JP5448841B2 - 技術システムの、とりわけガスタービンの、計算機支援による閉ループ制御および/または開ループ制御のための方法 - Google Patents
技術システムの、とりわけガスタービンの、計算機支援による閉ループ制御および/または開ループ制御のための方法 Download PDFInfo
- Publication number
- JP5448841B2 JP5448841B2 JP2009544385A JP2009544385A JP5448841B2 JP 5448841 B2 JP5448841 B2 JP 5448841B2 JP 2009544385 A JP2009544385 A JP 2009544385A JP 2009544385 A JP2009544385 A JP 2009544385A JP 5448841 B2 JP5448841 B2 JP 5448841B2
- Authority
- JP
- Japan
- Prior art keywords
- state
- learning
- technical system
- loop control
- optimization
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Feedback Control In General (AREA)
- Control Of Eletrric Generators (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
文献EP 1 016 981 A1には、エージェントを学習する装置が示されている。この装置では、強化学習に基づいた多数の学習モジュールによって、技術システム上で実行されるべき行動が学習される。個々の学習モジュールの行動は、求められた予測誤差に依存して相応に重み付けされ、互いに結合される。
文献US 5 485 545 Aからは、リカレントニューラルネットワークに基づいて制御を学習する技術システムの学習方法が公知である。適用例としては、電力システムの電圧の制御が記載されている。
技術システムの動特性が、シミュレーションモデルで求めた状態および行動を含む訓練データを用いてリカレントニューラルネットワークにより複数の時点でモデル化される。なお、リカレントニューラルネットワークは、複数の時点における技術システムの状態と技術システムで行われる行動とを含む少なくとも1つの入力層、隠れ状態を含む少なくとも1つの隠れリカレント層、および複数の時点における技術システムの状態を含む少なくとも1つの出力層により形成されている。
リカレントニューラルネットワークが、現在および将来の時点について、少なくとも1つの入力層、隠れ状態を含む少なくとも1つの隠れ層、少なくとも1つの出力層を含む別のニューラルネットワークと結合されることにより、行動選択規則が学習される。ここで、別のニューラルネットワークの各時点の入力層はリカレントニューラルネットワークの各時点の隠れ状態の少なくとも一部を含んでおり、別のニューラルネットワークの各時点の出力層は技術システムにおいて各時点に実行される行動を含んでいる。
i)前記複数の時点について、入力層と出力層がそれぞれ第1の状態空間内の状態により形成される。
ii)隠れリカレント層は、第2の次元を有する第2の状態空間内の複数の隠れ状態変数をもつ隠れ状態により形成される。ただし、第2の次元は第1の次元よりも低い。
ガスタービンの総出力、ガスタービンまたはガスタービン周辺の1つまたは複数の圧力および/または温度、ガスタービン内の燃焼室加速度、ガスタービンの1つまたは複数の調整パラメータ、とりわけ、バルブ調節および/または燃料比および/または入口案内翼の調節。
例えば、ステップb)でシミュレーションモデルに適用される学習法ないし最適化法は、学習目標ないし最適化目標として、低い燃焼室加速度を含んでいてよい。
GtLstg=ガスタービン出力
PrDFi=吸気フィルタでの圧力損失
VerdPr=コンプレッサ終圧
VerdT=コンプレッサ終温
Schaufel=入口案内翼位置
DrVBr=燃焼室内での圧力損失
PilotG=パイロットガス調整バルブの弁揚程
GasDr=ガス圧
GasT=ガス温度
AbgasT=廃ガス温度
BkB=燃焼室加速度
特に有利な実施形態では、本発明による方法は、学習ないし最適化の目標が、低い燃焼室加速度ないしはタービンの小さなうなり音と同一視しうる変数BkBのできるだけ小さな値であるように構成されている。
ここで、次の式が成り立つ。
t∈{m,...,T−n}
ただし、Tは、訓練データが存続する時点の個数、すなわち、技術システムの測定された状態が存続する時点の個数を表している。
rt=tanh(Epτ+b)
隠れ状態rτはさらに行列Fを介してモデル化されるべき将来の行動aτと結合されている。また、将来の状態xt+1,xt+2等を状態Rt+1,Rt+2等と結合する行列Gも存在している。ただし、状態Rt+1,Rt+2等は計算規則に関連した状態である。
文献一覧
[l] D.E. Rumelhart, G.E. Hinton, and R.J. Williams, "Learn-ing internal representations by error propagation", in Parallel Diskributed Processing: Exploratlons In The Microstructure of Cognikion, D.E. Rumelhart and J.L.M. et al., Eds. Cambridge: MIT Press, 1986, vol. l, pp. 318-362
[2] Leslie Pack Kaelbling; Michael L. Littman; Andrew W.
Moore, Reinforcement Learning: A Survey, Journal of Ar-tificial Intelligence Research 4 (1996) pp. 237-285
Claims (21)
- 技術システムの計算機支援による閉ループ制御および/または開ループ制御のための方法において、
a)前記技術システムの時間的に連続する複数の既知の状態(xt)に基づいて前記技術システムのシミュレーションモデルを構築し、
b)前記シミュレーションモデルに複数の学習法および/または最適化法を適用し、なお、当該学習法および/または最適化法はそれぞれの学習したパラメータと、前記状態(xt)および前記状態(xt)に割り当てられた行動(at)のシーケンスとを結果として提供し、ある1つの状態(xt)に割り当てられた行動(at)は前記シーケンス中の新たな状態(xt+1)をもたらし、
c)前記複数の学習法および/または最適化法の結果に基づき、所定の基準に従って、前記複数の学習法および/または最適化法の中から、前記技術システムの閉ループ制御および/または開ループ制御に適した1つの学習法および/または最適化法を選択し、その際、学習法および/または最適化法の選択を前記学習法および/または最適化法の各々の評価に依存して行う、ただし、前記評価は、前記シミュレーションモデルから出力される、および/または各学習法および/または最適化法の結果を介して求められ、
d)選択した学習法および/または最適化法を用いて前記技術システムを閉ループ制御または開ループ制御し、その際、前記閉ループ制御または開ループ制御が、前記技術システムの状態(xt)に依存して、後で技術システムにおいて実行されるべき行動(at)を指定する、ことを特徴とする方法。 - 前記技術システムは、ガスタービンである、請求項1記載の方法。
- 前記ステップd)において、前記ステップb)で学習したパラメータに基づき、選択された学習法を用いて前記技術システムが閉ループ制御ないし開ループ制御する、その際、前記学習されたパラメータは前記技術システムの閉ループ制御ないし開ループ制御の際に変更されることはない、請求項1または2記載の方法。
- 前記ステップd)において、閉ループ制御ないし開ループ制御の初めに前記ステップb)で学習したパラメータが使用されるように、選択された学習法により前記技術システムを閉ループ制御ないし開ループ制御する、ただし、前記学習したパラメータは、閉ループ制御ないし開ループ制御の間、閉ループ制御ないし開ループ制御の間に生じた新たな状態(xt)および行動(at)によりさらに学習される、請求項1または2記載の方法。
- 前記ステップd)において、選択された学習法ないし最適化法を用いてステップb)で学習したパラメータをリセットし、前記技術システムの閉ループ制御ないし開ループ制御の際に新たに学習する、請求項1または2記載の方法。
- 使用するシミュレーションモデルを前記ステップa)においてリカレントニューラルネットワークに基づいて構築する、請求項1から5のいずれか1項記載の方法。
- 前記評価は、評価関数または報酬関数による、前記学習法および/または最適化法の品質の決定により行われる、請求項1から6のいずれか1項記載の方法。
- 前記シミュレーションモデルに適用される複数の学習法および/または最適化法には、1つまたは複数の強化学習法が含まれている、請求項1から7のいずれか1項記載の方法。
- 前記強化学習法は、テーブルベースの強化学習法である、請求項8記載の方法。
- 前記シミュレーションモデルに適用される複数の学習法および/または最適化には、適応型発見的クリティックアルゴリズムおよび/またはQ学習アルゴリズムおよび/または優先順位付きスウィープアルゴリズムが含まれている、請求項1から9のいずれか1項記載の方法。
- 前記強化学習法または前記強化学習法のうちの1つは、
− 前記技術システムの動特性を前記シミュレーションモデルで求めた状態(xt)および行動(at)を含む訓練データを用いてリカレントニューラルネットワークにより複数の時点(t)でモデル化し、ただし、前記リカレントニューラルネットワークは、前記複数の時点(t)における前記技術システムの状態(xt)と前記技術システム上で行われる行動(at)とを含む少なくとも1つの入力層(I)、隠れ状態(st,pt)を含む少なくとも1つの隠れリカレント層(H)、および前記複数の時点(t)における前記技術システムの状態(xt)を含む少なくとも1つの出力層(O)により形成されており、
− 前記リカレントニューラルネットワークを、現在および将来の時点(t)について、少なくとも1つの入力層(H)、隠れ状態(rt)を含む少なくとも1つの隠れ層(R)、少なくとも1つの出力層(O’)を含む別のニューラルネットワークと結合させて、行動選択規則を学習し、ただし、前記別のニューラルネットワークの各時点(t)の入力層(H)は前記リカレントニューラルネットワークの各時点(t)の隠れ状態(pt)の少なくとも一部を含んでおり、前記別のニューラルネットワークの各時点の出力層(O’)は前記技術システム上で各時点に実行される行動(at)を含んでおり、
− 前記技術システムの状態(xt)および割り当てられた行動(at)を前記別のニューラルネットワークと結合した前記リカレントニューラルネットワークにより学習した行動選択規則を用いて決定する
ように構成されている、請求項8から10のいずれか1項記載の方法。 - 前記技術システムの各状態(xt)を第1の次元を有する第1の状態空間内の複数の状態変数により表す、および/またはある1つの状態(xt)に割り当てられた各行動(at)を複数の行動変数により表す、請求項1から11のいずれか1項記載の方法。
- ある1つの状態(xt)に割り当てられた前記各行動(at)を前記技術システムの1つまたは複数の操作量の変化により表す、その際、前記操作量の少なくとも一部は前記技術システムの状態(xt)に相当する、請求項1から12のいずれか1項記載の方法。
- 前記ステップb)を実行する前に、前記複数の学習法および/または最適化法のうちの少なくとも一部について、それぞれ以下のように前記第1の状態空間の最小化を行う、すなわち、
− 前記第1の状態空間の状態(xt)を、入力層(I)、隠れリカレント層(H)、および出力層(O)を有するリカレントニューラルネットワークにより、前記シミュレーションモデルで求めた状態を訓練データとしてモデル化し、その際、
i)前記複数の時点(t)について、前記入力層(I)と前記出力層(O)をそれぞれ前記第1の状態空間内の状態(xt)により形成し、
ii)前記隠れリカレント層(H)を、第2の次元を有する第2の状態空間内の複数の隠れ状態変数をもつ隠れ状態(st)により形成し、ただし、第2の次元は第1の次元よりも低く、
− 前記第2の状態空間内の前記隠れ状態(st)に対して、前記学習法および/または最適化法の少なくとも一部の各学習法および/または最適化法を前記ステップb)に従って実行することにより、前記第1の状態空間の最小化を行う、
請求項12または13記載の方法。 - 前記ステップb)において、前記状態(xt)および/または前記行動(a t)を所定の基準に従って離散化する、請求項1から14のいずれか1項記載の方法。
- 前記技術システムの状態(xt)および/または割り当てられた行動(at)に関して、1つまたは複数の値域を定めるか、または学習する、ただし、前記状態(xt)および/または前記行動(at)の値は、前記ステップb)において学習法および/または最適化法を適用する際、前記値域内になければならない、請求項1から15のいずれか1項記載の方法。
- 前記ステップb)において各学習法および/または最適化法を前記シミュレーションモデルに適用する際に、前記値域をペナルティ信号によって学習する、ただし、該ペナルティ信号は、前記学習法および/または最適化法で求められた状態(xt)および/または行動(at)が測定されたまたは許容される状態(xt)および/または行動(at)から偏差すればするほど大きい、請求項16記載の方法。
- 前記方法によりガスタービンを閉ループ制御および/または開ループ制御する、その際、前記技術システムの状態および/または当該状態(xt)に割り当てられた行動(at)は、ガスタービンの総出力、ガスタービンまたはガスタービン周辺の1つまたは複数の圧力および/または温度、ガスタービン内の燃焼室加速度、ガスタービンの1つまたは複数の調整パラメータ、のうちの1つ又は複数を含む、請求項1から17のいずれか1項記載の方法。
- 前記ガスタービンの1つまたは複数の調整パラメータは、バルブ調節および/または燃料比および/または入口案内翼の調節のうちの1つまたは複数を含む、請求項18記載の方法。
- 前記ステップb)において前記シミュレーションモデルに適用される複数の学習法および/または最適化は、学習目標および/または最適化目標として、低い燃焼室加速度を含む、請求項18または19記載の方法。
- 技術システムの計算機支援による閉ループ制御および/または開ループ制御のために、
コンピュータに以下の
a)前記技術システムの時間的に連続する複数の既知の状態(xt)に基づいて前記技術システムのシミュレーションモデルを構築し、
b)前記シミュレーションモデルに複数の学習法および/または最適化法を適用し、なお、当該学習法および/または最適化法はそれぞれの学習したパラメータと、前記状態(xt)および前記状態(xt)に割り当てられた行動(at)のシーケンスとを結果として提供し、ある1つの状態(xt)に割り当てられた行動(at)は前記シーケンス中の新たな状態(xt+1)をもたらし、
c)前記複数の学習法および/または最適化法の結果に基づき、所定の基準に従って、前記複数の学習法および/または最適化法の中から、前記技術システムの閉ループ制御および/または開ループ制御に適した1つの学習法および/または最適化法を選択し、その際、学習法および/または最適化法の選択を前記学習法および/または最適化法の各々の評価に依存して行う、ただし、前記評価は、前記シミュレーションモデルから出力される、および/または各学習法および/または最適化法の結果を介して求められ、
d)選択した学習法および/または最適化法を用いて前記技術システムを閉ループ制御または開ループ制御し、その際、前記閉ループ制御または開ループ制御が、前記技術システムの状態(xt)に依存して、後で技術システムにおいて実行されるべき行動(at)を指定する、
手順を実行させるためのコンピュータプログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102007001024A DE102007001024B4 (de) | 2007-01-02 | 2007-01-02 | Verfahren zur rechnergestützten Regelung und/oder Steuerung eines technischen Systems insbesondere einer Gasturbine |
DE102007001024.0 | 2007-01-02 | ||
PCT/EP2007/064262 WO2008080862A1 (de) | 2007-01-02 | 2007-12-19 | Verfahren zur rechnergestützten regelung und/oder steuerung eines technischen systems, insbesondere einer gasturbine |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2010514986A JP2010514986A (ja) | 2010-05-06 |
JP5448841B2 true JP5448841B2 (ja) | 2014-03-19 |
Family
ID=39325593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009544385A Expired - Fee Related JP5448841B2 (ja) | 2007-01-02 | 2007-12-19 | 技術システムの、とりわけガスタービンの、計算機支援による閉ループ制御および/または開ループ制御のための方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US8099181B2 (ja) |
EP (1) | EP2108139B1 (ja) |
JP (1) | JP5448841B2 (ja) |
CN (1) | CN101573667B (ja) |
AT (1) | ATE472757T1 (ja) |
DE (2) | DE102007001024B4 (ja) |
WO (1) | WO2008080862A1 (ja) |
Families Citing this family (50)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008020379A1 (de) | 2008-04-23 | 2009-10-29 | Siemens Aktiengesellschaft | Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems |
DE102008020380B4 (de) * | 2008-04-23 | 2010-04-08 | Siemens Aktiengesellschaft | Verfahren zum rechnergestützten Lernen einer Steuerung und/oder Regelung eines technischen Systems |
US9671797B2 (en) | 2009-05-08 | 2017-06-06 | Gas Turbine Efficiency Sweden Ab | Optimization of gas turbine combustion systems low load performance on simple cycle and heat recovery steam generator applications |
US9354618B2 (en) | 2009-05-08 | 2016-05-31 | Gas Turbine Efficiency Sweden Ab | Automated tuning of multiple fuel gas turbine combustion systems |
US8437941B2 (en) | 2009-05-08 | 2013-05-07 | Gas Turbine Efficiency Sweden Ab | Automated tuning of gas turbine combustion systems |
US9267443B2 (en) | 2009-05-08 | 2016-02-23 | Gas Turbine Efficiency Sweden Ab | Automated tuning of gas turbine combustion systems |
DE102010011221B4 (de) * | 2010-03-12 | 2013-11-14 | Siemens Aktiengesellschaft | Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems |
EP2558910B1 (en) | 2010-04-12 | 2018-12-05 | Siemens Aktiengesellschaft | Method for computer-aided closed-loop and/or open-loop control of a technical system |
US9015093B1 (en) | 2010-10-26 | 2015-04-21 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
US8775341B1 (en) | 2010-10-26 | 2014-07-08 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
EP2649567B1 (de) * | 2010-12-10 | 2016-08-17 | Siemens Aktiengesellschaft | Verfahren zur rechnergestützten modellierung eines technischen systems |
DE102011075337A1 (de) * | 2011-05-05 | 2012-11-08 | Siemens Ag | Verfahren und Vorrichtung zur Ansteuerung einer Anlage |
DE102012202111A1 (de) * | 2012-02-13 | 2013-08-14 | Krones Ag | Verfahren zur Steuerung und/oder Regelung von Filteranlagen zur Ultrafiltration |
DE102012206651A1 (de) | 2012-04-23 | 2013-10-24 | Siemens Aktiengesellschaft | Verfahren zur Regelung einer Turbine |
DE102012209387A1 (de) * | 2012-06-04 | 2013-12-05 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Überwachen eines Stellgebersystems |
EP2693279B1 (en) * | 2012-08-01 | 2018-02-21 | Fujitsu Limited | Method and program for generating a simulator |
DE102013205356B4 (de) * | 2013-03-26 | 2016-07-07 | Siemens Aktiengesellschaft | Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems |
US9581086B2 (en) * | 2013-12-20 | 2017-02-28 | General Electric Company | Turbine operational flexibility |
US10330018B2 (en) | 2014-03-24 | 2019-06-25 | Rolls-Royce Corporation | Integrating design and field management of gas turbine engine components with a probabilistic model |
DE102014212747A1 (de) * | 2014-07-01 | 2016-01-07 | Siemens Aktiengesellschaft | Interaktives Assistenzsystem und Verfahren zur rechnergestützten Steuerungsoptimierung für ein technisches System |
CN104196639B (zh) * | 2014-08-07 | 2017-12-01 | 北京华清燃气轮机与煤气化联合循环工程技术有限公司 | 燃气轮机控制方法及装置 |
RU2612462C1 (ru) * | 2016-02-17 | 2017-03-09 | ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ КАЗЕННОЕ ВОЕННОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ "Военная академия Ракетных войск стратегического назначения имени Петра Великого" МИНИСТЕРСТВА ОБОРОНЫ РОССИЙСКОЙ ФЕДЕРАЦИИ | Способ моделирования целевых программ создания технических систем |
DE102016203855B4 (de) * | 2016-03-09 | 2023-11-02 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zum Steuern eines technischen Systems anhand von Steuermodellen |
CN105843037B (zh) * | 2016-04-11 | 2019-05-10 | 中国科学院自动化研究所 | 基于q学习的智能楼宇温度控制方法 |
US9869611B1 (en) | 2016-08-19 | 2018-01-16 | Siemens Industry, Inc. | System and method for testing a building control system that controls and monitors environmental conditions in a building |
JP6612716B2 (ja) | 2016-11-16 | 2019-11-27 | 株式会社東芝 | パターン識別装置、パターン識別方法およびプログラム |
JP6645994B2 (ja) * | 2017-03-02 | 2020-02-14 | ファナック株式会社 | ゲインの最適化を学習する機械学習装置及び機械学習装置を備えた電動機制御装置並びに機械学習方法 |
US10255909B2 (en) * | 2017-06-29 | 2019-04-09 | Intel IP Corporation | Statistical-analysis-based reset of recurrent neural networks for automatic speech recognition |
CN107315573B (zh) * | 2017-07-19 | 2020-06-16 | 北京上格云技术有限公司 | 建筑机电系统的控制方法、存储介质和终端设备 |
US11164077B2 (en) * | 2017-11-02 | 2021-11-02 | Siemens Aktiengesellschaft | Randomized reinforcement learning for control of complex systems |
EP3489773A1 (de) | 2017-11-24 | 2019-05-29 | Siemens Aktiengesellschaft | Verfahren zum rechnergestützten steuern eines technischen systems, insbesondere einer energieerzeugungsanlage |
DE102018108106B4 (de) | 2018-04-05 | 2020-01-23 | Nolden Regelsysteme GmbH | Verfahren zum Regeln einer Temperatur einer Spritzgießmaschine und Regelsystem |
CN108805348B (zh) * | 2018-06-05 | 2020-06-23 | 京东数字科技控股有限公司 | 一种交叉口信号配时控制优化的方法和装置 |
US20190385091A1 (en) * | 2018-06-15 | 2019-12-19 | International Business Machines Corporation | Reinforcement learning exploration by exploiting past experiences for critical events |
EP3587046A1 (de) * | 2018-06-28 | 2020-01-01 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zum rechnergestützten ermitteln von regelparametern für eine günstige handlung eines technischen systems |
CN110837223A (zh) * | 2018-08-15 | 2020-02-25 | 大唐南京发电厂 | 一种燃气轮机燃烧优化控制方法及系统 |
JP7011239B2 (ja) * | 2018-08-17 | 2022-01-26 | 横河電機株式会社 | 装置、方法、プログラム、および、記録媒体 |
EP3894965A1 (en) | 2018-12-13 | 2021-10-20 | Andritz, Inc. | Industrial plant controller |
JP6850313B2 (ja) * | 2019-02-08 | 2021-03-31 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | シミュレーション装置、シミュレーション方法およびシミュレーションプログラム |
CN110017184B (zh) * | 2019-04-01 | 2024-02-27 | 华电电力科学研究院有限公司 | 一种基于强化学习算法的分布式余压发电系统及其控制方法 |
EP3726139A1 (de) * | 2019-04-16 | 2020-10-21 | Siemens Aktiengesellschaft | Verfahren und anordnung zum steuern einer verbrennungskraftmaschine mit mehreren brennern |
DE102019208263A1 (de) * | 2019-06-06 | 2020-12-10 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Ermitteln einer Regelungsstrategie für ein technisches System |
JP7331660B2 (ja) * | 2019-11-26 | 2023-08-23 | 横河電機株式会社 | 装置、方法およびプログラム |
FR3106862B1 (fr) * | 2020-02-04 | 2022-02-04 | Arianegroup Sas | Procédé de mise en froid utilisant un réseau neuronal artificiel |
JP7484382B2 (ja) | 2020-04-24 | 2024-05-16 | 横河電機株式会社 | 制御装置、制御方法および制御プログラム |
US11203986B1 (en) | 2020-06-08 | 2021-12-21 | General Electric Company | Systems and methods for extended emissions compliant operation of a gas turbine engine |
US11333082B2 (en) | 2020-06-12 | 2022-05-17 | General Electric Company | Systems and methods for determination of gas turbine fuel split for head end temperature control |
CN113940776B (zh) * | 2021-10-27 | 2023-06-02 | 深圳市千誉科技有限公司 | 一种自适应控制方法及电动牙刷 |
US20230129189A1 (en) * | 2021-10-27 | 2023-04-27 | Yokogawa Electric Corporation | Apparatus, method, and computer readable medium |
CN114611300A (zh) * | 2022-03-14 | 2022-06-10 | 西安热工研究院有限公司 | 一种重型燃气轮机关键部件效能参数软测量方法 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0395666A (ja) * | 1989-09-07 | 1991-04-22 | Fujitsu Ltd | パターン学習装置 |
US5485545A (en) * | 1991-06-20 | 1996-01-16 | Mitsubishi Denki Kabushiki Kaisha | Control method using neural networks and a voltage/reactive-power controller for a power system using the control method |
JPH07501643A (ja) * | 1991-12-09 | 1995-02-16 | シーメンス アクチエンゲゼルシヤフト | 制御パラメータに依存する実際値特性を有するシステムに対する制御パラメータの最適化方法 |
JP3303032B2 (ja) * | 1992-04-24 | 2002-07-15 | 株式会社日立製作所 | ニューラルネット学習装置 |
JPH06314105A (ja) * | 1993-04-30 | 1994-11-08 | Ishikawajima Harima Heavy Ind Co Ltd | ニューラルネットコントローラシステム |
JP3515267B2 (ja) * | 1996-02-29 | 2004-04-05 | 株式会社東芝 | 多層神経回路網学習装置 |
US5857321A (en) * | 1996-06-11 | 1999-01-12 | General Electric Company | Controller with neural network for estimating gas turbine internal cycle parameters |
JPH11353295A (ja) * | 1998-06-09 | 1999-12-24 | Fujitsu Ltd | 内部モデル学習方法及び装置 |
JP3086206B2 (ja) * | 1998-07-17 | 2000-09-11 | 科学技術振興事業団 | エージェント学習装置 |
GB0126298D0 (en) * | 2001-11-01 | 2002-01-02 | Rolls Royce Plc | Fault diagnosis |
US6873887B2 (en) * | 2001-11-13 | 2005-03-29 | Goodrich Pump & Engine Control Systems, Inc. | Rotor torque anticipator |
US7216071B2 (en) * | 2002-04-23 | 2007-05-08 | United Technologies Corporation | Hybrid gas turbine engine state variable model |
ES2264766T3 (es) * | 2002-09-26 | 2007-01-16 | Siemens Aktiengesellschaft | Dispositivo y procedimiento para la supervision de una instalacion tecnica que comprende varios sistemas, especialmente de una central electrica. |
DE10345440A1 (de) * | 2003-09-30 | 2005-05-12 | Siemens Ag | Verfahren, Computerprogramm mit Programmcode-Mitteln und Computerprogramm-Produkt zur Analyse von Einflussgrößen auf einen Brennvorgang in einer Brennkammer unter Verwendung eines trainierbaren, statistischen Modells |
US7490027B2 (en) * | 2003-11-06 | 2009-02-10 | Theodora Retsina | Method and system for linear optimization of a continuous or semi-continuous process |
US7383167B2 (en) * | 2004-01-29 | 2008-06-03 | General Electric Company | Methods and systems for modeling power plants |
WO2005081076A2 (de) * | 2004-02-24 | 2005-09-01 | Siemens Aktiengesellschaft | Verfahren, zur prognose eines brennkammerzustandes unter verwendung eines rekurrenten, neuronalen netzes |
EP1724528A1 (de) * | 2005-05-13 | 2006-11-22 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zum Regeln der Fahrlinie einer Gasturbinenbrennkammer |
CN1746797A (zh) * | 2005-08-09 | 2006-03-15 | 东华大学 | 智能优化参数自整定控制方法 |
US7660636B2 (en) * | 2006-01-04 | 2010-02-09 | Accelerated Care Plus Corp. | Electrical stimulation device and method for the treatment of dysphagia |
-
2007
- 2007-01-02 DE DE102007001024A patent/DE102007001024B4/de not_active Expired - Fee Related
- 2007-12-19 CN CN2007800490916A patent/CN101573667B/zh not_active Expired - Fee Related
- 2007-12-19 DE DE502007004293T patent/DE502007004293D1/de active Active
- 2007-12-19 WO PCT/EP2007/064262 patent/WO2008080862A1/de active Search and Examination
- 2007-12-19 EP EP07857883A patent/EP2108139B1/de active Active
- 2007-12-19 AT AT07857883T patent/ATE472757T1/de active
- 2007-12-19 US US12/521,144 patent/US8099181B2/en active Active
- 2007-12-19 JP JP2009544385A patent/JP5448841B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
DE102007001024A1 (de) | 2008-07-03 |
ATE472757T1 (de) | 2010-07-15 |
US8099181B2 (en) | 2012-01-17 |
US20100070098A1 (en) | 2010-03-18 |
EP2108139B1 (de) | 2010-06-30 |
WO2008080862A1 (de) | 2008-07-10 |
EP2108139A1 (de) | 2009-10-14 |
DE102007001024B4 (de) | 2008-10-02 |
CN101573667A (zh) | 2009-11-04 |
DE502007004293D1 (de) | 2010-08-12 |
CN101573667B (zh) | 2012-07-04 |
JP2010514986A (ja) | 2010-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5448841B2 (ja) | 技術システムの、とりわけガスタービンの、計算機支援による閉ループ制御および/または開ループ制御のための方法 | |
US8554707B2 (en) | Method for the computer-assisted control and/or regulation of a technical system where the dynamic behavior of the technical system is modeled using a recurrent neural network | |
US8160978B2 (en) | Method for computer-aided control or regulation of a technical system | |
US8260441B2 (en) | Method for computer-supported control and/or regulation of a technical system | |
JP5345551B2 (ja) | 計算機支援による技術システムの開ループ制御および/または閉ループ制御のための方法 | |
US5781700A (en) | Trained Neural network air/fuel control system | |
US8447706B2 (en) | Method for computer-aided control and/or regulation using two neural networks wherein the second neural network models a quality function and can be used to control a gas turbine | |
KR101920251B1 (ko) | 기술 시스템의 컴퓨터-도움 제어 및/또는 조절을 위한 방법 | |
JPH03164804A (ja) | プロセス制御システム及び発電プラントプロセス制御システム | |
US8340789B2 (en) | System for monitoring and optimizing controllers for process performance | |
Duell et al. | Solving partially observable reinforcement learning problems with recurrent neural networks | |
CN113614743A (zh) | 用于操控机器人的方法和设备 | |
Schaefer et al. | A neural reinforcement learning approach to gas turbine control | |
Ellis | Machine learning enhanced grey-box modeling for building thermal modeling | |
CN116880191A (zh) | 一种基于时序预测的过程工业生产系统的智能控制方法 | |
EP4292945A1 (en) | Hybrid online policy adaptation strategy for attitude pointing performance | |
CN116227558A (zh) | 针对多次连续推理的神经网络动态退出轻量化方法和系统 | |
Ibrahem et al. | An ensemble of recurrent neural networks for real time performance modelling of three-spool aero-derivative gas turbine engine | |
CN111356959B (zh) | 用于计算机辅助地控制技术系统的方法 | |
Naug | Deep learning methods applied to modeling and policy optimization in large buildings | |
Lennox et al. | Neural network control of a gasoline engine with rapid sampling | |
Baccouri et al. | An Iterative Approach to Automate the Tuning of Continuous Controller Parameters | |
US20230359154A1 (en) | Method and control device for controlling a machine | |
JP2001188602A (ja) | 排気ガス制御システム | |
AU2022391985A1 (en) | Controlling a swarm of agents |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20101228 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20110128 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20110426 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20110509 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20110525 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20110601 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20110628 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20110705 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20110726 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20111125 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20130730 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20130805 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20130829 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20130903 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20130927 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20131002 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20131029 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20131224 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |