch die Schlußfolgerungsvorrichtung 25 durchgeführt wird, erzeugt die Erzeugungsvorrichtung 21 für ein Kausalbeziehungsmodell ein Kausalbeziehungsmodell für Eingangs/Ausgangs-Daten von aufgezeichneten Falldaten.
Zuerst quantisiert die Erzeugungsvorrichtung 21 für ein Kausalbeziehungsmodell einen Eingangsraum, um ihn in eine endliche Anzahl von Eingangsereignissen zu teilen, und integriert Eingangs/Ausgangsdaten, die zu demselben Eingangsphänomen gehören, um einen Fall zu bilden. In diesem Fall ist der Bedingungs-Wenn-Teil der aufgezeichneten Falldaten, d. h. Eingangsdaten wie eine Außentemperatur und ein Unbehaglichkeitsgrad quantisierte Eingangsdaten {X1, X2, ..., Xn}. Der Dann-Teil der aufgezeichneten Falldaten, d. h. eine Temperatur nach dem Verstreichen der Zeit α, kann dargestellt werden durch einen Verteilungsmittelwert Y der Verteilung der Innentemperaturdaten, eine Anzahl n von Malen, bei denen dasselbe Eingangsereignis stattfindet, und einen Mittelwert ∂Y/∂X1, ..., ∂Y/∂Xn der Verteilung von partiellen Differentialwerten (der Mittelwert von Ausgangsänderungsgrößen). D. h. ein Kausalbeziehungsmodell kann ausgedrückt werden durch Beziehungsmodell (Sätze von Eingangs- und Ausgangsdaten) {X1, X2, ..., Xn}, {Y, n, ∂X/∂X1, ..., ∂Y/∂Xn}.
Z. B. werden eine Außentemperatur X1 (ºC) und ein Unbehaglichkeitsgrad (X2 (%) als Eingangsdaten gemessen, und die maximalen Werte (max) und minimalen Wert (min) von diesen Daten zu Zeiten t (t = 1, ..., N) innerhalb einer gegebenen Periode werden jeweils wie folgt erhalten:
X1(max) = 30,0, X1(min) = 20,0
X2(max) = 80,0, X2(min) = 70,0
Zusätzlich sind zur Zeit T = t&sub1; erhaltene Daten gleich
X1(t&sub1;) = 25,6, X2(t&sub1;) = 78,7
In diesem Fall werden, wenn eine Quantisierungszahl zum Quantisieren des Eingangsraums gleich "10" ist (das Intervall zwischen dem maximalen Wert und dem minimalen Wert wird in 10 Teile geteilt), quantisierte Daten durch X1 = 6 und X2 = 9 ausgedrückt und als ein Ereignis symbolisiert, das durch {6, 9} ausgedrückt ist.
Wenn daher eine Innentemperatur Y(t&sub1; + α) zur Zeit t = t&sub1; + α gleich 25,0 ist, ist ein Kausalbeziehungsmodell ausgedrückt durch {6, 9} → 25,0 (partielle Differentialwerte werden aus Gründen der Vereinfachung weggelassen), d. h. {6 · 10 + 9 = 69} → 25,5.
Wenn eine Innentemperatur Y(t&sub1; + α + 1) = 25,5 erhalten wird, als Ereignis zur Zeit t = t&sub1; + 1 mit X1(t&sub1;) = 25,8 und X2(t&sub1;) = 78,79, gehört das Eingangsereignis zu demselben Ereignis {6, 9}. Daher kann der Durchschnittswert von Ausgangsereignissen, welche mit Bezug auf dasselbe Eingangsereignis auftreten, wie folgt gebildet werden.
{6, 9} → 25,25 [= {25,0 + 25,5}/2, wobei n = 2 ist] Als eine Folge können Falldaten komprimiert werden und die Kapazität eines als eine Fallbasis verwendeten Speichers kann stark herabgesetzt werden im Vergleich mit dem Stand der Technik.
Jeder vorbeschriebene partielle Differentialwert ist eine Änderungsgröße im Ausgangssignal mit Bezug auf eine Änderungsgröße bei jeder Eingangsvariablen. Zu sätzlich besteht in diesem Fall jede Eingangs/Ausgangs-Variable aus fortlaufenden Daten. Daher kann dieser partielle Differentialwert ∂Y/∂Xi(t) gemäß der Gleichung (9) berechnet werden.
∂Y/∂Xi(t) = Xi(t + 1) - Xi(t - 1) / Xk(t + 1)
- Xk(t - 1) · {Y(t + 1) - Y(t - 1)}
/{Xi(t + 1) = Xi(t - 1)} ... (9)
Nachdem auf diese Weise das Kausalbeziehungsmodell für die aufgezeichneten Falldaten von der Erzeugungsvorrichtung 21 für ein Kausalbeziehungsmodell erzeugt wurde, führt die Schlußfolgerungsvorrichtung 25 eine Schlußfolgerung durch mit Bezug auf neue Falldaten auf der Grundlage des Kausalbeziehungsmodells.
Es wird angenommen, daß der Wenn-Teil der neuen Falldaten gleich {Xi*}(i = 1, 2, ..., n) ist und das von der Erzeugungsvorrichtung 21 für ein Kausalbeziehungsmodell erzeugte Kausalbeziehungsmodell gleich {Xi, Y, n, ∂Y/∂Xi} (i = 1, 2, ..., n) ist. In diesem Fall wird der Wenn-Teil der neuen Falldaten in der vorbeschriebenen Weise zur selben Zeit quantisiert und symbolisiert, wenn er eingegeben wird.
Fig. 12 zeigt die Schlußfolgerungsvorrichtung 25. Die Schlußfolgerungsvorrichtung 25 wird gebildet durch eine Ähnlichkeitsbestimmungsvorrichtung 25A, eine Abrufvorrichtung 25B für einen ähnlichen Fall, eine Wichtigkeitsbestimmungsvorrichtung 25C und eine Fallintegrationsvorrichtung 25D.
Wenn eine Schlußfolgerung mit Bezug auf neue Falldaten durchzuführen ist, wird die Ähnlichkeit des Wenn- Teils von aufgezeichnete Falldaten mit Bezug auf die neuen Falldaten bestimmt (die Ähnlichkeit entspricht dem Konzept eines Nachbarschaftssystems in der vorbeschriebenen Topologie). In diesem Fall wird die Ähnlichkeit der aufgezeichneten Fall mit Bezug auf die neuen Falldaten bestimmt durch die folgenden Definitionen:
Ähnlichkeit 0: Xi* - Xi = 0 (i = 1, 2, ..., n)
Ähnlichkeit 1: Xi* - Xi ≤ qXi (i = 1, 2, ..., n)
Ähnlichkeit 2: Xi* - Xi ≤ qXi + 1 (i = 1, 2, ..., n)
Ähnlichkeit 3: Xi* - Xi ≤ qXi + 2 (i = 1, 2, ..., n)
In diesem Fall wird qXi als eine Nachbarschaft bezeichnet, welche ein Ziffernwert ist, der bestimmt ist durch die statistische Verteilung eines Wenn- Teils Xi der aufgezeichneten Falldaten mit Bezug auf die zulässige Genauigkeit eines Wenn-Teils Y der aufgezeichneten Falldaten.
Es wird angenommen, daß X1 eine Außentemperatur, X2 einen Unbehaglichkeitsgrad und Y eine Innentemperatur nach dem Verstreichen der Zeit α darstellen. In diesem Fall wird, wenn eine Schätzung derart durchzuführen ist, daß die Differenz zwischen der Innentemperatur Y und einem geschätzten Wert zwei Grad oder weniger ist, der Ausgangsraum so quantisiert, daß eine Ziffer zwei Grad darstellt, ähnlich dem Eingangsraum. In diesem Fall wird, wenn beispielsweise die Quantisierungszahl gleich "20" ist, eine statistische Verarbeitung entsprechend den folgenden Schritten 1 bis 3 durchgeführt.
1 die Dann-Teile (Ausgangsraum) von aufgezeichneten Fällen, die zu derselben Stelle von Stellen 1 bis 20 gehören, werden erworben, um eine Anhäufung in dem Eingangsraum durchzuführen. Die Verteilung von Wenn- Teilen X1 und X2 der Fälle, die zu derselben Anhäufung gehören, wird erhalten als der diskrete Wert qijX1 und qiJX2 für die I-te Stelle und die j-te Anhäufung. Es wird in diesem Fall angenommen, daß die Anzahl von zu dieser Zeit erzeugten Anhäufungen durch nci dargestellt wird.
2 Nachfolgend wird die Verteilung jeder Anhäufung der Wenn-Teile X1 und X2 der Fälle, die zu der Stelle i des Dann-Teils Y der aufgezeichneten Falldaten gehören, als ein diskreter Wert berechnet. Über diesen diskreten Wert wird der Durchschnitt gebildet durch die Anzahl nci von Anhäufungen, um Stellenwerte qiX1 und qiX2 wie folgt zu erhalten:
qix1 = qijx1/nci, qix2 = qijx2/Nci
3 Die Stellenwerte qiXi und qiX2 werden gemäß den folgenden Gleichungen einer Durchschnittswertbildung unterzogen:
qx1 = qix1/20, qx2 = qix2/20
(20; Quantisierungsnummer)
Es wird angenommen, daß qX1 = 2 und qX2 = 3 als die am nächsten befindlichen Werte erhalten werden. In diesem Fall sind, wenn gefordert wird, daß der Dann-Teil Y der aufgezeichneten Falldaten eine Genauigkeit von einem Grad oder weniger hat, qX1 = 1 und qX2 = 2. Daher variiert der Stellenwert qXi in Abhängigkeit von der geforderten Genauigkeit.
Wenn der Abstand zwischen aufgezeichnetem Fall und neuem Fall kleiner als qXi mit Bezug auf die Eingangsvariable Xi ist, werden die Topologien der Wenn- Teile der jeweiligen Falldaten als eng beieinander betrachtet. In diesem Fall wird davon ausgegangen, daß der Dann-Teil (Ausgangsvariable) der neuen Falldaten innerhalb der geforderten Genauigkeit mit Bezug auf den Dann-Teil der aufgezeichneten Falldaten ist.
Wenn neue Falldaten eingegeben werden und auf den Dann-Teil der neuen Falldaten aus dem aufgezeichneten Fall wie in dem obigen Fall geschlossen wird, wird eine Schlußfolgerung auf der Grundlage von Topologien durchgeführt. Aus diesem Grund kann der Zustand eines Systems ohne Standardisieren einer Eingangs/Ausgangs- Beziehung in dem System geschätzt werden. Als eine Folge können die vorstehend beschriebenen Nachteile der herkömmlichen Schlußfolgerungsvorrichtung eliminiert werden. D. h. die folgenden Verfahren und Schemen werden verallgemeinert: 1 das Verfahren zum Abrufen von Falldaten, 2 das Aufzeichnungsschema von Falldaten, 3 Bestimmung der Ähnlichkeit zwischen Falldaten, 4 Bestimmung der Wichtigkeit von Falldaten und 5 das Verfahren zum Korrigieren von Falldaten. Daher kann der Zustand eines Systems in dem Bereich von Zeitseriendaten, in welchen sich ein Fall fortlaufend ändert, leicht und genau geschätzt werden.
Wenn die Ähnlichkeit der aufgezeichneten Falldaten mit Bezug auf die neuen Falldaten auf diese Weise erhalten ist, ruft die Abrufvorrichtung 25B für einen ähnlichen Fall einen ähnlichen Fall mit Bezug auf die neuen Falldaten aus den Wenn-Teilen der aufgezeichneten Falldaten ab.
Genauer gesagt, die Abrufvorrichtung 25B für einen ähnlichen Fall zieht Fälle heraus, die für die Schlußfolgerung als ähnliche Fälle der Wenn-Teile der aufgezeichneten Falldaten in der Reihenfolge der abnehmenden Ähnlichkeiten zu den neuen Falldaten verwendet werden. Die Anzahl von für die Schlußfolgerung verwendeten Fällen wird bestimmt durch die Dimension eines Eingangs/Ausgangs-Raumes. D. h. in dem Fall eines Ausgangs für n Eingänge wird die (n + 1)-te Dimension gesetzt, und die Anzahl von herausgezogenen Fällen ist (n + 1). Wenn die Anzahl von aufgezeichneten Falldaten mit derselben Ähnlichkeit größer ist als die Anzahl von für die Schlußfolgerung verwendeten Fällen, werden (n + 1) Fälle, die dem neuen Fall nahe sind, herausgezogen.
Die Wichtigkeitsbestimmungsvorrichtung 25C bestimmt die Wichtigkeit jedes ähnlichen Falles mit Bezug auf die neuen Falldaten.
In diesem Fall wird ein topologischer Abstand in dem Eingangsraum definiert und die Beziehung zwischen den jeweiligen Falldaten wird betrachtet. Z. B. wird ein Abstand L eingeführt, der durch Gleichung (10) gegeben ist.
L = Φi Xi* - Xi
für Φi = RXi/ RXk
RXi = ({xi}j - )(yj - )
/[ ({xi}j - )² (yj - )²]1/2 ... (10)
(worin und Mittelwerte sind und N ein Datenzählwert ist)
worin Φi das Gewicht des Abstands der Variablen Xi ist.
Eine Wichtigkeit Wj der m (= n + 1) für die Schlußfolgerung verwendeten Fälle, welche als die ähnlichen Fälle herausgezogen sind, während die Schlußfolgerungsverarbeitung durchgeführt wird, ist definiert durch Verwendung von Gleichung (11):
Wj = exp(-1j)
(für Lj = Φij Xij* - Xij , j = 1, ..., m) ... (11)
Durch Verwendung der auf diese Weise herausgezogenen m ähnlichen Fälle berechnet die Fallintegrationsvorrichtung 25D einen Wenn-Teil, d. h. einen Schlußfolgerungswert Y* mit Bezug auf die neuen Falldaten Xi* (i = 1, 2, ..., n) gemäß Gleichung (12):
Y* = [Wj{yj + (∂yi/∂xij)Lij)}] / Wj ... (12)
(für Lij = Xij* - Xij)
worin Lij der Abstand von den Eingangsdaten auf einer i-Eingangsvariablen Achse des j-ten Falls, yj der Dann-Teil-Wert des ähnlichen aufgezeichneten j-ten Falls und ∂Yi/∂Xij [Gleichung (9)] das Verhältnis der Veränderung in dem Dann-Teil-Wert sind, welche Veränderung durch die i-te Veränderung des ähnlichen aufgezeichneten j-ten Falls bewirkt wird.
Wenn ein geschätzter Wert durch die Schlußfolgerungsvorrichtung 25 erhalten wird, führt die Zuverlässigkeitsberechnungsvorrichtung 26 eine arithmetische Operation durch, um die Zuverlässigkeit des Schlußfolgerungsergebnisses zu bestimmen.
Genauer gesagt, die Zuverlässigkeitsberechnungsvorrichtung 26 bestimmt die Zuverlässigkeit der Schlußfolgerung durch Verwendung der Ähnlichkeiten der ähnlichen Fälle, die für die Schlußfolgerung mit Bezug auf die neuen Falldaten verwendet werden. Es wird angenommen, daß die höchste Ähnlichkeit der Ähnlichkeiten der ähnlichen Fälle, welche für die Schlußfolgerung mit Bezug auf den neuen Fall verwendet werden, als die Zuverlässigkeit des Schlußfolgerungsergebnisses definiert wird. Das Schlußfolgerungsergebnis, dessen höchste Ähnlichkeit gleich "1" ist, hat die Zuverlässigkeit "1". In diesem Fall zeigt die Zuverlässigkeit "0" die höchste Zuverlässigkeit an, und die Zuverlässigkeit wird verringert, wenn die Anzahl zunimmt.
Nachfolgend berechnet die Bestimmungsvorrichtung 16 für den endgültigen geschätzten Wert den gewichteten Mittelwert des Schlußfolgerungsergebnisses, das von der Schlußfolgerungsvorrichtung 25 erhalten wurde, und des Ergebnisses der Möglichkeit der Zuschreibung, welches von der Möglichkeit der Zuschreibungs- Erkennungsvorrichtung 15 erhalten wurde. Die sich ergebenden Daten werden auf dem Anzeigeabschnitt 30 für den geschätzten Lastwert angezeigt. Zusätzlich wird auch das Zuverlässigkeitsberechnungsergebnis, das von der Zuverlässigkeitsberechnungsvorrichtung 26 erhalten wurde, auch auf dem Zuverlässigkeitsanzeigeabschnitt 50 angezeigt.
Es ist festzustellen, daß die Lernvorrichtung 22 für ein Kausalbeziehungsmodell neue Falldaten lernt und das Kausalbeziehungsmodell aktualisiert. Eine derartige Aktualisierungsverarbeitung für die Fallbasis wird durchgeführt gemäß der folgenden Prozedur. Es ist darauf hinzuweisen daß "*" einen neuen Fall anzeigt.
Wenn die Anzahl von Malen des Auftretens von vorhergehenden Ereignissen in demselben Wenn-Teil durch n dargestellt wird, wird die Anzahl des Auftretens von Ereignissen um 1 auf (n + 1) erhöht, und der mittlere Ausgangswert Y wird dargestellt durch (Y · n + Y*)/(n + 1). Zusätzlich wird der partielle Differentialwert (Mittelwert von Ausgangsänderungsgrößen) ∂Y/∂X1 dargestellt durch (∂Y/∂X1 · n + ∂Y/∂X1*)/(n + 1).
Als Folge kann das Modell leicht aktualisiert werden im Vergleich zum Stand der Technik, bei welchem der Zustand eines Systems ausgedrückt wird durch ein Standardmodell, das mehrere Parameter verwendet.
Fig. 13 zeigt ein Ergebnis, das erhalten wurde durch Durchführen einer Schlußfolgerung (Schätzen einer Klimatisierungslast) auf der Grundlage von tatsächlichen aufgezeichneten Daten).
Als ein Modell wurden aufgezeichneten Daten verwendet, die durch stündliches Aufzeichnen von Daten von Juni bis November 1989 erhalten wurden. Als Wenn- Teile von Falldaten wurden eine Außentemperatur, ein Unbehaglichkeitsgrad, die Differentiation der Außentemperatur, die Differentiation der Wärmelast und eine Wärmelast verwendet. Zusätzlich wurde als ein Dann-Teil der Falldaten eine Wärmelast nach dem Verstreichen von vier Stunden verwendet. Die Falldaten wurden in Einheiten von Monaten klassifiziert, und das Fallbasismodell für jeden Monat wurde automatisch durch die Erzeugungsvorrichtung 21 für ein Kausalbeziehungsmodell erzeugt.
Um die Möglichkeit der Zuschreibung mit Bezug auf jeden Monat zu erkennen, führt die Erkennungsmodell- Erzeugungsvorrichtung 11 eine Merkmalsextraktion durch für die Erkennung mit Bezug auf jeden Wenn-Teil der Falldaten, d. h. von der Außentemperatur zu der Wärmelast. Als eine Folge wurden Außentemperaturen, Unbehaglichkeitsgrade und Wärmelasten wie in Fig. 14(a) bis 14(c) gezeigt ausgewählt, und ein Möglichkeit-der-Zuschreibungs-Erkennungsmodell wurde automatisch durch Verwendung dieser Daten erzeugt.
Durch Verwendung dieser Fälle (Wissen) im Jahre 1989 wurde eine Lastschätzung während der Periode vom 27. August 1990 bis zum 30. September 1990 durch die Möglichkeit der Zuschreibungs-Erkennungsvorrichtung 15 und die Schlußfolgerungsvorrichtung 25 durchgeführt. D. h. es wurde ein Experiment durchgeführt, um eine Last (Zustand) zu schätzen, die nach dem Verstreichen von vier Stunden mit Bezug auf die Wenn-Teile der Falldaten im Jahre 1990 auftritt, d. h. von der Außentemperatur bis zur Wärmelast. Der Grund, warum diese Periode ausgewählt wurde, liegt darin, daß das Wetter in der Periode sich stark ändert (Taifun-Saison) und es für ein herkömmlichen Schätzmodell schwierig ist, eine hohe Schätzgenauigkeit aufrecht zu erhalten.
Entsprechend diesem experimentellen Ergebnis ist der relative Fehler (= Schätzfehler /tatsächlicher Meßwert) der Vorrichtung des Ausführungsbeispiel gleich 8,9%. Es ist festzustellen, daß, der relative Fehler des herkömmlichen Modells 15, 5% beträgt. D. h. die Schätzgenauigkeit der Vorrichtung nach dem Ausführungsbeispiel ist etwa zweimal so groß wie die des herkömmlichen Modells, wodurch eine Erhöhung der Genauigkeit erzielt wird. Zusätzlich hielt die Vorrichtung nach dem Ausführungsbeispiel eine hohe Genauig keit aufrecht trotz des Umstandes, daß die Temperaturdifferenz zwischen dem 6. September und dem 7. September 10 Grad betrug und es am 7. September regnete, d. h. das Wetter sich stark änderte. Dies ergibt sich daraus, daß der Zustand am 6. September ähnlichen den Zuständen im Juni und Oktober war, und die Schätzung wurde durchgeführt durch Verwendung des Falles in dem geeignetsten Zustand. Diese Informationsstücke wurden aus Zuverlässigkeitsinformationen erhalten, die zusammen mit dem Schätzergebnis angezeigt wurden.
Fig. 15 zeigt das zweite Ausführungsbeispiel der Zustandsschätzvorrichtung nach der vorliegenden Erfindung und insbesondere einen Hauptteil einer Klimatisierungslast-Schätzvorrichtung zum Schätzen der Wärmelast eines Klimatisierungssystems.
Gemäß Fig. 15 umfaßt diese Klimatisierungslast- Schätzvorrichtung eine Eingabevorrichtung 100 zum Eingeben von Eingangsvariablen als aufgezeichnete Falldaten, z. B. einer Außentemperatur, eine Verzögerungszeit-Bestimmungsvorrichtung 101, eine Eingangsbedingungs-Symbolisierungsvorrichtung 102, eine Erzeugungsvorrichtung 21 für ein Kausalbeziehungsmodell (vorstehend beschrieben), um die Bildung eines Eingangs/Ausgangs-Beziehungsmodells durchzuführen, und eine Schlußfolgerungsvorrichtung 25 (vorstehend beschrieben).
Die Klimatisierungslast-Schätzvorrichtung verwendet die Außentemperatur-Änderungsgröße und die Wärmelast- Änderungsgröße, die in Fig. 15 gezeigt sind, als Eingangsvariablen (d. h. die Wenn-Teile von Falldaten) zusätzlich zu der Außentemperatur, dem Unbehaglichkeitsgrad und der Wärmelast, die in Fig. 13 gezeigt sind, und sie verwendet auch Wärmelastdaten, die nach dem Verstreichen mehrerer Stunden auftreten, als eine Ausgangsvariable (der Schlußfolgerungsteil der Falldaten). Wenn ein neuer Zustand auftritt und entsprechende Eingangsvariablen eingegeben werden, schätzt die Vorrichtung eine Wärmelast nach dem Verstreichen mehrerer Stunden.
Die Verzögerungszeit-Bestimmungsvorrichtung 101 empfängt eingegebene variable Daten der Außentemperatur, des Unbehaglichkeitsgrades, der Außentemperatur- Änderungsgröße, der Wärmelast und der Wärmelast- Änderungsgröße als aufgezeichnete Falldaten, welche Daten stündlich erhalten werden. Bei Empfang von Wärmelastdaten als eine Ausgangsvariable, welche tatsächlich nach dem Verstreichen mehrerer Stunden in dem Klimatisierungssystem auftreten, bestimmt die Verzögerungszeit-Bestimmungsvorrichtung 101 die jeweiligen eingegebenen variablen Daten als Daten zu einer bestimmten Zeit vor dem Zeitpunkt (als ein Bezugszeitpunkt), zu welchem die Ausgangsvariable eingegeben wird. Z. B. wird als die Außentemperatur ein Wert eine Stunde vor dem Bezugszeitpunkt bestimmt, und als die Unbehaglichkeitsgraddaten wird ein Wert eine Stunde vör dem Bezugszeitpunkt bestimmt. Auf diese Weise werden fünf Werte als die fünf eingegebenen variablen Daten bestimmt, und die bestimmten Eingangsvariablen werden zu der Eingangszustands- Symbolisierungsvorrichtung 102 zusammen mit einer Ausgangsvariablen geliefert.
Bei Empfang der Daten dieser Eingangs- und Ausgangsvariablen führt die Eingangsbedingungs- Symbolisierungsvorrichtung 102 eine Symbolisierung der eingegebenen variablen Daten durch, um die Daten in derselben Weise wie vorstehend beschrieben zu ver dichten, und liefert die ergebenden Daten zu der Erzeugungsvorrichtung 21 für ein Kausalbeziehungsmodell. Die Erzeugungsvorrichtung 21 für ein Kausalbeziehungsmodell setzt die symbolisierten eingegebenen variablen Daten in Beziehung zu den symbolisierten ausgegebenen variablen Daten, um ein Eingangs/Ausgangs-Beziehungsmodell zu erzeugen.
Bei Empfang von neuen Eingangsvariablen wie einer Außentemperatur schätzt die Schlußfolgerungsvorrichtung 25 einen Klimatisierungslastwert nach dem Verstreichen mehrerer Stunden auf der Grundlage der Eingangs/Ausgangs-Beziehung, die durch die Erzeugungsvorrichtung 21 für ein Kausalbeziehungsmodell erzeugt wurde, und gibt das Schätzergebnis aus.
Auf diese Weise wird ein Modell zum Schätzen einer Klimatisierungslast nach dem Verstreichen mehrerer Stunden unter Berücksichtigung der jeweiligen Daten erzeugt, d. h. einer Außentemperatur, einer Außentemperatur-Änderungsgröße, eines Unbehaglichkeitsgrades, einer Wärmelast und einer Wärmelast-Änderungsgröße als Eingangsfaktoren. Mit diesem Modell können Ereignisse genau erkannt werden, und daher kann eine genaue Lastschätzung durchgeführt werden.
Wie vorstehend beschrieben ist, kann gemäß der Zustandsschätzvorrichtung nach der vorliegenden Erfindung, da viele Faktoren für einen Zustand nach dem Verstreichen mehrerer Stunden berücksichtigt werden können auf dem Gebiet der Steuerung und Operation auf der Grundlage der Zustandsschätzung, ein kompliziertes Phänomen beschrieben werden, und ein für einen gegebenen Zustand geeignetes Modell kann automatisch aus klassifizierten Modellen ausgewählt werden. Daher kann eine hohe Schätzgenauigkeit aufrecht erhalten werden selbst für den Fall, daß große Veränderung auftreten oder die Zuschreibung eines Zustand mehrdeutig ist. Insbesondere in dem Fall der Schätzung einer Klimatisierungslast ist die Vorrichtung wirksam mit Bezug auf einen Zustand wie großen Wetterveränderungen oder einer Änderung der Jahreszeit. Folglich kann, wenn eine Operation oder Steuerung auf der Grundlage dieses geschätzten Wertes durchzuführen ist, eine genaue Planung oder Einstellung von geeigneten Parametern durchgeführt werden.
Genauer gesagt, bei der Klimatisierungslastschätzung kann eine Planung einer großen Anzahl von Wärmezuführungsvorrichtung wie Kühlvorrichtung mit genauem Zeitverhalten durchgeführt werden, und geeignete Parameter können für eine Klimatisierungssteuervorrichtung in einem Gebäude eingestellt werden.
Da die Zuverlässigkeit eines geschätzten Wertes angezeigt werden kann zusätzlich zur genauen Schätzung, kann eine fehlerhafte Verwendung eines geschätzten Wertes verhindert werden. Dies ist von großem Nutzen für das Gebiet der die Steuerung begleitenden Gefahr. Daher kann der Benutzer genauere Operationen auf einfache und bequeme Weise durchführen, wodurch die Last des Benutzers verringert wird.
Fig. 17 zeigt eine Kühlvorrichtung. In Fig. 17 bezeichnet die Bezugszahl 111 einen Kühlbereich, 112 einen Regenerator und 113 einen Kondensator. Der Kühlbereich 111 empfängt zirkulierendes Wasser von dem Benutzer und kühlt das Wasser durch Ausnutzung der Verdampfungswärme einer Flüssigkeit, wodurch das Wasser als Kühlwasser zu dem Benutzer geliefert wird. In diesem Fall wird Dampf, der erzeugt wurde, als das zirkulierende Wasser von dem Benutzer gekühlt wurde, durch eine Absorptionsflüssigkeit aus Lithiumbromid (LiBr) absorbiert. Jedoch wird die Absorptionskapazität der Absorptionsflüssigkeit herabgesetzt, wenn die Flüssigkeit verdünnt wird. Aus diesem Grund wird die Absorptionsflüssigkeit durch den Regenerator 112 erwärmt und kondensiert, während in dem Regenerator 112 erzeugter Dampf, wenn die Absorptionsflüssigkeit erwärmt wird, durch den Kondensator 113 in ein Kältemittel verflüssigt wird. Mit diesem Kältemittel wird zu dem Benutzer zu lieferndes Kühlwasser weiter abgekühlt.
Fig. 18 zeigt das dritte Ausführungsbeispiel der vorliegenden Erfindung, bei welchem eine Schlußfolgerungseinheit 20 bei der vorstehend beschriebenen Kühlvorrichtung eingesetzt wird, um eine Dampfzuführungsmenge zu schätzen, wenn eine Dampfmenge zu einem Regenerator 112 geliefert wird, um eine Absorptionsflüssigkeit zu erwärmen/kondensieren.
Diese Dampfmengenzuführungs-/-schätzvorrichtung umfaßt eine Erzeugungsvorrichtung 21 für ein Kausalbeziehungsmodell, einen Speicherabschnitt 23 für ein Kausalbeziehungsmodell, eine Schlußfolgerungsvorrichtung 25, einen Speicherabschnitt 121 für eine geschätzte Dampfmenge, eine Leistungsvermögens- Verschlechterungsindex-Erzeugungsvorrichtung 122 und eine Erzeugungsvorrichtung 123 für optimale Operationsinformationen.
Als Eingangsvariablen für die vorbeschriebene Kühlvorrichtung können Temperaturen an dem jeweiligen Bereich, der durch Symbole A bis G in Fig. 17 angezeigt ist, betrachtet werden. Genauer gesagt, die folgenden werden als Eingangsvariablen betrachtet: eine Kühlwasser-Einlaßtemperatur als eine Temperatur an einem Kühlwassereinlaß A, eine Temperatur an einem Kühlwasser-Turmeinlaß B, eine Hochdruckregenerator- Auslaßtemperatur als eine Temperatur an einem Auslaß C des Regenerators 112, eine Temperatur an einem Auslaß D eines Niederdruckregenerators 114, eine Temperatur (Kältemittelkondensator-Auslaßtemperatur) an einem Auslaß E eines Kondensators 113, eine Kältemittelverdampfer-Auslaßtemperatur, die durch einen Punkt F angezeigt ist, eine Temperatur an einem Kühlwasserauslaß, der durch einen Punkt G angezeigt ist, und eine Außentemperatur und eine externe Feuchtigkeit als externe Bedingungen für die Kühlvorrichtung.
In der Erzeugungsvorrichtung 21 für ein Kausalbeziehungsmodell werden bei diesem Ausführungsbeispiel von diesen Eingangsvariablen vier Elemente, d. h. die Außentemperatur, die Kühlwasser-Einlaßtemperatur, die Hochspannungsregenerator-Auslaßtemperatur 112 und die Kältemittelverdampfer-Auslaßtemperatur als Eingangsvariablen behandelt. Zusätzlich behandelt die Erzeugungsvorrichtung 21 für ein Kausalbeziehungsmodell eine zu dem Regenerator 112 gelieferte Dampfmenge als eine Ausgangsvariable, erzeugt ein Eingangs/Ausgangs- Beziehungsmodell aus diesen Eingangs/Ausgangs- Variablen, die in der Vergangenheit aufgezeichnet wurden, und speichert das Modell in dem Speicherabschnitt 23 für ein Kausalbeziehungsmodell.
Bei Empfang neuer Eingangsvariablen führt die Schlußfolgerungsvorrichtung 25 eine Schlußfolgerung auf der Grundlage des vergangenen Eingangs/Ausgangs- Beziehungsmodells, das in dem Speicherabschnitt 23 für ein Kausalbeziehungsmodell gespeichert ist, durch, und schätzt eine Dampfmenge als eine Ausgangsvariable. Diese geschätzte Dampfmenge wird in dem Speicherabschnitt 121 für die geschätzte Dampfmenge gespeichert.
Die Leistungsvermögens-Verschlechterungsindex- Erzeugungsvorrichtung 122 erzeugt einen Leistungsvermögens-Verschlechterungsindex der Kühlvorrichtung auf der Grundlage der Differenz zwischen dem tatsächlichen Meßwert und der geschätzten Dampfmenge für dasselbe Eingangsereignis und bezeichnet eine geeignete Aufrechterhaltungsperiode.
Die Erzeugungsvorrichtung 123 für optimale Operationsinformationen erzeugt Informationen für die optimale Operation der Kühlvorrichtung auf der Grundlage der geschätzten Dampfmenge.
Bei diesem Ausführungsbeispiel wird ein Eingangs/Ausgangs-Beziehungsmodell anhand historischer Daten erzeugt, die zu derselben Zeit erhalten werden, da eine Verzögerungszeit einer Eingangs/Ausgangs- Beziehung nicht berücksichtigt wird. In diesem Fall ist die Quantisierungszahl für den Eingangsraum auf "30" gesetzt unter Berücksichtigung einer geforderten Ausgangsgenauigkeit.
In einem Leistungsvermögensverschlechterungs- Diagnosemodell, das von der Leistungsvermögens- Verschlechterungsindex-Erzeugungsvorrichtung 122 verwendet wird und ein Eingangs/Ausgangs- Beziehungsmodell der Kühlvorrichtung anzeigt, werden in einer Stunde erhaltene Daten als ein Satz von Daten behandelt. Zusätzlich werden in einem Modell für optimale Operationsinformationen der Kühlvorrichtung, das in der Erzeugungsvorrichtung 123 für optimale Operationsinformationen verwendet wird und als das vorbeschriebenen Eingangs/Ausgangs-Beziehungsmodell dient, Daten, die in 30 Minuten erhalten wurden, als ein Satz von Daten behandelt. Dies ergibt sich daraus, daß die Verarbeitungszeit sich in Abhängigkeit von dem Zweck der Verarbeitung ändert.
Diese Daten für die Modellbildung wurde gebildet durch die erste Hälfte von Daten, die von der Kühlvorrichtung gemessen wurden, welche tatsächlich während einer Periode von der zweiten Woche bis zu der dritten Woche im Juni 1992 betrieben wurde, und tatsächliche Meßdaten von Außentemperaturen, die in dieser Periode gemessen wurden. Die zweit Hälfte der Daten wird verwendet zum Prüfen des erzeugten Eingangs/Ausgangs-Beziehungsmodells.
Die Fig. 19 und 20 zeigen jeweils Ergebnisse, die erhalten wurden, als die Schlußfolgerungsvorrichtung 25 eine Schlußfolgerung durchführte unter Verwendung von Verifizierungsdaten nach der tatsächlichen Durchführung einer Leistungsvermögens- Verschlechterungsdiagnose der Kühlvorrichtung und Erzeugen jedes Eingangs/Ausgangs-Beziehungsmodells für optimale Operationsinformationen. Es ist festzustellen, daß die ausgezogenen Kurven und die strichlierten Kurven in den Fig. 19 und 20 jeweils tatsächliche Meßwerte und geschätzte Werte auf der Grundlage von Modellen anzeigen.
Gemäß dem in Fig. 19 gezeigten Schätzergebnis des Leistungsvermögensverschlechterungs-Diagnosemodells beträgt der Fehler ( tatsächlicher Meßwert - geschätzter Wert /tatsächlicher Meßwert) etwa 4%. Gemäß dem in Fig. 20 gezeigten Schätzergebnis für das Modell über optimale Operationsinformationen beträgt der Fehler etwa 7%. D. h. ein Schätzergebnis hat eine viel höhere Genauigkeit als das, das durch Verwendung eines mathematischen Modells wie eines Wiederholungs modells erhalten wurde, bei welchem der Fehler etwa 25% beträgt.
Die funktionsmäßigen Operationen der Leistungsvermögens-Verschlechterungsindex-Erzeugungsvorrichtung 122 zum Erzeugen eines Leistungsvermögens- Verschlechterungsindex der Kühlvorrichtung durch Verwendung dieser Modelle und der Erzeugungsvorrichtung 123 für optimale Operationsinformationen zum Erzeugen optimaler Operationsinformationen für die Kühlvorrichtung werden nachfolgend im Einzelnen beschrieben. Die Leistungsvermögens-Verschlechterungsindex- Erzeugungsvorrichtung 122 wird zuerst beschrieben.
Die Leistungsvermögens-Verschlechterungsindex- Erzeugungsvorrichtung 122 erzeugt einen Index für die Funktionswartung der Kühlvorrichtung und für eine Wartungsperiode durch Verwendung des vorbeschriebenen Eingangs/Ausgangs-Beziehungsmodells. Bei der Bildung dieses Indexes wird ein Modell in einer Periode, während der die Wartung durchgeführt wird, erzeugt, und eine Bedingung, bei der der Zustand eines Systems leichter beobachtet werden kann, wird auf der Grundlage eines Simulationsergebnisses gesetzt, das erhalten wurde durch Verwendung des Modells und der Dichte von Fällen, wodurch eine Verschlechterungsdiagnose des Systems durchgeführt wird. D. h., wie in dem Fall von Dampfmengen entsprechend Abtastzählungen 12 bis 16 auf der Abszisse in Fig. 19, wird eine Bedingung, bei der eine Modellgenauigkeit von 1% oder weniger geschätzt werden kann, in Übereinstimmung mit Nachbarschaften auf der Grundlage einer Topologie ergriffen, und ein Wert basierend auf dem Modell bei dieser Bedingung wird verglichen mit einem tatsächlichen Meßwert, wodurch eine Verschlechterungsdiagnose des Systems durchgeführt wird. Mit anderen Worten, eine Bedingung, bei der der Zustand des Systems leicht beobachtet werden kann, wird gesetzt, und eine Bestimmung einer Wartungsperiode wird durchgeführt durch Prüfen, einen wie großen Energieverlust die gegenwärtige Dampfmenge zeigt mit Bezug auf dasselbe Eingangsereignis des Systems im Vergleich mit dem Anfangswert für die Wartung.
Fig. 20 zeigt eine Situation, in welcher ein Index während einer Wartungsperiode erzeugt wird. In diesem Fall besteht eine wichtige Sache darin, daß dasselbe Eingangsereignis des Systems unter einer komplizierten Veränderungssituation identifiziert werden kann. Dies kann auf der Grundlage von Ähnlichkeiten in der vorbeschriebenen Schlußfolgerungsvorrichtung 25 erfolgen.
Die Erzeugungsvorrichtung 123 für optimale Operationsinformationen erzeugt optimale Operationsinformationen zum Minimieren der Operationskosten, wenn Informationen, die zum Durchführen einer optimalen Operation in einem gebietsweisen Heiz/Kühl(DHC)-System oder einem System enthaltend eine Kühlvorrichtung erforderlich sind. In diesem Fall kann, wenn das vorbeschriebene Eingangs/Ausgangs-Beziehungsmodell verwendet wird, eine Dampfmenge geschätzt werden durch Einstellen eines geschätzten Wertes auf der Grundlage eines anderen Schätzmodells oder eines geschätzten Wertes, der von der Bedienungsperson in einer Eingangsbedingung eingegeben wird. Alternativ kann eine Schätzung durchgeführt werden mit Bezug auf die gegenwärtige Eingangsbedingung unter Berücksichtigung einer Verzögerungszeit in dem Eingangs/Ausgangs- Beziehungsmodell der Kühlvorrichtung selbst. Fig. 22 zeigt eine Situation, bei welcher derartige optimale Operationsinformationen erzeugt werden.
Wenn ein Modell zum Schätzen einer Dampfmenge erzeugt ist und die Schätzung unter Berücksichtigung einer Außentemperatur, einer Kühlwasser-Einlaßtemperatur, einer Regenerator-Auslaßtemperatur und einer Kältemittelverdampfer-Auslaßtemperatur als Eingangsvariablen durchgeführt wird, können die Eigenschaften der Kühlvorrichtung genau überwacht werden unter einer Systembedingung, welche sich dynamisch ändert. Daher kann ein genauer Leistungsvermögens- Verschlechterungsindex vorgesehen werden. Mit diesem Index kann die Wartung der Kühlvorrichtung in einer geeigneten Periode durchgeführt werde anstelle der Durchführung der Wartung während der Sommerzeit, welche die Betriebsperiode der Kühlvorrichtung ist. Zusätzlich kann der Ausfall der Kühlvorrichtung während ihrer Betriebsperiode verhindert werden.
Weiterhin kann, da Informationen, die zur Durchführung einer optimalen Operation erforderlich sind, in einem System enthaltend eine Kühlvorrichtung, z. B. einem gebietsweisen Heiz/Kühl(DHC)-System erhalten werden können, eine Verringerung der Systembetriebskosten und der Betriebsenergie erzielt werden, und die Lasten der jeweiligen das System bildenden Vorrichtungen können eingepegelt werden.
Wie vorstehend beschrieben ist, wird gemäß der vorliegenden Erfindung der Wert von Ausgangsdaten durch Schlußfolgerung anhand mehrerer Eingangsdaten als Eingangsfaktoren in der folgenden Weise ermittelt werden, vorausgesetzt, daß Eingangs- und Ausgangsdaten Zeitseriendaten sind, welche sich fortlaufend ändern. Ein Kausalbeziehungsmodell wird aus vergangenen Eingangs- und Ausgangsdaten erzeugt auf der Grundlage des Konzepts der kontinuierlichen Kartierung einer Topologie. Wenn neue Daten eingegeben werden, wird der Wert von Ausgangsdaten anhand des Kausalbeziehungsmodells durch Schlußfolgerung ermittelt. Daher kann eine Zustandsschätzung eines Systems durchgeführt werden in Übereinstimmung nur mit solchen Fällen, welche individuelle Ereignisse in dem System darstellen, ohne eine Eingangs/Ausgangs-Beziehung in dem System zu standardisieren. Folglich kann ein Verfahren zum Schätzen des Zustands eines Systems verallgemeinert und vereinfacht werden, und der Zustand des Systems kann genau geschätzt werden.
Wenn ein Eingangsraum quantisiert und in m Teile geteilt ist, werden Falldaten in dem Eingangsraum in auf m bezogene Daten umgewandelt. Daher können die Falldaten verdichtet werden. Folglich kann die Kapazität einer Speichervorrichtung (Speicher) zum Speichern der Falldaten verringert werden. Zusätzlich kann, da eine große Anzahl von Fällen in der Speichervorrichtung entwickelt werden kann, eine arithmetische Verarbeitung mit hoher Geschwindigkeit durchgeführt werden.
Wenn neue Ausgangsdaten entsprechend neuen Eingangsdaten erhalten werden, werden die Anzahl von Malen des Auftretens von Ausgangsdaten entsprechend den neuen Eingangsdaten, der Mittelwert der Ausgangsdaten und der Mittelwert der Änderungsgrößen der Ausgangsdaten aktualisiert, wodurch ein Modell leicht modifiziert wird ohne Änderung von Parametern wie beim Stand der Technik. Daher kann das System online betrieben werden. Zusätzlich kann, da die Zuverlässigkeit eines Modells entsprechend einer neuen Bedingung und benutzten Fällen unabhängig offenbart werden kann, die qualitative Beziehung zwischen dem Modell und der Bedingung angezeigt werden, wodurch eine feh lerhafte Verwendung des Ausgangswertes des Modells verhindert wird. Wenn die Quantisierungszahl groß ist, werden Falldaten geteilt und klassifiziert entsprechend einem vorbestimmten Kriterium. Der Gesamtbereich der jeweiligen klassifizierten Falldaten wird quantisiert, um die Anzahl von Malen des Auftretens der klassifizierten Falldaten zu zählen, und eine Normalisierung wird mit dem maximalen Wert durchgeführt, um eine Möglichkeitsverteilung zu bilden. Wenn neue Eingangsdaten gegeben sind, wird die Möglichkeit der Zuschreibung der neuen Eingangsdaten mit Bezug auf die Möglichkeitsverteilung bestimmt. Daher kann ein Modell zum Beschreiben des Zustands eines Systems mit einem komplizierten Eingangs/Ausgangs- Beziehungsmodell leicht erzeugt werden, und der Zustand des Systems kann leicht geschätzt werden auf der Basis des Modells.
Wenn die vorliegende Erfindung auf ein System enthaltend eine Kühlvorrichtung angewendet wird, werden Dampfmengen für das System genau geschätzt unter einer komplizierten Änderungssituation, und ein Leistungsvermögens-Verschlechterungsindex des Systems und Informationen über die optimale Operation werden anhand der Dampfmenge erzeugt. Daher kann die Wartung des Systems in einer geeigneten Periode durchgeführt werden und die Betriebskosten des Systems können verringert werden.

Claims

1. Zustandsschätzvorrichtung zum Schließen auf einen Wert von Ausgabedaten aus mehreren Eingabedaten, die als Eingabefaktoren gegeben sind, und zum Schätzen eines Zustands eines Systems, wobei die mehreren Eingabedaten und einzelnen Ausgabedaten Zeitseriendaten sind, welche sich fortlaufend ändern, und die Eingabe- und Ausgabedaten eine implizite Beziehung haben, welche sich fortlaufend ändert,

gekennzeichnet durch:

Eingaberaum-Quantisierungsmittel zum Quantisieren eines Eingaberaums, der die Eingabedaten von Falldaten hat, welche vergangene Eingabedaten und vorher gespeicherte Ausgabedaten anzeigen, gemäß einer geforderten Genauigkeit der Ausgabedaten;

Speichermittel (23) zum Berechnen der Anzahl von Malen des Auftretens von Ausgabedaten entsprechend jedem Eingabeereignis in dem Eingaberaum, der durch die Eingabe-Quantisierungsmittel quantisiert wurde, eines Mittelwerts der Ausgabedaten und eines Mittelwerts der Änderungsgrößen der Ausgabedaten, und zum Speichern eines Satzes der Anzahl von Malen des Auftretens und der Mittelwerte als ein Kausalbeziehungsmodell;

Mittel zum Berechnen einer Nachbarschaft des Eingaberaums auf der Grundlage eines Konzepts der fortlaufenden Kartierung einer Topologie, welche der geforderten Genauigkeit der Ausgabe als eine statistische Größe aller Eingabedaten der Falldaten genügt, und zum Ausdrücken der berechneten Nachbarschaft des Eingaberaums als eine Quantisierungszahl, durch welche der Eingaberaum quantisiert wird;

Extraktionsmittel (25B) für ähnliche Fälle zum, wenn ein neues Eingabeereignis eingegeben wird, Zoomen der vorbestimmten Nachbarschaft des Eingaberaums auf einen vorbestimmten Grad, und Herausziehen eines Eingabefalles ähnlich der Nachbarschaft aus dem Eingabefall in dem Eingaberaum;

Ähnlichkeitbestimmungsmittel (25A) zum Bestimmen einer Ähnlichkeit zwischen dem neu eingegebenen Ereignis und dem herausgezogenen ähnlichen Eingabefall auf der Grundlage des Grades des Zoomens, der eingestellt wird, wenn der ähnliche Eingabefall herausgezogen wird; und

Schätzmittel zum Auswählen eines Eingabefalles entsprechend der von den Ähnlichkeitsbestimmungsmitteln bestimmten Ähnlichkeit aus den herausgezogenen ähnlichen Eingabefällen, und Schätzen eines Wertes von Ausgabedaten entsprechend dem neuen eingegebenen Ereignis auf der Grundlage des Mittelwertes der Ausgabedaten entsprechend den ausgewählten Eingabefällen und des Mittelwertes von Änderungsgrößen der Ausgabedaten.

2. Vorrichtung nach Anspruch 1, weiter aufweisend Mittel zum, wenn der Eingaberaum durch die Eingaberaum-Quantisierungsmittel quantisiert und in m Teile geteilt ist, Umwandeln von Falldaten in dem Eingaberaum in auf m bezogene Daten, und Mittel zum inversen Umwandeln der ähnlichen Falldaten, die von den Extraktionsmitteln für ähnliche Fälle herausgezogen wurden und in die auf m bezogenen Daten umgewandelt wurden.

3. Vorrichtung nach Anspruch 1, weiterhin aufweisend Mittel zum, wenn das neue Eingabeereignis und neue Ausgabedaten entsprechend dem neuen Eingabeereignis erhalten sind, Aktualisieren der Anzahl von Malen des Auftretens von Ausgabedaten entsprechend dem neuen Eingabeereignis, eines Mittelwertes der Ausgabedaten und eines Mittelwertes der Änderungsgrößen der Ausgabedaten, wenn die Ausgabedaten in den Speichermitteln gespeichert sind, und Hinzufügen der neuen Ausgabedaten zu den in den Speichermitteln gespeicherten Daten, wenn das neue Eingabeereignis vollständig neu ist.

4. Zustandsschätzvorrichtung nach Anspruch 1 zum Erzeugen einzelner Ausgabedaten als ein Ausgabeergebnis aus mehreren Eingabedaten und Schätzen eines Zustands eines Systems aus den mehreren Eingabedaten, die als Eingabefaktoren gegeben sind, wobei die Eingabe/Ausgabedaten Zeitseriendaten sind, welche sich fortlaufend ändern, und die Eingabe- und Ausgabedaten eine Beziehung haben, welche sich fortlaufend ändert, gekennzeichnet durch:

Eingaberaum-Quantisierungsmittel zum Quantisieren eines Eingaberaums, der die Eingabedaten von Falldaten hat, welche vergangene Eingabedaten und vorher gespeicherte Ausgabedaten anzeigen, in Übereinstimmung mit einer geforderten Genauigkeit der Ausgabedaten;

Klassifikationsmittel (2) zum Teilen der Falldaten gemäß einem vorbestimmten Kriterium, wenn eine Quantisierungszahl für die von den Eingaberaum-Quantisierungsmitteln durchgeführte Quanti sierung einen vorbestimmten Wert überschreitet;

Zählmittel zum Quantisieren eines Gesamtbereichs der vorher gespeicherten Daten und zum Zählen der Anzahl der Male des Auftretens von klassifizierten Falldaten für jede Quantisierungszahl für jede von den Klassifizierungsmitteln klassifizierten Falldaten;

Möglichkeitsverteilungs-Erzeugungsmittel zum Erzeugen einer Möglichkeitsverteilung durch Durchführung einer Normalisierung unter Verwendung eines Maximalwertes der Zählwerte;

Bestimmungsmittel zum Anzeigen der Möglichkeitsverteilung, die für jede klassifizierten Falldaten erzeugt wurde, Identifizieren einer erzeugten Möglichkeit auf der Grundlage eines vorbestimmten Kriteriums, und Bestimmen, ob die Möglichkeitsverteilung verwendet wird; und

Bestimmungsmittel (15) für die Möglichkeit der Zuschreibung zum, wenn ein neues Eingabeereignis eingegeben ist, Bestimmen einer Möglichkeit der Zuschreibung des neuen Eingabeereignisses mit Bezug auf jede Anhäufung, die von den Klassifikationsmitteln erzeugt wurde, durch Verwendung der Möglichkeitsverteilung.

5. Vorrichtung nach Anspruch 1, welche weiterhin aufweist:

Klassifizierungsmittel (2) zum Teilen der Falldaten entsprechend einem vorbestimmten Kriterium, wenn die Quantisierungszahl für die von den Eingaberaum-Quantisierungsmitteln durchgeführte Quantisierung einen vorbestimmten Wert überschreitet;

Zählmittel zum Quantisieren eines Gesamtbereichs der vorher gespeicherten Daten und Zählen der Anzahl von Malen des Auftretens von klassifi zierten Falldaten für jede Quantisierungszahl für jede von den Klassifizierungsmitteln klassifizierten Falldaten;

Möglichkeitsverteilungs-Erzeugungsmittel zum Erzeugen einer Möglichkeitsverteilung durch Durchführen einer Normalisierung unter Verwendung eines Maximalwertes der Zählwerte;

Bestimmungsmittel zum Anzeigen der für jede klassifizierten Falldaten erzeugten Möglichkeitsverteilung, Identifizieren einer erzeugten Möglichkeit auf der Grundlage eines vorbestimmten Kriteriums, und Bestimmen, ob die Möglichkeitsverteilung verwendet wird; und

Bestimmungsmittel (15) für die Möglichkeit der Zuschreibung zum, wenn ein neues Eingabeereignis eingegeben ist, Bestimmen einer Möglichkeit der Zuschreibung des neuen Eingabeereignisses mit Bezug auf jede Anhäufung, die von den Klassifikationsmitteln erzeugt wurde, durch Verwendung der Möglichkeitsverteilung,

worin ein gewichtetes Mittel der Möglichkeiten der Zuschreibung und geschätzter Werte, die durch die Schätzmittel für jede Anhäufung erhalten wurden, berechnet wird, um einen endgültigen geschätzten Wert zu bestimmen.

6. Vorrichtung nach Anspruch 1, welche weiterhin aufweist:

Datenauswahlmittel (21) zum, wenn das System ein eine Kühlvorrichtung enthaltendes System ist, Einstellen einer zu der Kühlvorrichtung gelieferten Dampfmenge als die Ausgabedaten und Auswählen einer Außentemperatur außerhalb der Kühlvorrichtung, einer Kühlwasser-Einlaßtemperatur der Kühlvorrichtung, einer Hochspannungsregenator-Auslaßtemperatur der Kühlvorrichtung, und einer Kühlmittelverdampfer-Auslaßtemperatur der Kühlvorrichtung als die mehreren als Eingabefaktoren dienenden Eingabedaten;

Mittel (21) zum Erzeugen des Kausalbeziehungsmodells von Eingabe- und Ausgabedaten, die unmittelbar nach der Durchführung der Wartung der Kühlvorrichtung erhalten wurden;

Dampfmengen-Schätzmittel (25) zum Schätzen der Dampfmenge, welche die Ausgabedaten anzeigt, auf der Grundlage des Kausalbeziehungsmodells, wenn ein neues Eingabeereignis eingegeben wird;

Mittel (122) zum Erzeugen eines Leistungsvermögens-Verschlechterungsindexes des die Kühlvorrichtung enthaltenden Systems anhand einer tatsächlichen Dampfmenge, die in einem Zustand erhalten wurde, in welchem ein Zustand des Systems leicht erfaßt werden kann, und einer geschätzten Dampfmenge, welche die Ausgabedaten anzeigt, die unmittelbar nach der Durchführung der Wartung des Systems erhalten wurden; und

Mittel (123) zum Erzeugen optimaler Betriebsinformationen zum Liefern einer optimalen Dampfmenge zu dem die Kühlvorrichtung enthaltenden System auf der Grundlage der geschätzten Dampfmenge.