EP4111382A1 - Steuereinrichtung zum steuern eines technischen systems und verfahren zum konfigurieren der steuereinrichtung - Google Patents

Steuereinrichtung zum steuern eines technischen systems und verfahren zum konfigurieren der steuereinrichtung

Info

Publication number
EP4111382A1
EP4111382A1 EP21721849.4A EP21721849A EP4111382A1 EP 4111382 A1 EP4111382 A1 EP 4111382A1 EP 21721849 A EP21721849 A EP 21721849A EP 4111382 A1 EP4111382 A1 EP 4111382A1
Authority
EP
European Patent Office
Prior art keywords
neural network
technical system
control signals
data
simulation
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
EP21721849.4A
Other languages
English (en)
French (fr)
Inventor
Stefan Obermayer
Volkmar Sterzing
Michel Tokic
Steffen Udluft
Marc Christian Weber
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.)
Siemens AG
Original Assignee
Siemens AG
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 Siemens AG filed Critical Siemens AG
Publication of EP4111382A1 publication Critical patent/EP4111382A1/de
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Definitions

  • Control device for controlling a technical system and method for configuring the control device
  • Such a digital twin can then, in particular, be used for optimized control, testing and optimization of the technical system as a function of the behavior of the technical system to be expected according to the simulation.
  • Data-based machine learning methods are often used to create such simulation models.
  • artificial neural networks are trained to reproduce the resulting physical behavior of the technical system based on operating data of the technical system to be simulated and thus to simulate it.
  • training data For a successful training, however, large amounts of operating data of the technical system are usually required as training data.
  • the training data should also cover the operating states and operating conditions of the technical system as representative as possible.
  • a simulation module for the physical simulation of the technical system (TS) using physical quantities of the technical fed in as simulation input data Systems (TS), b) a time sequence of control signals (CS) and a time sequence of measured status data (SD) of the technical system (TS) are recorded, c) the time sequence of the control signals (CS) in a neural network ( NN) is fed, d) output data (PD) of the neural network (NN) are fed into the simulation module (SIM) as simulation input data, e) the simulation module (SIM) performs a physical simulation based on the output data (PD) of the neural network (NN) is carried out and simulated status data (SSD) of the technical system (TS) are determined, f) the neural network (NN) is trained on it, ei to reduce the distance (D) between the measured status data (SD) and the simulated status data (SSD), and
  • control signal variants are fed into the hybrid simulator (HSIM) and a simulated reaction of the technical system (TS) is evaluated that one of the control signal variants is selected depending on the evaluation results, and that the technical system (TS) is controlled by means of the selected control signal variant.
  • HSIM hybrid simulator
  • TS technical system
  • ESD external status data
  • the neural network implements a recurrent neural network, a folding neural network, a Bayesian neural network, an auto-encoder and / or a deep learning architecture .
  • the technical system is a turbine, a solar power plant, an internal combustion engine, an engine, a motor vehicle, a manufacturing plant, a traffic control system, an energy control for a building , a heating system, a robot, an energy transmission network or another machine, device or system.
  • Control device for controlling a technical system (TS) set up to carry out a method according to one of the preceding methods 1-8.
  • a simulation module for physically simulating the technical system on the basis of physical quantities of the technical system that are fed in as simulation input data. Furthermore, a time sequence of control signals and a time sequence of measured status data of the technical system are recorded. The time sequence of the control signals is fed into a neural network, and output data from the neural network are fed into the simulation module as simulation input data. The simulation module uses the output data of the neural network to carry out a physical simulation, with simulated status data of the technical system being determined. The neural network is then trained to reduce a distance between the measured status data and the simulated status data. As a result of the training, the control device is set up to simulate the technical system on the basis of control signals.
  • a corresponding control device a computer program product and a computer-readable, preferably non-volatile storage medium are provided.
  • the method according to the invention and the control device according to the invention can be executed or implemented, for example, by means of one or more processors, application-specific integrated circuits (ASIC), digital signal processors (DSP) and / or so-called “field programmable gate arrays” (FPGA).
  • ASIC application-specific integrated circuits
  • DSP digital signal processors
  • FPGA field programmable gate arrays
  • the method can automatically train the neural network to determine physical quantities required as simulation input data by the simulation module on the basis of control signals from the technical system.
  • the use of a physics-based simulation module generally allows a more accurate simulation that is less sensitive to interference flows or changes in operating conditions technical system as a purely data-driven simulator.
  • significantly less training data are generally required to enable a neural network to determine physical quantities using control signals than to train a fully data-driven simulator.
  • changing physical influences can usually be taken into account in a simple manner using the physics-based simulation module, while a purely data-driven simulator would often have to be retrained. Since a physics-based simulation can have different parameterizations, it can usually be reused many times and does not have to be recreated in the event of small changes to the technical system.
  • Another advantage of the invention is that with the help of a hybrid simulator formed according to the invention for a large number of different generated control signals due to the structure of the hybrid simulator and the physics-based simulation module contained in it for performing a physical simulation, the expected reactions of the technical Systems can be simulated very precisely on the respective control signals.
  • a temporal sequence of control signals and a temporal sequence of measured status data of the technical system include too little training data for training a neural network from which the function of the entire technical system is to be learned.
  • This can lead to so-called overfitting, in which not only the function of the technical system is learned from the neural network trained in this way, but also undesirable effects such as errors in the training data or noise.
  • overfitting it is then no longer possible to distinguish whether the neural network outputs the function of the technical system or that of an error or noise as the result of a simulation.
  • the hybrid simulator provided according to the invention is significantly less prone to overfitting because of its structure and the physics-based simulation module it contains.
  • the neural network connected upstream of the simulation module does not have to record the function of the entire technical system, but only correlate control signals with physical quantities that are required as simulation input data by the simulation module.
  • the neural network could only learn a correlation between the control signal set on the control valve (eg a value between 1 and 5) and the resulting flow rate of warm water.
  • the correlations required here often have the character of a simple linear mapping, which are considerably less complex and prone to overfitting than the much more extensive and multi-layered simulation of the function of an entire complex technical system in which many different physical effects are superimposed on one another.
  • the hybrid simulator can be trained with very good quality even if a time sequence of control signals and an available time sequence of measured state data of the technical system are too little training data for training a neural Network from which the function of the entire technical system is to be learned.
  • high quality means that the training data generated in this way correspond very well with the actual reactions of the technical system to the generated control signals and contain only very small errors or very little noise, if at all.
  • Different control signals are generated and used by the hybrid Si simulated reactions of the technical system, for example in the form of simulated status data (SSD).
  • the generated training data can be evenly distributed over the entire range of known / possible / permissible / permitted control signals of the technical system.
  • other distribution patterns are also conceivable, such as a random distribution, a Gaussian distribution or a Poisson distribution.
  • a hybrid simulator formed according to the invention it is possible to simulate very precisely expected reactions of the technical system to control signals that are outside the range for which the specifically measured status data of the technical system are available. These can be areas in which, for example, due to restrictions in the technical system used to determine specific measurement data for remuneration, no specific measurement values can be determined.
  • the trained neural network and the simulation module can be used to generate a hybrid simulator for simulating the technical system on the basis of control signals from the technical system. forms are.
  • the technical system can then be controlled as a function of a simulation of the hybrid simulator.
  • the hybrid simulator can in particular be used as a digital twin of the technical system.
  • control signal variants can advantageously be fed into the hybrid simulator and a simulated reaction of the technical system can be evaluated in each case. Depending on the evaluation results, one of the control signal variants can then be selected in order to control the technical system by means of the selected control signal variant.
  • a control signal variant can preferably be selected here which leads to a particularly advantageous or otherwise optimal simulated reaction of the technical system. In this way, an optimized control of the technical system can be implemented, for example in the context of a model predictive control (MPC: Model Predictive Control).
  • MPC Model Predictive Control
  • a large number of control signals can be generated and a simulated reaction of the technical system can be determined in each case by means of the hybrid simulator.
  • a further neural network can be trained to reproduce simulated reactions using control signals.
  • the hybrid simulator can then be at least partially replaced by the trained further neural network.
  • measured status data, simulated status data, external status data on a status of an external system and / or environmental data on an environment of the technical system can be fed into the neural network as additional input data.
  • physical quantities of the technical system often also depend on its environment or on external systems, training success can usually be significantly improved if the influencing variables are also fed into the neural network.
  • Figure 1 shows a control device according to the invention in a configuration phase
  • FIG. 2 shows the control device when controlling a technical system
  • FIG. 3 the control device in a further configuration phase.
  • a control device CTL according to the invention is shown schematically in a configuration phase.
  • the control device CTL is used to control a technical system TS, z. B. a gas turbine, a wind turbine, a solar power plant, an internal combustion engine, an engine, a motor vehicle, a manufacturing plant, a traffic control system, an energy controller for a building, a robot or an energy transmission network.
  • a technical system is also to be understood in particular as a component or a subsystem of a composite technical system.
  • a heating system for a building is considered as the technical system TS.
  • the control device CTL has one or more processors PROC for executing process steps of the control device CTL as well as one or more with the process Memory MEM coupled to processor PROC for storing the data to be processed by the control device CTL.
  • control device CTL is shown in Figure 1 external to the technical system TS and is coupled to it. Alternatively or additionally, the control device CTL can also be fully or partially integrated into the technical system TS.
  • the technical system TS has a sensor system S for measuring or detecting measured variables that quantify a state of the technical system TS.
  • the measured variables are transmitted in the form of measured status data SD from the sensor system S to the control CTL and are recorded by the latter.
  • the measured status data SD can include, for example, data on temperature, pressure or friction in the technical system TS or other physical data.
  • data about a load or a resource consumption of the technical system TS can be included.
  • the sensor system S can, for example, have temperature sensors for measuring a room temperature or a water temperature.
  • the technical system TS is controlled by means of and on the basis of control signals CS.
  • the control signals CS can include actuating signals, control data or other signals relevant to the control of the technical system TS and relate to different control variables. Such control signals can be generated, for example, by actuating rotary knobs, switches, accelerator pedals or other user actions, or they can be used to control components of the technical system TS.
  • the control signals CS can be detected in the technical system TS and transmitted to the control device CTL, for. B. a thermostat setting made by a user loading, or generated by the control device CTL for controlling the technical system TS and transmitted to this, for. B. a switch-on signal for a pump.
  • the control signals CS can also include control signals from external components.
  • the control signals CS are continuously ge in time sequence, z. B. captured every hundred milliseconds.
  • the measured status data SD are continuously recorded in a corresponding time sequence by the control device CTL.
  • a control signal for a thermostat can be recorded as a control signal and a room temperature or water temperature as measured status data.
  • the control device CTL has a simulation module SIM for the physical simulation of the technical system TS.
  • the SIM simulation module performs a physics-based simulation based on mechanical, thermodynamic or other physical models.
  • the physical models represent the physical, natural-law interrelationships of the technical system.
  • the simulation module SIM evaluates these interdependencies, for example by numerically solving equations of motion, thermodynamic equations or other static or dynamic equations for elements of the technical system TS. A large number of sufficiently accurate physical models are available for such physics-based simulations.
  • the simulations are carried out by the simulation module SIM on the basis of physical quantities that are decisive for the physical behavior of the technical system TS or at least influence this behavior.
  • Such physical variables can include, for example, temperatures, forces, heat flows, flow rates or other physical properties of the technical system TS with physical significance.
  • the simulation module SIM requires physical simulation input data PD that quantify these physical quantities.
  • a physical simulation model is based on physical quantities that are difficult to measure. Temperatures, forces or heat flows inside a machine can be decisive for a behavior and thus for a simulation of this machine, but can be very difficult to measure. If such physical quantities are not available or are only available imprecisely, the accuracy of the simulation can be considerably impaired.
  • control signals from a technical system are often easier to grasp.
  • the available control signals often cannot be used directly in physical simulation models because they do not match the physical quantities of the simulation model and cannot be used in the underlying physical equations. If a relationship between control signals and physical quantities is not known a priori, these physical equations cannot be used. If, for example, a radiator can be set in the range from 1 to 5 by a rotatable thermostat, a control signal quantifying the numbers 1 to 5 cannot usually be used directly in a physical equation for thermodynamic simulation of the radiator.
  • the behavior of the technical system TS depends in many cases not only on internal control signals, but also on an environment of the technical system and / or on external systems.
  • the flow rate of hot water but also the temperature of the water is decisive for a heat flow in a radiator, which could possibly not be determined by the heater but by an external heat generator.
  • the physical quantities relevant for the simulation can depend in a very complex way on a large number of control signals or external influencing factors. gigantic, which makes direct use in physics-based simulation models much more difficult.
  • an artificial neural network NN is trained with the aim of determining the physical variables required for the simulation model SIM or at least determining data that lead to the simulation results to be achieved.
  • the required physical variables are to be determined by the trained neural network NN from the recorded control signals CS and other easily recorded data.
  • a time sequence of the control signals CS and a time sequence of the measured status data SD are recorded by the control device CTL and fed into the neural network NN as input data.
  • environmental data ENV about an environment of the technical system TS and external status data ESD about a status of an external system are recorded by the control device CTL and fed into the neural network NN.
  • the environmental data ENV can in particular include an ambient temperature, weather data, time information and / or date information.
  • the external status data ESD can e.g. B. concern a level of an oil tank or a Tem temperature in an external heat generator. Insofar as the physical quantities of the technical system TS can be significantly dependent on its environment and connected external systems, the additional consideration of the environmental data ENV and the external status data ESD generally significantly improves training success.
  • the training of the neural network NN is preferably carried out by means of a method of machine reinforcement learning.
  • training is generally understood to mean an optimization of a mapping of input data, here CS, SD, ENV and ESD, of a neural network, here NN, to output data, here PD.
  • This figure is based on given, learned and / or to be learned criteria optimized during a training phase.
  • the criteria here can be, for. B. with control models a success of a control action, with Predikti onsmodellen a prediction error or with Simulationsmodel len - as in the present case - a simulation error can be used.
  • network structures of neurons in the neural network and / or weights of connections between the neurons can be set or optimized in such a way that the specified criteria are met as well as possible.
  • the training can thus be viewed as an optimization problem.
  • a large number of efficient optimization methods are available for such optimization problems in the field of machine learning.
  • the output data PD of the neural network NN are fed into the simulation module SIM as simulation input data.
  • the output data PD can be fed into the simulation module SIM directly or via an intermediate processing step.
  • the simulation module SIM carries out a physical simulation, in particular simulated status data SSD of the technical system TS being determined.
  • the simulated status data are fed back into the simulation module SIM as input data, among other things, in order to determine a simulated subsequent status based on the current simulated status in the next time step.
  • the simulated status data SSD are preferably fed into the neural network NN as additional input data. In this way, changes in the technical system TS, which are often reflected in an increasing discrepancy between the measured status data SD and the simulated status data SSD, can be taken into account during training.
  • the aim of the training is to ensure that the simulated status data SSD agree as closely as possible with the actually measured status data SD.
  • a D was determined between the measured status data SD and the corresponding, simulated status data SSD.
  • the distance D here represents a simulation error of the simulation module SIM interacting with the neural network NN.
  • the distance D is fed back to the neural network NN.
  • the neural network NN is trained to minimize this distance D and thus the simulation error. If the status data SD and SSD are represented by data vectors, the distance D can be determined, for example, as a Euclidean distance or a weighted Euclidean distance between these data vectors.
  • a variety of effi cient optimization methods are available to minimize the distance D, e.g. B. gradient-based optimization methods, in particular stochastic Gra washer methods, particle swarm optimizations and / or genetic optimization methods.
  • gradient-based optimization methods differential quotients or difference quotients of the physics-based simulation can be determined and taken into account during training in a way that increases efficiency. If differential quotients or difference quotients of the simulation are not available, particle swarm optimization or genetic optimization methods prove to be advantageous.
  • the neural network NN is automatically trained to determine the physical quantities required by the simulation module SIM as simulation input data from the input data CS, SD, ENV and ESD of the neural network NN. This is based on the consideration that as long as the neural network NN does not determine the physical quantities required by the simulation module SIM with sufficient accuracy, the simulated status data SSD based on it does not match the measured reality. would agree. The deviation from reality is minimized by the training described above.
  • control device CTL is configured to simulate the technical system TS on the basis of its control signals CS and other easily detectable data, here SD, ENV and SSD.
  • a physics-based simulation module SIM allows a more precise simulation and less sensitive to interference or changes in operating conditions.
  • the trained neural network NN can also determine difficult-to-measure physical quantities with sufficient accuracy, which are required by the simulation module SIM for a physics-based simulation or at least increase the accuracy. It turns out that a data-driven determination of the physical quantities can usually be trained in a considerably more stable manner than a completely data-driven simulation. In addition, significantly less training data is usually required. In particular, control signals and other easily detectable data can be used as input data for the simulation without foregoing the advantages of a physics-based simulation.
  • FIG. 2 shows the control device CTL when controlling the technical system TS in a schematic representation.
  • the same or corresponding reference symbols are used in FIG. 2 as in FIG. 1, these reference symbols denote the same or corresponding entities which, in particular, can be implemented or configured as described above.
  • a hybrid simulator HSIM is formed by the simulation module SIM and the upstream, trained neural network NN.
  • the hybrid simulator HSIM simulates the technical system TS using control signals CS and other easily comprehensible data, here SD, ENV and ESD, instead of using If necessary, physical quantities that are difficult to measure but required by the SIM simulation module.
  • the hybrid simulator HSIM behaves in many ways like the technical system TS, the hybrid simulator HSIM can in particular be used as a digital twin of the technical system TS.
  • control signals CS are derived from the control signals CS, the measured state data SD, the environmental data ENV and the external state data ESD, which are fed into the simulation module SIM as simulation input data PD .
  • the simulation module SIM uses this to determine the simulated status data SSD, which are transmitted to a control signal output CSO of the control device CTL.
  • the control signal output CSO uses the simulated state data SSD to generate control signals CS for controlling the technical system TS.
  • These control signals CS are transmitted to the technical system TS and control it.
  • control signal variants can be generated by a control signal generator (not shown) and each fed into the hybrid simulator HSIM.
  • the hybrid simulator HSIM determines a simulated reaction of the technical system TS to the respective control signal variant for the control signal variants.
  • that control signal variant is then preferably selected by the control signal output CSO which leads to the most favorable possible reaction of the technical system.
  • the technical system TS can then be controlled in an optimized manner by the control signal output CSO by means of the selected control signal variant.
  • the hybrid simulator HSIM can also be used for testing and for design optimization during a design process. Due to the greater robustness of the hybrid simulation according to the invention, simulative tests can also be performed under unusual operating conditions. conditions are carried out that would be associated with risks in the real technical system, very time-consuming or impossible.
  • FIG. 3 shows the control device CTL in a further configuration phase in a schematic representation.
  • the same or corresponding reference symbols are used in FIG. 3 as in the previous figures, these reference symbols denote the same or corresponding entities.
  • the hybrid simulator HSIM containing the trained neural network NN is used to train another artificial neural network NNS of the control device CTL, the reactions simulated by the hybri simulator HSIM based on control signals and other easily detectable To reproduce data.
  • This training can preferably be carried out by means of a model-based method of reinforcement learning.
  • a generator GEN of the control device CTL To train the additional neural network NNS, a generator GEN of the control device CTL generates a large number of control signals CSG and a large number of status data SDG and feeds them into the trained hybrid simulator HSIM as well as the additional neural network NNS to be trained.
  • a large number of environmental data ENV and / or a large number of external status data ESD can be generated by the generator GEN and fed into the hybrid simulator HSIM and the further neural network NNS as input data.
  • the generator GEN is specifically set up to generate control signals, status data and, if necessary, environmental data and external status data, which as far as possible cover all operating states or operating conditions of the technical system TS that can be reached.
  • Based on the generated input Output data are generated by the hybrid simulator HSIM, as described above, simulated status data SSD of the technical system TS and output data NNO by the further neural network NNS.
  • the control device CTL determines a distance D between the simulated status data SSD and the output data NNO of the further neural network NNS. As illustrated by a dashed arrow, the determined distance D is fed back to the further neural network NNS in order to train it to minimize the distance D.
  • a large number of optimization methods, in particular reinforcement learning are available for this minimization.
  • the further neural network NNS is configured by training to simulate the technical system TS using control signals and other easily detectable variables.
  • the further neural network NNS thereby acquires the ability of the hybrid simulator HSIM to simulate the technical system TS based on control signals.
  • the hybrid simulator HSIM can be at least partially replaced by the trained further neural network NNS.
  • NNS trained neural network
  • the trained further neural network NNS can be used instead of the hybrid simulator HSIM for controlling the technical system TS. Due to the compared to the hybrid simulator HSIM, which is usually considerably less computational effort, real-time requirements such. B. in the context of a model predictive control are usually better met.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

Es wird eine zeitliche Abfolge von Steuersignalen (CS) und eine zeitliche Abfolge von gemessenen Zustandsdaten (SD) des technischen Systems (TS) erfasst. Die zeitliche Abfolge der Steuersignale (CS) wird in ein neuronales Netz (NN) eingespeist, und Ausgabedaten (PD) des neuronalen Netzes (NN) werden in das Simulationsmodul (SIM) als Simulationseingabedaten eingespeist. Durch das Simulationsmodul (SIM) wird anhand der Ausgabedaten (PD) des neuronalen Netzes (NN) eine physikalische Simulation durchgeführt, wobei simulierte Zustandsdaten (SSD) des technischen Systems (TS) ermittelt werden. Das neuronale Netz (NN) wird dann darauf trainiert, einen Abstand zwischen den gemessenen Zustandsdaten (SD) und den simulierten Zustandsdaten (SSD) zu verringern. Das trainierte neuronale Netz (NN) und das Simulationsmodul (SIM) bilden einen hybriden Simulator (HSIM). Es werden eine Vielzahl von weiteren, unterschiedlichen Steuersignalen (CSG) generiert und in den hybriden Simulator (HSIM) und ein weiteres neuronales Netz (NNS) eingespeist. Das weitere neuronale Netz (NNS) wird darauf trainiert, einen Abstand zwischen den von dem hybriden Simulator (HSIM) simulierten Zustandsdaten (SSO) des technischen Systems (TS) und den Ausgabedaten (NNO) des weiteren neuronalen Netzes (NNS) zu verringern. Das derart trainierte weitere neuronale Netz (NNS) kann nun von der Steuereinrichtung (CTL) genutzt werden, die voraussichtliche Reaktion des technischen Systems (TS) auf beliebige Steuersignale (CS) zu prognostizieren. Dadurch wird die Steuereinrichtung (CTL) in die Lage versetzt, das technischen System (TS) unter Berücksichtigung der Prognose für beliebige Steuersignale ohne große Streuung von Prognosefehlern vorausschauend zu steuern.

Description

Beschreibung
Steuereinrichtung zum Steuern eines technischen Systems und Verfahren zum Konfigurieren der Steuereinrichtung
Bei der Steuerung komplexer technischer Systeme, wie z. B. Windturbinen, Gasturbinen, Motoren, Fertigungsanlagen, Hei zungsanlagen oder Robotern werden in zunehmendem Maße Simula tionsverfahren eingesetzt, die ein physisches Verhalten des zu steuernden technischen Systems simulieren. Häufig wird da bei angestrebt, einen sogenannten digitalen Zwilling des technischen Systems bereitzustellen, der sich in der Simula tion im Wesentlichen wie dieses technische System verhält.
Ein solcher digitaler Zwilling kann dann insbesondere zum op timierten Steuern, zum Testen sowie zum Optimieren des tech nischen Systems abhängig von einem gemäß der Simulation zu erwartenden Verhalten des technischen Systems eingesetzt wer den.
Zur Erstellung derartiger Simulationsmodelle werden häufig datenbasierte Verfahren des maschinellen Lernens eingesetzt. Hierbei werden insbesondere künstliche neuronale Netze darauf trainiert, ausgehend von Betriebsdaten des zu simulierenden technischen Systems ein resultierendes physisches Verhalten des technischen Systems zu reproduzieren und damit zu simu lieren. Für ein erfolgreiches Training werden jedoch in der Regel große Mengen von Betriebsdaten des technischen Systems als Trainingsdaten benötigt. Die Trainingsdaten sollten zudem die Betriebszustände und Betriebsbedingungen des technischen Systems möglichst repräsentativ abdecken.
In vielen Fällen zeigt sich indessen, dass derartige datenge trieben trainierte Simulationen nur unter solchen Betriebszu ständen und Betriebsbedingungen sinnvolle Ergebnisse liefern, die durch die verwendeten Trainingsdaten abgedeckt sind. Au ßerhalb derartiger Betriebszustände oder Betriebsbedingungen führt eine solche Simulation dagegen oft zu unrealistischen oder grob abweichenden Simulationsergebnissen. Es ist Aufgabe der vorliegenden Erfindung, eine Steuerein richtung zum Steuern eines technischen Systems sowie ein Ver fahren zum Konfigurieren der Steuereinrichtung anzugeben, die eine bessere oder effizientere Simulation des technischen Systems erlauben.
Gelöst wird diese Aufgabe durch die nachstehenden Verfahren 1-8, Steuereinrichtung 9, Computerprogrammprodukt 10 und Speichermedium 11.
1. Computerimplementiertes Verfahren zum Konfigurieren einer Steuereinrichtung (CTL) für ein technisches System (TS), wo bei a) ein Simulationsmodul (SIM) bereitgestellt wird zum physi kalischen Simulieren des technischen Systems (TS) anhand von als Simulationseingabedaten eingespeisten physikali schen Größen des technischen Systems (TS), b) eine zeitliche Abfolge von Steuersignalen (CS) und eine zeitliche Abfolge von gemessenen Zustandsdaten (SD) des technischen Systems (TS) erfasst werden, c) die zeitliche Abfolge der Steuersignale (CS) in ein neuro nales Netz (NN) eingespeist wird, d) Ausgabedaten (PD) des neuronalen Netzes (NN) in das Simu lationsmodul (SIM) als Simulationseingabedaten eingespeist werden, e) durch das Simulationsmodul (SIM) eine physikalische Simu lation anhand der Ausgabedaten (PD) des neuronalen Netzes (NN) durchgeführt wird und dabei simulierte Zustandsdaten (SSD) des technischen Systems (TS) ermittelt werden, f) das neuronale Netz (NN) darauf trainiert wird, einen Ab stand (D) zwischen den gemessenen Zustandsdaten (SD) und den simulierten Zustandsdaten (SSD) zu verringern, und g) die Steuereinrichtung (CTL) durch das Training zum Simu lieren des technischen Systems (TS) anhand von Steuersig nalen (CS) des technischen Systems (TS) eingerichtet wird.
2. Verfahren nach Verfahren 1, dadurch gekennzeichnet, dass durch das trainierte neuronale Netz (NN) und das Simula tionsmodul (SIM) ein hybrider Simulator (HSIM) zum Simulieren des technischen Systems (TS) anhand von Steuersignalen (CS) des technischen Systems (TS) gebildet wird, und dass das technische System (TS) abhängig von einer Simulation des hybriden Simulators (HSIM) gesteuert wird.
3. Verfahren nach Verfahren 2, dadurch gekennzeichnet, dass verschiedene Steuersignalvarianten in den hybriden Simu lator (HSIM) eingespeist werden und jeweils eine simulierte Reaktion des technischen Systems (TS) bewertet wird, dass abhängig von den Bewertungsergebnissen eine der Steuer signalvarianten selektiert wird, und dass das technische System (TS) mittels der selektierten Steuersignalvariante angesteuert wird.
4. Verfahren nach Verfahren 2 oder 3, dadurch gekennzeichnet, dass eine Vielzahl von Steuersignalen (CSG) generiert wird und mittels des hybriden Simulators (HSIM) jeweils eine simu lierte Reaktion des technischen Systems (TS) ermittelt wird, dass anhand der Vielzahl von Steuersignalen (CSG) und der si mulierten Reaktionen ein weiteres neuronales Netz (NNS) da rauf trainiert wird, simulierte Reaktionen anhand von Steuer signalen zu reproduzieren, und dass der hybride Simulator (HSIM) zumindest teilweise durch das trainierte weitere neuronale Netz (NNS) ersetzt wird.
5. Verfahren nach einem der vorhergehenden Verfahren 1-4, dadurch gekennzeichnet, dass
- gemessene Zustandsdaten (SD),
- simulierte Zustandsdaten (SSD),
- externe Zustandsdaten (ESD) über einen Zustand eines exter nen Systems und/oder
- Umgebungsdaten (ENV) über eine Umgebung des technischen Systems (TS) als Eingabedaten in das neuronale Netz (NN) eingespeist wer den. 6. Verfahren nach einem der vorhergehenden Verfahren 1-5, dadurch gekennzeichnet, dass zum Training des neuronalen Netzes (NN) eine Partikel schwarmoptimierung, ein gradientenbasiertes Optimierungsver fahren, ein stochastisches Gradientenabstiegsverfahren und/oder ein genetisches Optimierungsverfahren verwendet wird.
7. Verfahren nach einem der vorhergehenden Verfahren 1-6, dadurch gekennzeichnet, dass das neuronale Netz (NN) ein rekurrentes neuronales Netz, ein faltendes neuronales Netz, ein bayessches neuronales Netz, einen Autoencoder und/oder eine Deep-Learning-Architektur im plementiert.
8. Verfahren nach einem der vorhergehenden Verfahren 1-7, dadurch gekennzeichnet, dass das technische System (TS) eine Turbine, ein Solarkraft werk, eine Verbrennungskraftmaschine, ein Motor, ein Kraft fahrzeug, eine Fertigungsanlage, ein Verkehrsleitsystem, eine Energiesteuerung für ein Gebäude, eine Heizungsanlage, ein Roboter, ein Energieübertragungsnetz oder eine andere Maschi ne, ein anderes Gerät oder eine andere Anlage ist.
9. Steuereinrichtung (CTL) zum Steuern eines technischen Sys tems (TS) eingerichtet zum Ausführen eines Verfahrens nach einem der vorhergehenden Verfahren 1-8.
10. Computerprogrammprodukt eingerichtet zum Ausführen eines der Verfahren 1 bis 8.
11. Computerlesbares Speichermedium mit einem Computerpro grammprodukt 10.
Weitere Lösungen werden durch die in den Patentansprüchen be schriebenen Verfahren, Steuereinrichtungen, Computerprogramm produkte und computerlesbaren Speichermedien bereitgestellt. Zum Konfigurieren einer Steuereinrichtung für ein technisches System wird ein Simulationsmodul zum physikalischen Simulie ren des technischen Systems anhand von als Simulationseinga bedaten eingespeisten physikalischen Größen des technischen Systems bereitgestellt. Weiterhin wird eine zeitliche Abfolge von Steuersignalen und eine zeitliche Abfolge von gemessenen Zustandsdaten des technischen Systems erfasst. Die zeitliche Abfolge der Steuersignale wird in ein neuronales Netz einge speist, und Ausgabedaten des neuronalen Netzes werden in das Simulationsmodul als Simulationseingabedaten eingespeist. Durch das Simulationsmodul wird anhand der Ausgabedaten des neuronalen Netzes eine physikalische Simulation durchgeführt, wobei simulierte Zustandsdaten des technischen Systems ermit telt werden. Das neuronale Netz wird dann darauf trainiert, einen Abstand zwischen den gemessenen Zustandsdaten und den simulierten Zustandsdaten zu verringern. Durch das Training wird die Steuereinrichtung zum Simulieren des technischen Systems anhand von Steuersignalen eingerichtet.
Zum Ausführen des erfindungsgemäßen Verfahrens sind eine ent sprechende Steuereinrichtung, ein Computerprogrammprodukt so wie ein computerlesbares, vorzugsweise nichtflüchtiges Spei chermedium vorgesehen.
Das erfindungsgemäße Verfahren sowie die erfindungsgemäße Steuereinrichtung können beispielsweise mittels eines oder mehrerer Prozessoren, anwendungsspezifischer integrierter Schaltungen (ASIC), digitaler Signalprozessoren (DSP) und/oder sogenannter „Field Programmable Gate Arrays" (FPGA) ausgeführt bzw. implementiert werden.
Durch das Verfahren kann das neuronale Netz automatisch da rauf trainiert werden, vom Simulationsmodul als Simulations eingabedaten benötigte physikalische Größen anhand von Steu ersignalen des technischen Systems zu ermitteln. Die Verwen dung eines physikbasierten Simulationsmoduls erlaubt in der Regel eine genauere und gegenüber Störeiflüssen oder Wechseln von Betriebsbedingungen weniger empfindliche Simulation eines technischen Systems als ein rein datengetriebener Simulator. Darüber hinaus werden in der Regel erheblich weniger Trai ningsdaten dazu benötigt, um ein neuronales Netz zum Ermit teln von physikalischen Größen anhand von Steuersignalen zu befähigen, als um einen vollständig datengetriebenen Simula tor zu trainieren. Zudem können wechselnde physikalische Ein flüsse durch das physikbasierte Simulationsmodul meist auf einfache Weise berücksichtigt werden, während ein rein daten getriebener Simulator häufig neu trainiert werden müsste. Da eine physikbasierte Simulation verschiedene Parametrierungen haben kann, ist sie in der Regel vielfach wiederverwendbar, und muss bei kleinen Änderungen des technischen Systems nicht neu erstellt werden.
Ein weiterer Vorteil der Erfindung liegt darin, dass mit Hil fe eines erfindungsgemäß gebildeten hybriden Simulators für eine Vielzahl von generierten unterschiedlichen Steuersigna len auf Grund der Struktur des hybriden Simulators und dem in ihm enthaltenen physikbasierten Simulationsmoduls zur Durch führung einer physikalischen Simulation die voraussichtlichen Reaktionen des technischen Systems auf die jeweiligen Steuer signale sehr genau simuliert werden können.
Dies hat vor allem dann besonders schöne Vorteile, wenn eine zeitliche Äbfolge von Steuersignalen und eine zeitliche Ab folge von gemessenen Zustandsdaten des technischen Systems zu wenig Trainingsdaten für ein Training eines neuronalen Netzes umfassen, von dem die Funktion des gesamten technischen Sys tems erlernt werden soll. Dies kann zu einem sogenannten Overfitting führen, bei dem von dem derart trainierten neuro nalen Netz nicht nur die Funktion des technischen Systems ge lernt wird, sondern auch unerwünschte Effekte wie Fehler in den Trainingsdaten oder Rauschen. Im Falle eines Overfittings lässt sich dann nicht mehr unterscheiden, ob von dem neurona len Netz die Funktion des technischen Systems oder die eines Fehlers bzw. Rauschens als Ergebnis einer Simulation ausgege ben wird. Der erfindungsgemäß vorgesehene hybride Simulator ist wegen seiner Struktur und des enthaltenen physikbasierten Simulati onsmoduls deutlich weniger anfällig gegen Overfitting. Das dem Simulationsmodul vorgeschaltete neuronale Netz muss in diesem Fall nicht die Funktion des gesamten technischen Sys tems erfassen, sondern nur Steuersignale mit physikalischen Größen korrelieren, die von dem Simulationsmodul als Simula tionseingabedaten benötigt werden. Im Fall eines Heizkörpers könnte beispielsweise von dem neuronalen Netz lediglich eine Korrelation zwischen dem am Steuerventil eingestellten Steu ersignal (z.B. ein Wert zwischen 1 und 5) und der daraus re sultierenden Durchflussmenge warmen Wassers zu lernen sein. Die hier benötigten Korrelationen haben oft eher den Charak ter einer einfachen linearen Abbildung, welche erheblich we niger komplex und anfällig gegen Overfitting sind als die deutlich umfangreichere und vielschichtigere Simulation der Funktion eines gesamten komplexen technischen Systems, in dem sich viele unterschiedliche physikalische Effekte gegenseitig überlagern .
Nach Erkenntnis der Erfindung kann wegen dieser Charakteris tik der hybride Simulator auch dann bereits mit sehr guter Qualität trainiert werden, wenn eine zeitliche Abfolge von Steuersignalen und eine zur Verfügung stehende zeitliche Ab folge von gemessenen Zustandsdaten des technischen Systems zu wenig Trainingsdaten für ein Training eines neuronalen Netzes umfassen, von dem die Funktion des gesamten technischen Sys tems erlernt werden soll.
Mit Hilfe des derart trainierten hybriden Simulators kann im Anschluss eine Vielzahl von qualitativ hochwertigen, unter schiedlichen weiteren Trainingsdaten erzeugt werden. Qualita tiv hochwertig bedeutet in diesem Fall, dass die derart gene rierten Trainingsdaten sehr gut mit tatsächlichen Reaktionen des technischen Systems auf die generierten Steuersignale übereinstimmen und, wenn überhaupt, nur sehr kleine Fehler oder sehr kleines Rauschen enthalten. Dabei werden unter schiedliche Steuersignale generiert und von dem hybriden Si- mulator jeweils zugehörige simulierte Reaktionen des techni schen Systems, beispielsweise in Form von simulierten Zu standsdaten (SSD), ermittelt.
Die generierten Trainingsdaten können gleichmäßig über den gesamten Bereich an bekannten / möglichen / zulässigen / er laubten Steuersignalen des technischen Systems verteilt sein. Je nach Anwendungsfall sind auch andere Verteilungsmuster denkbar wie zum Beispiel eine zufällige Verteilung, eine Gauß-Verteilung oder eine Poisson-Verteilung.
Weiterhin ist es mit Hilfe eines erfindungsgemäß gebildeten hybriden Simulators möglich, sehr genau voraussichtliche Re aktionen des technischen Systems auf Steuersignale zu simu lieren, die außerhalb des Bereichs liegen, für den konkret gemessene Zustandsdaten des technischen Systems zur Verfügung stehen. Dies können Bereiche sein, in denen z.B. auf Grund von Beschränkungen des zur Ermittlung von konkreten Messdaten zur Vergütung stehenden technischen Systems keine konkreten Messwerte ermittelt werden können.
Bei Verwendung dieser generierten Trainingsdaten für ein nachgeschaltetes weiteres neurales Netz, von dem die Funktion des gesamten technischen Systems erlernt werden soll, kann ein Extrapolationsverhalten des weiteren neuronalen Netzes erheblich verbessert oder überhaupt erst ermöglicht werden. Vorteilhaft lässt sich somit eine Generalisierung der Steue rung erreichen, die ohne die Erfindung bei ausschließlicher Verwendung der vorhandenen, real gemessenen Trainingsdaten nicht möglich wäre.
Vorteilhafte Ausführungsformen und Weiterbildungen der Erfin dung sind in den abhängigen Ansprüchen angegeben.
Gemäß einer vorteilhaften Ausführungsformen der Erfindung kann durch das trainierte neuronale Netz und das Simulations modul ein hybrider Simulator zum Simulieren des technischen Systems anhand von Steuersignalen des technischen Systems ge- bildet werden. Das technische System kann dann abhängig von einer Simulation des hybriden Simulators gesteuert werden.
Der hybride Simulator kann insbesondere als digitaler Zwil ling des technischen Systems verwendet werden.
Vorteilhafterweise können verschiedene Steuersignalvarianten in den hybriden Simulator eingespeist werden und jeweils eine simulierte Reaktion des technischen Systems bewertet werden. Abhängig von den Bewertungsergebnissen kann dann eine der Steuersignalvarianten selektiert werden, um das technische System mittels der selektierten Steuersignalvariante anzu steuern. Vorzugweise kann hierbei eine Steuersignalvariante selektiert werden, die zu einer besonders vorteilhaften oder in anderer Hinsicht optimalen simulierten Reaktion des tech nischen Systems führt. Auf diese Weise kann eine optimierte Steuerung des technischen Systems beispielsweise im Rahmen einer modellprädiktiven Regelung (MPC: Model Predictive Con trol) implementiert werden.
Nach einer vorteilhaften Weiterbildung der Erfindung können eine Vielzahl von Steuersignalen generiert werden und mittels des hybriden Simulators jeweils eine simulierte Reaktion des technischen Systems ermittelt werden. Anhand der Vielzahl von Steuersignalen und der simulierten Reaktionen kann ein weite res neuronales Netz darauf trainiert werden, simulierte Reak tionen anhand von Steuersignalen zu reproduzieren. Der hybri de Simulator kann dann zumindest teilweise durch das trai nierte weitere neuronale Netz ersetzt werden. Dies ist inso fern vorteilhaft, als ein trainiertes neuronales Netz häufig mit erheblich geringerem Rechenaufwand ausgewertet werden kann als eine physikbasierte Simulation.
Gemäß weiterer vorteilhafter Ausführungsvarianten der Erfin dung können gemessene Zustandsdaten, simulierte Zustandsda ten, externe Zustandsdaten über einen Zustand eines externen Systems und/oder Umgebungsdaten über eine Umgebung des tech nischen Systems als zusätzliche Eingabedaten in das neuronale Netz eingespeist werden. Insofern physikalische Größen des technischen Systems häufig auch von dessen Umgebung oder von externen Systemen abhängen, kann ein Trainingserfolg in der Regel erheblich verbessert werden, wenn die Einflussgrößen ebenfalls in das neuronale Netz eingespeist werden. Durch die Einspeisung von simulierten Zustandsdaten können insbesondere Veränderungen des technischen Systems gegenüber der Simulati on berücksichtigt, detektiert und/oder kompensiert werden.
Ein Ausführungsbeispiel der Erfindung wird nachfolgend anhand der Zeichnung näher erläutert. Dabei zeigen jeweils in sche matischer Darstellung:
Figur 1 eine erfindungsgemäße Steuereinrichtung in einer Kon figurationsphase,
Figur 2 die Steuereinrichtung beim Steuern eines technischen Systems und
Figur 3 die Steuereinrichtung in einer weiteren Konfigurati onsphase.
In Figur 1 ist eine erfindungsgemäße Steuereinrichtung CTL in einer Konfigurationsphase schematisch dargestellt. Die Steu ereinrichtung CTL dient zum Steuern eines technischen Systems TS, z. B. einer Gasturbine, einer Windturbine, eines So larkraftwerks, einer Verbrennungskraftmaschine, eines Motors, eines Kraftfahrzeugs, einer Fertigungsanlage, eines Verkehrs leitsystems, einer Energiesteuerung für ein Gebäude, eines Roboters oder eines Energieübertragungsnetzes. Unter einem technischen System sei insbesondere auch eine Komponente oder ein Teilsystem eines zusammengesetzten technischen Systems verstanden. Im vorliegenden Ausführungsbeispiel wird als technisches System TS eine Heizungsanlage für ein Gebäude be trachtet.
Die Steuereinrichtung CTL verfügt über eine oder mehrere Pro zessoren PROC zum Ausführen von Verfahrensschritten der Steu ereinrichtung CTL sowie über einen oder mehrere mit dem Pro- zessor PROC gekoppelte Speicher MEM zum Speichern der von der Steuereinrichtung CTL zu verarbeitenden Daten.
Die Steuereinrichtung CTL ist in Figur 1 extern zum techni schen System TS dargestellt und mit diesem gekoppelt. Alter nativ oder zusätzlich kann die Steuereinrichtung CTL auch ganz oder teilweise in das technische System TS integriert sein.
Das technische System TS verfügt über eine Sensorik S zum Messen oder Erfassen von Messgrößen, die einen Zustand des technischen Systems TS quantifizieren. Die Messgrößen werden in Form von gemessenen Zustandsdaten SD von der Sensorik S zur Steuerung CTL übermittelt und von dieser erfasst. Die ge messenen Zustandsdaten SD können beispielsweise Daten über Temperatur, Druck oder Reibung im technischen System TS oder andere physikalische Daten umfassen. Weiterhin können Daten über eine Auslastung oder einen Ressourcenverbrauch des tech nischen Systems TS enthalten sein. Im Fall einer Heizungsan lage kann die Sensorik S beispielsweise über Temperatursenso ren zum Messen einer Raumtemperatur oder einer Wassertempera tur verfügen.
Das technische System TS wird mittels und anhand von Steuer signalen CS gesteuert. Die Steuersignale CS können Stellsig nale, Steuerdaten oder andere für die Steuerung des techni schen Systems TS relevante Signale umfassen und unterschied liche Steuergrößen betreffen. Derartige Steuersignale können beispielsweise durch eine Betätigung von Drehknöpfen, von Schaltern, von Gaspedalen oder durch andere Benutzeraktionen erzeugt werden oder für eine Ansteuerung von Komponenten des technischen Systems TS verwendet werden. Die Steuersignale CS können im technischen System TS erfasst und zur Steuerein richtung CTL übermittelt werden, z. B. eine durch einen Be nutzer vorgenommene Thermostateinstellung, oder durch die Steuereinrichtung CTL zum Steuern des technischen Systems TS erzeugt und zu diesem übertragen werden, z. B. ein Einschalt- signal für eine Pumpe. Darüber hinaus können die Steuersigna le CS auch Steuersignale von externen Komponenten umfassen.
Die Steuersignale CS werden fortlaufend in zeitlicher Abfol ge, z. B. alle hundert Millisekunden erfasst. Darüber hinaus werden durch die Steuereinrichtung CTL die gemessenen Zu standsdaten SD fortlaufend in korrespondierender zeitlicher Abfolge erfasst. Bei einer Heizungsanlage können beispiels weise ein Stellsignal für einen Thermostaten als Steuersignal und eine Raumtemperatur oder Wassertemperatur als gemessene Zustandsdaten erfasst werden.
Die Steuereinrichtung CTL weist erfindungsgemäß ein Simulati onsmodul SIM zur physikalischen Simulation des technischen Systems TS auf. Das Simulationsmodul SIM führt eine physikba sierte, auf mechanischen, thermodynamischen oder anderen phy sikalischen Modellen gestützte Simulation aus. Die physikali schen Modelle bilden hierbei physikalische, naturgesetzliche Wirkungszusammenhänge des technischen Systems ab. Das Simula tionsmodul SIM wertet diese Wirkungszusammenhänge beispiels weise durch numerisches Lösen von Bewegungsgleichungen, ther modynamischen Gleichungen oder anderen statischen oder dyna mischen Gleichungen für Elemente des technischen Systems TS aus. Für derartige physikbasierte Simulationen sind eine Vielzahl von hinreichend genauen physikalischen Modellen ver fügbar.
Die Simulationen werden durch das Simulationsmodul SIM anhand von physikalischen Größen durchgeführt, die für das physika lische Verhalten des technischen Systems TS maßgeblich sind oder dieses Verhalten zumindest beeinflussen. Derartige phy sikalische Größen können beispielsweise Temperaturen, Kräfte, Wärmeströme, Durchflussmengen oder andere physikalische Ei genschaften des technischen Systems TS mit physikalischer Be deutung umfassen. Zur Durchführung der Simulationen benötigt das Simulationsmodul SIM physikalische Simulationseingabeda ten PD, die diese physikalischen Größen quantifizieren. In der Praxis tritt indessen häufig das Problem auf, dass sich ein physikalisches Simulationsmodell auf physikalische Größen stützt, die nur schwer messbar sind. So können Tempe raturen, Kräfte oder Wärmeströme im Inneren einer Maschine zwar für ein Verhalten und damit für eine Simulation dieser Maschine maßgeblich, aber nur sehr schwer zu messen sein. Falls derartige physikalische Größen nicht oder nur ungenau verfügbar sind, kann die Genauigkeit der Simulation erheblich beeinträchtigt werden.
Anders als manche physikalischen Größen sind Steuersignale eines technischen Systems häufig leichter erfassbar. Die ver fügbaren Steuersignale können jedoch häufig nicht direkt in physikalischen Simulationsmodellen verwendet werden, da sie nicht zu den physikalischen Größen des Simulationsmodells passen und nicht in die zugrunde liegenden physikalischen Gleichungen einsetzbar sind. Wenn ein Zusammenhang zwischen Steuersignalen und physikalischen Größen a priori nicht be kannt ist, können diese physikalischen Gleichungen nicht ver wendet werden. Falls beispielsweise ein Heizkörper durch ei nen drehbaren Thermostaten im Bereich von 1 bis 5 eingestellt werden kann, kann ein die Zahlen 1 bis 5 quantifizierendes Steuersignal in der Regel nicht direkt in eine physikalische Gleichung zur thermodynamischen Simulation des Heizkörpers eingesetzt werden.
Darüber hinaus hängt ein Verhalten des technischen Systems TS in vielen Fällen nicht nur von internen Steuersignalen ab, sondern auch von einer Umgebung des technischen Systems und/oder von externen Systemen. So ist beispielsweise für ei nen Wärmestrom in einem Heizkörper nicht nur eine Durchfluss menge an Warmwasser, sondern auch die Temperatur des Wassers maßgeblich, welche eventuell nicht von der Heizung, sondern von einem externen Wärmeerzeuger bestimmt werden könnte. In solchen Fällen können die für die Simulation maßgeblichen physikalischen Größen in sehr komplexer Weise von einer Viel zahl von Steuersignalen oder externen Einflussfaktoren abhän- gig sein, was eine direkte Verwendung in physikbasierten Si mulationsmodellen erheblich erschwert.
Erfindungsgemäß wird nun anstatt die Simulation auf schwer oder ungenau zu messende physikalische Größen zu stützen, ein künstliches neuronales Netz NN mit dem Ziel trainiert, die für das Simulationsmodel SIM benötigten physikalischen Größen zu ermitteln oder zumindest Daten zu ermitteln, die zu zu treffenden Simulationsergebnissen führen. Die benötigen phy sikalischen Größen sollen durch das trainierte neuronale Netz NN aus den erfassten Steuersignalen CS und anderen leicht zu erfassenden Daten ermittelt werden.
Zum Training des neuronalen Netzes NN werden eine zeitliche Abfolge der Steuersignale CS und eine zeitliche Abfolge der gemessenen Zustandsdaten SD durch die Steuereinrichtung CTL erfasst und in das neuronale Netz NN als Eingabedaten einge speist. Als weitere Eingabedaten werden Umgebungsdaten ENV über eine Umgebung des technischen Systems TS sowie externe Zustandsdaten ESD über einen Zustand eines externen Systems durch die Steuereinrichtung CTL erfasst und in das neuronale Netz NN eingespeist. Die Umgebungsdaten ENV können insbeson dere eine Umgebungstemperatur, Wetterdaten, Zeitangaben und/oder Datumsangaben umfassen. Die externen Zustandsdaten ESD können z. B. einen Füllstand eines Öltanks oder eine Tem peratur in einem externen Wärmeerzeuger betreffen. Insofern die physikalischen Größen des technischen Systems TS erheb lich von seiner Umgebung und angekoppelten externen Systemen abhängig sein können, wird durch die zusätzliche Berücksich tigung der Umgebungsdaten ENV und der externen Zustandsdaten ESD ein Trainingserfolg in der Regel erheblich verbessert.
Das Training des neuronalen Netzes NN erfolgt vorzugsweise mittels eines Verfahrens des maschinellen bestärkenden Ler nens. Unter einem Training sei hierbei allgemein eine Opti mierung einer Abbildung von Eingabedaten, hier CS, SD, ENV und ESD, eines neuronalen Netzes, hier NN, auf Ausgabedaten, hier PD, verstanden. Diese Abbildung wird nach vorgegebenen, gelernten und/oder zu lernenden Kriterien während einer Trai ningsphase optimiert. Als Kriterien können hierbei z. B. bei Steuermodellen ein Erfolg einer Steueraktion, bei Prädikti onsmodellen ein Prädiktionsfehler oder bei Simulationsmodel len - wie im vorliegenden Fall - ein Simulationsfehler heran gezogen werden. Durch das Training können beispielsweise Ver netzungsstrukturen von Neuronen des neuronalen Netzes und/oder Gewichte von Verbindungen zwischen den Neuronen so eingestellt bzw. optimiert werden, dass die vorgegebenen Kri terien möglichst gut erfüllt werden. Das Training kann somit als Optimierungsproblem aufgefasst werden. Für derartige Op timierungsprobleme auf dem Gebiet des maschinellen Lernens sind eine Vielzahl von effizienten Optimierungsverfahren ver fügbar.
Im vorliegenden Fall werden die Ausgabedaten PD des neurona len Netzes NN als Simulationseingabedaten in das Simulations modul SIM eingespeist. Die Ausgabedaten PD können dabei di rekt oder über einen Zwischenverarbeitungsschritt in das Si mulationsmodul SIM eingespeist werden. Anhand der Simulati onseingabedaten PD führt das Simulationsmodul SIM eine physi kalische Simulation durch, wobei insbesondere simulierte Zu standsdaten SSD des technischen Systems TS ermittelt werden. Die simulierten Zustandsdaten werden unter anderem als Einga bedaten in das Simulationsmodul SIM zurückgeführt, um anhand des aktuellen simulierten Zustands im nächsten Zeitschritt einen simulierten Folgezustand zu ermitteln. Darüber hinaus werden die simulierten Zustandsdaten SSD vorzugsweise als zu sätzliche Eingabedaten in das neuronale Netz NN eingespeist. Auf diese Weise können Veränderungen des technischen Systems TS, die sich häufig in einer zunehmenden Diskrepanz zwischen den gemessenen Zustandsdaten SD und den simulierten Zustands daten SSD niederschlagen, beim Training berücksichtigt wer den.
Durch das Training wird angestrebt, dass die simulierten Zu standsdaten SSD möglichst gut mit den tatsächlich gemessenen Zustandsdaten SD übereinstimmen. Zu diesem Zweck wird ein Ab- stand D zwischen den gemessenen Zustandsdaten SD und den dazu korrespondierenden, simulierten Zustandsdaten SSD ermittelt. Der Abstand D repräsentiert hierbei einen Simulationsfehler des mit dem neuronalen Netz NN zusammenwirkenden Simulations moduls SIM.
Der Abstand D wird, wie in Figur 1 durch einen strichlierten Pfeil angedeutet, zum neuronalen Netz NN zurückgeführt. An hand des zurückgeführten Abstands D wird das neuronale Netz NN darauf trainiert, diesen Abstand D und damit den Simulati onsfehler zu minimieren. Falls die Zustandsdaten SD und SSD durch Datenvektoren repräsentiert sind, kann der Abstand D beispielsweise als euklidischer Abstand oder gewichteter euk lidischer Abstand zwischen diesen Datenvektoren ermittelt werden.
Zur Minimierung des Abstands D ist eine Vielzahl von effi zienten Optimierungsverfahren verfügbar, z. B. gradientenba sierte Optimierungsverfahren, insbesondere stochastische Gra dientenabstiegsverfahren, Partikelschwarmoptimierungen und/oder genetische Optimierungsverfahren. Bei gradientenba sierten Optimierungsverfahren können Differenzialquotienten oder Differenzenquotienten der physikbasierten Simulation er mittelt und beim Training in effizienzsteigender Weise be rücksichtigt werden. Falls Differenzialquotienten oder Diffe renzenquotienten der Simulation nicht verfügbar sind, erwei sen sich Partikelschwarmoptimierungen oder genetische Opti mierungsverfahren als vorteilhaft.
Durch die Minimierung des Abstands D wird das neuronale Netz NN automatisch darauf trainiert, die vom Simulationsmodul SIM als Simulationseingabedaten benötigten physikalischen Größen aus den Eingabedaten CS, SD, ENV und ESD des neuronalen Net zes NN zu ermitteln. Dies basiert auf der Erwägung, dass so lange das neuronale Netz NN nicht die vom Simulationsmodul SIM benötigten physikalischen Größen mit hinreichender Genau igkeit ermittelt, die darauf basierenden simulierten Zu standsdaten SSD nicht mit der gemessenen Realität überein- stimmen würden. Die Abweichung von der Realität wird aber ge rade durch das oben beschriebene Training minimiert.
Durch das Training des neuronalen Netzes NN wird die Steuer einrichtung CTL zum Simulieren des technischen Systems TS an hand von dessen Steuersignalen CS und anderen leicht erfass baren Daten, hier SD, ENV und SSD konfiguriert.
Die Verwendung eines physikbasierten Simulationsmoduls SIM erlaubt gegenüber einem rein datengetriebenen Simulator eine genauere und gegenüber Störeinflüssen oder Wechseln von Be triebsbedingungen weniger empfindliche Simulation. Durch das trainierte neuronale Netz NN können auch schwer messbare phy sikalische Größen mit hinreichender Genauigkeit ermittelt werden, die für eine physikbasierte Simulation vom Simulati onsmodul SIM benötigt werden oder zumindest genauigkeitsstei gernd sind. Es erweist sich, dass eine datengetriebene Er mittlung der physikalischen Größen in der Regel erheblich stabiler trainierbar ist als eine vollständig datengetriebene Simulation. Zudem werden meist erheblich weniger Trainingsda ten benötigt. Insbesondere können Steuersignale und andere leicht erfassbare Daten als Eingabedaten für die Simulation verwendet werden, ohne auf die Vorteile einer physikbasierten Simulation zu verzichten.
Figur 2 zeigt die Steuereinrichtung CTL beim Steuern des technischen Systems TS in schematischer Darstellung. Insofern in Figur 2 die gleichen oder korrespondierende Bezugszeichen wie in Figur 1 verwendet werden, bezeichnen diese Bezugszei chen die gleichen oder korrespondierende Entitäten, die ins besondere wie oben beschrieben, implementiert oder ausgestal tet sein können.
Durch das Simulationsmodul SIM und das vorgeschaltete, trai nierte neuronale Netz NN wird ein hybrider Simulator HSIM ge bildet. Der hybride Simulator HSIM simuliert das technische System TS anhand von Steuersignalen CS und anderen leicht er fassbaren Daten, hier SD, ENV und ESD, anstatt anhand von ge- gebenenfalls schwer messbaren, aber vom Simulationsmodul SIM benötigten physikalischen Größen. Insofern der hybride Simu lator HSIM sich in vielerlei Hinsicht wie das technische Sys tem TS verhält, kann der hybride Simulator HSIM insbesondere als digitaler Zwilling des technischen Systems TS verwendet werden.
Wie oben beschrieben, werden durch das trainierte neuronale Netz NN aus den Steuersignalen CS, den gemessenen Zustandsda ten SD, den Umgebungsdaten ENV und den externen Zustandsdaten ESD physikalische Größen des technischen Systems TS abgelei tet, die als Simulationseingabedaten PD in das Simulationsmo dul SIM eingespeist werden. Das Simulationsmodul SIM ermit telt daraus die simulierten Zustandsdaten SSD, die zu einer Steuersignalausgabe CSO der Steuereinrichtung CTL übermittelt werden. Die Steuersignalausgabe CSO erzeugt anhand der simu lierten Zustandsdaten SSD Steuersignale CS zum Steuern des technischen Systems TS. Diese Steuersignale CS werden zum technischen System TS übermittelt und steuern dieses an.
Gegebenenfalls können durch einen Steuersignalgenerator (nicht dargestellt) Steuersignalvarianten generiert und je weils in den hybriden Simulator HSIM eingespeist werden. Der hybride Simulator HSIM ermittelt für die Steuersignalvarian ten jeweils eine simulierte Reaktion des technischen Systems TS auf die jeweilige Steuersignalvariante. Abhängig von den simulierten Reaktionen wird dann vorzugsweise diejenige Steu ersignalvariante durch die Steuersignalausgabe CSO selek tiert, die zu einer möglichst günstigen Reaktion des techni schen Systems führt. Das technische System TS kann dann durch die Steuersignalausgabe CSO mittels der selektierten Steuer signalvariante in optimierter Weise angesteuert werden.
Der hybride Simulator HSIM kann außer zum Steuern des techni schen Systems TS auch zum Testen sowie zur Designoptimierung während eines Designprozesses verwendet werden. Aufgrund der größeren Robustheit der erfindungsgemäßen hybriden Simulation können auch simulative Tests unter ungewöhnlichen Betriebsbe- dingungen durchgeführt werden, die am realen technischen Sys tem mit Risiken verbunden, sehr aufwändig oder unmöglich wä ren.
Figur 3 zeigt die Steuereinrichtung CTL in einer weiteren Konfigurationsphase in schematischer Darstellung. Insofern in Figur 3 die gleichen oder korrespondierende Bezugszeichen wie in den vorangegangenen Figuren verwendet werden, bezeichnen diese Bezugszeichen die gleichen oder korrespondierende Enti täten.
In der weiteren Konfigurationsphase wird der das trainierte neuronale Netz NN enthaltende hybride Simulator HSIM dazu ge nutzt, ein weiteres künstliches neuronales Netz NNS der Steu ereinrichtung CTL darauf zu trainieren, die durch den hybri den Simulator HSIM simulierten Reaktionen anhand von Steuer signalen und anderen leicht erfassbaren Daten zu reproduzie ren. Dieses Training kann vorzugsweise mittels eines modell basierten Verfahrens des bestärkenden Lernens durchgeführt werden.
Zum Training des Weiteren neuronalen Netzes NNS werden durch einen Generator GEN der Steuereinrichtung CTL eine Vielzahl von Steuersignalen CSG und eine Vielzahl von Zustandsdaten SDG generiert und sowohl in den trainierten hybriden Simula tor HSIM als auch in das zu trainierende weitere neuronale Netz NNS als Eingabedaten eingespeist. Zusätzlich können, wie oben beschrieben, auch noch eine Vielzahl von Umgebungsdaten ENV und/oder eine Vielzahl von externen Zustandsdaten ESD durch den Generator GEN generiert und in den hybriden Simula tor HSIM und das weitere neuronale Netz NNS als Eingabedaten eingespeist werden.
Der Generator GEN ist spezifisch dazu eingerichtet, Steuer signale, Zustandsdaten und gegebenenfalls Umgebungsdaten und externe Zustandsdaten zu generieren, die möglichst alle er reichbaren Betriebszustände oder Betriebsbedingungen des technischen Systems TS abdecken. Anhand der generierten Ein- gabedaten werden durch den hybriden Simulator HSIM, wie oben beschrieben, simulierte Zustandsdaten SSD des technischen Systems TS erzeugt und durch das weitere neuronale Netz NNS Ausgabedaten NNO. Analog zum oben beschriebenen Training des neuronalen Netzes NN wird durch die Steuereinrichtung CTL ein Abstand D zwischen den simulierten Zustandsdaten SSD und den Ausgabedaten NNO des Weiteren neuronalen Netzes NNS ermit telt. Der ermittelte Abstand D wird, wie durch einen strich- lierten Pfeil veranschaulicht, zum weiteren neuronalen Netz NNS zurückgeführt, um dieses darauf zu trainieren, den Ab stand D zu minimieren. Für diese Minimierung stehen, wie oben bereits erwähnt, eine Vielzahl von Optimierungsverfahren, insbesondere des bestärkenden Lernens zur Verfügung.
Das weitere neuronale Netz NNS wird durch das Training zum Simulieren des technischen Systems TS anhand von Steuersigna len und anderen leicht erfassbaren Größen konfiguriert. Das weitere neuronale Netz NNS erwirbt hierdurch gewissermaßen die Fähigkeit des hybriden Simulators HSIM zur steuersignal basierten Simulation des technischen Systems TS.
Nach dem Training kann der hybride Simulator HSIM durch das trainierte weitere neuronale Netz NNS zumindest teilweise er setzt werden. Dies ist insofern vorteilhaft, als eine Auswer tung eines trainierten neuronalen Netzes, hier NNS in vielen Fällen erheblich schneller als eine physikbasierte Simulation erfolgen kann. Somit kann in dem in Figur 2 dargestellten Wirkungszusammenhang das trainierte weitere neuronale Netz NNS anstelle des hybriden Simulators HSIM zum Steuern des technischen Systems TS verwendet werden. Aufgrund des gegen über dem hybriden Simulator HSIM in der Regel erheblich ge ringeren Rechenaufwands können Echtzeiterfordernisse, z. B. im Rahmen einer modellprädiktiven Steuerung in der Regel bes ser erfüllt werden.

Claims

Patentansprüche
1. Computerimplementiertes Verfahren zum Konfigurieren einer
Steuereinrichtung (CTL) für ein technisches System (TS), wo bei a) ein Simulationsmodul (SIM) bereitgestellt wird zum physi kalischen Simulieren des technischen Systems (TS) anhand von als Simulationseingabedaten eingespeisten physikali schen Größen des technischen Systems (TS), b) eine zeitliche Abfolge von Steuersignalen (CS) und eine zeitliche Abfolge von gemessenen Zustandsdaten (SD) des technischen Systems (TS) erfasst werden, c) die zeitliche Abfolge der Steuersignale (CS) in ein neuro nales Netz (NN) eingespeist wird, d) Ausgabedaten (PD) des neuronalen Netzes (NN) in das Simu lationsmodul (SIM) als Simulationseingabedaten eingespeist werden, e) durch das Simulationsmodul (SIM) eine physikalische Simu lation anhand der Ausgabedaten (PD) des neuronalen Netzes (NN) durchgeführt wird und dabei simulierte Zustandsdaten (SSD) des technischen Systems (TS) ermittelt werden, f) das neuronale Netz (NN) darauf trainiert wird, einen Ab stand zwischen den gemessenen Zustandsdaten (SD) und den simulierten Zustandsdaten (SSD) zu verringern, g) durch das derart trainierte neuronale Netz (NN) und das Simulationsmodul (SIM) ein hybrider Simulator (HSIM) zum Simulieren des technischen Systems (TS) anhand von Steuer signalen (CS) des technischen Systems (TS) gebildet wird, h) eine Vielzahl von unterschiedlichen weiteren Steuersigna len (CSG) generiert wird, i) die weiteren Steuersignale (CSG) in den hybriden Simulator (HSIM) und in ein weiteres neuronales Netz (NNS) einge speist werden, j) mittels des hybriden Simulators (HSIM) daraus jeweils in Form von simulierten Zustandsdaten (SSD) zugehörige simu lierte Reaktionen des technischen Systems (TS) und von dem weiteren neuronalen Netz (NNS) weitere Ausgabedaten (NNO) ermittelt werden, k) das weitere neuronale Netz (NN) darauf trainiert wird, ei nen Abstand zwischen den von dem hybriden Simulator (HSIM) ermittelten simulierten Zustandsdaten (SSD) und den weite ren Ausgabedaten (NNO) zu verringern, l) die Steuereinrichtung (CTL) dadurch konfiguriert wird, dass sie das derart trainierte weitere neuronale Netz (NNS) umfasst.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das technische System (TS) von der Steuereinrichtung (CTL) in Abhängigkeit von zumindest einer Simulation des wei teren neuronalen Netzes (NNS) gesteuert wird.
3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass verschiedene Steuersignalvarianten in das weitere neuro nale Netz (NNS) eingespeist werden und jeweils eine simulier te Reaktion des technischen Systems (TS) bewertet wird, dass abhängig von den Bewertungsergebnissen eine der Steuer signalvarianten selektiert wird, und dass das technische System (TS) mittels der selektierten Steuersignalvariante angesteuert wird.
4. Verfahren nach Anspruch 2 oder 3, dadurch gekennzeichnet, dass die Steuereinrichtung auch den hybriden Simulator (HSIM) umfasst und durch ihn zumindest teilweise das trainierte wei tere neuronale Netz (NNS) ersetzt wird.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass
- gemessene Zustandsdaten (SD),
- simulierte Zustandsdaten (SSD),
- externe Zustandsdaten (ESD) über einen Zustand eines exter nen Systems und/oder
- Umgebungsdaten (ENV) über eine Umgebung des technischen Systems (TS) als Eingabedaten in das neuronale Netz (NN) eingespeist wer den.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zum Training des neuronalen Netzes (NN) und/oder des weiteren neuronalen Netzes (NNS) eine Partikelschwarmoptimierung, ein gradientenbasiertes Optimierungsverfahren, ein stochastisches Gradientenabstiegsverfahren und/oder ein genetisches Optimie rungsverfahren verwendet wird.
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das neuronale Netz (NN) und/oder das weitere neuronale Netz (NNS) ein rekurrentes neuronales Netz, ein faltendes neurona les Netz, ein bayessches neuronales Netz, einen Autoencoder und/oder eine Deep-Learning-Architektur implementiert.
8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das technische System (TS) eine Turbine, ein Solarkraft werk, eine Verbrennungskraftmaschine, ein Motor, ein Kraft fahrzeug, eine Fertigungsanlage, ein Verkehrsleitsystem, eine Energiesteuerung für ein Gebäude, eine Heizungsanlage, ein Roboter, ein Energieübertragungsnetz oder eine andere Maschi ne, ein anderes Gerät oder eine andere Anlage ist.
9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die weiteren Steuersignale (CSG) über den Bereich der Steuersignale (CS) oder über einen Bereich von bekannten, möglichen, zulässigen oder erlaubten Steuersignalen des tech nischen Systems verteilt generiert werden
10. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass weitere Steuersignale (CSG) generiert werden, die außer halb des Bereichs liegen, in dem Zustandsdaten (SD) des tech nischen Systems (TS) ermittelt werden können oder zur Verfü gung stehen.
11. Verfahren nach einem der beiden vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die generieten weiteren Steuersignale (CSG) eine gleich mäßige Verteilung, eine zufällige Verteilung, eine Gauß- Verteilung oder eine Poisson-Verteilung aufweisen.
12. Steuereinrichtung (CTL) zum Steuern eines technischen Systems (TS) eingerichtet zum Ausführen eines Verfahrens nach einem der vorhergehenden Verfahrensansprüche.
13. Computerprogrammprodukt eingerichtet zum Ausführen eines Verfahrens nach einem der vorhergehenden Verfahrensansprüche.
14. Computerlesbares Speichermedium mit einem Computerpro- grammprodukt nach dem vorhergehenden Anspruch.
EP21721849.4A 2020-04-09 2021-04-09 Steuereinrichtung zum steuern eines technischen systems und verfahren zum konfigurieren der steuereinrichtung Pending EP4111382A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP20168995.7A EP3893161A1 (de) 2020-04-09 2020-04-09 Steuereinrichtung zum steuern eines technischen systems und verfahren zum konfigurieren der steuereinrichtung
PCT/EP2021/059262 WO2021204983A1 (de) 2020-04-09 2021-04-09 Steuereinrichtung zum steuern eines technischen systems und verfahren zum konfigurieren der steuereinrichtung

Publications (1)

Publication Number Publication Date
EP4111382A1 true EP4111382A1 (de) 2023-01-04

Family

ID=70285479

Family Applications (2)

Application Number Title Priority Date Filing Date
EP20168995.7A Withdrawn EP3893161A1 (de) 2020-04-09 2020-04-09 Steuereinrichtung zum steuern eines technischen systems und verfahren zum konfigurieren der steuereinrichtung
EP21721849.4A Pending EP4111382A1 (de) 2020-04-09 2021-04-09 Steuereinrichtung zum steuern eines technischen systems und verfahren zum konfigurieren der steuereinrichtung

Family Applications Before (1)

Application Number Title Priority Date Filing Date
EP20168995.7A Withdrawn EP3893161A1 (de) 2020-04-09 2020-04-09 Steuereinrichtung zum steuern eines technischen systems und verfahren zum konfigurieren der steuereinrichtung

Country Status (3)

Country Link
EP (2) EP3893161A1 (de)
CN (1) CN115668228A (de)
WO (1) WO2021204983A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022206238A1 (de) 2022-06-22 2023-12-28 Psa Automobiles Sa Auslegen eines automatischen Fahrsteuersystems in massiv parallelen Simulationen
EP4300356A1 (de) * 2022-06-30 2024-01-03 Siemens Aktiengesellschaft Maschinensteuerung und verfahren zum konfigurieren der maschinensteuerung

Also Published As

Publication number Publication date
EP3893161A1 (de) 2021-10-13
CN115668228A (zh) 2023-01-31
WO2021204983A1 (de) 2021-10-14

Similar Documents

Publication Publication Date Title
DE102019126310B4 (de) System und Verfahren zum Optimieren der Verbrennung eines Kessels
EP4111382A1 (de) Steuereinrichtung zum steuern eines technischen systems und verfahren zum konfigurieren der steuereinrichtung
EP1769151A1 (de) Fahrzeug-steuergerät mit einem neuronalen netz
DE102017117038A1 (de) Anlagenbausystem mit integrierter simulation und kontrollsystem-konfiguration
DE102008020379A1 (de) Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
DE102019126286A1 (de) System und Verfahren zum Optimieren der Verbrennung eines Kessels
DE102007039691A1 (de) Modellierungsverfahren und Steuergerät für einen Verbrennungsmotor
WO2022013125A1 (de) Verfahren zum konfigurieren eines steuerungsagenten für ein technisches system sowie steuereinrichtung
WO2019057489A1 (de) Verfahren und trainingsdatengenerator zum konfigurieren eines technischen systems sowie steuereinrichtung zum steuern des technischen systems
WO2013026636A1 (de) Verfahren zum erstellen eines modells
DE10201018B4 (de) Neuronales Netz, Opimierungsverfahren zur Einstellung der Verbindungsgewichte eines neuronalen Netzes sowie Analyseverfahren zur Überwachung eines Optimierungsverfahrens
DE102019128655B4 (de) Verfahren zur Bereitstellung einer rechnergestützten Steuerung für ein technisches System
DE102019126293B4 (de) System und Verfahren zum Regeln des Betriebs eines Kessels
EP3651082A1 (de) Verfahren und assistenzsystem zum generieren von trainingsdaten zum lernbasierten konfigurieren eines technischen systems
Outanoute et al. A neural network dynamic model for temperature and relative humidity control under greenhouse
DE102017110795A1 (de) Verfahren zur verbesserten Kalibrierung der Steuerung einer Brennkraftmaschine
WO2019158762A1 (de) Verfahren und vorrichtungen zur automatischen ermittlung und/oder kompensation des einflusses einer wirbelschleppe auf eine windkraftanlage
EP3979009A1 (de) Erzeugen eines vereinfachten modells für xil-systeme
WO2023072528A1 (de) Verfahren und steuereinrichtung zum steuern eines technischen systems
WO2023012180A1 (de) Verfahren und system zum steuern eines produktionssystems
WO2024002823A1 (de) Maschinensteuerung und verfahren zum konfigurieren der maschinensteuerung
DE102016225041B4 (de) Verfahren zum Betreiben einer Brennkraftmaschine, Steuereinrichtung für eine Brennkraftmaschine, und Brennkraftmaschine mit einer solchen Steuereinrichtung
Zhao et al. Fault diagnosis based on rough set and bp neural network (rs-bp) for gas turbine engine
WO2020193243A1 (de) Verfahren zum virtuellen testen einer anlagensteuerung sowie simulationsvorrichtung
WO2022161729A1 (de) Steuereinrichtung zum steuern eines technischen systems und verfahren zum konfigurieren der steuereinrichtung

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20220928

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS