KR101920251B1

KR101920251B1 - 기술 시스템의 컴퓨터-도움 제어 및/또는 조절을 위한 방법

Info

Publication number: KR101920251B1
Application number: KR1020167010531A
Authority: KR
Inventors: 다니엘 하인; 알렉산더 헨첼; 시에크문트 듀엘; 토마스 룬클러; 슈테펜 우들루프트
Original assignee: 지멘스 악티엔게젤샤프트
Priority date: 2013-09-25
Filing date: 2014-08-05
Publication date: 2018-11-20
Also published as: KR20160060132A; CN105556401B; US20160208711A1; EP3022611A1; US10107205B2; WO2015043806A1; CN105556401A; EP3022611B1

Abstract

본 발명은 기술 시스템, 특히 발전 설비의 컴퓨터-도움 제어 및/또는 조절을 위한 방법에 관한 것이다. 조절 또는 제어 동안에 수행될 액션들(a)은, 수치 최적화 방법을 사용하여, 그리고 특히, 입자 무리 최적화(PSO;particle swarm optimisation)에 의하여 확인된다. 이 경우, 수치 최적화 방법은 미리결정된 시뮬레이션 모델(RNN)을 사용하고, 이 미리결정된 시뮬레이션 모델(RNN)은, 기술 시스템의 상태들을 예측하고, 그리고 이 기술 시스템의 상태들에 기초하여, 기술 시스템의 동작에 대한 최적화 기준을 반영하는 품질 측정치를 확인하는데 사용된다.

Description

기술 시스템의 컴퓨터-도움 제어 및/또는 조절을 위한 방법{METHOD FOR THE COMPUTER-AIDED CONTROL AND/OR REGULATION OF A TECHNICAL SYSTEM}

본 발명은 기술 시스템(system), 특히 에너지(energy) 발전 설비를 컴퓨터-지원(computer-assisted) 방식으로 제어 및/또는 조절하기 위한 방법에 관한 것이다.

기술 시스템들을 제어 및/또는 조절할 때, 기술 시스템의 행동이 특정한 기준들에 대하여 최적화되는 방식으로, 대응하는 액션(action)들을 수행함으로써, 기술 시스템의 동작에 영향을 끼치는 것이 종종 원해진다. 예컨대, 가스 터빈(gas turbine)을 동작시킬 때, 터빈에 의해 생성되는 배기 가스 방출들을 감소시키고, 그리고 상기 가스 터빈의 연소 챔버(chamber)의 연소 동역학(또한, 연소 챔버 허밍(humming)으로 지칭됨)을 가능한 한 낮게 유지시키는 것이 유용할 수 있다. 이 경우, 예컨대, 상기 가스 터빈의 연소 챔버로의 가스 및 공기의 공급에 관련된 파라미터(parameter)들에 영향을 끼치는 것이 가능하다.

종래 기술은 액션 선택 규칙을 결정하는데 사용되는 컴퓨터-지원 방법들을 개시하며, 이 액션 선택 규칙에 따라, 기술 시스템의 대응하는 연속적인 상태들에 대해 액션들이 결정되고, 이 연속적인 상태들은, 액션들이 최적화 기준, 예컨대, 위에서 언급된 낮은 오염물질 방출 및 낮은 연소 챔버 허밍에 대해 최적이 되는 시스템의 적절한 상태 변수들에 의해 특성화된다. 문헌 [1] 및 문헌 [2]는 알려진 상태들 및 액션들을 포함하는 트레이닝 데이터(training data)를 이용하는 순환형 신경망의 트레이닝에 기초하는 액션 선택 규칙의 결정을 설명한다. 액션 선택 규칙에 따라, 최적화 기준에 기초로 과거의 상태들을 고려하여 기술 시스템의 현재 상태에 대해 액션 시퀀스(sequence)가 출력된다.

순환형 신경망들을 사용하여 액션 선택 규칙을 결정하기 위한 알려진 방법들은, 순환형 신경망을 트레이닝할 때 품질 측정치 형태의 최적화 기준이 부수적으로 포함된다는 단점을 갖는다. 결과적으로, 기술 시스템의 실제 동작 동안에, 변하는 최적화 기준에 쉽게 반응하는 것은 가능하지 않은데, 그 이유는 이 목적을 위해 신경망이 완전히 리트레이닝되어야(retrained) 하기 때문이다.

그러므로, 본 발명의 목적은 기술 시스템을 컴퓨터-지원 방식으로 제어 및/또는 조절하기 위한 방법을 제공하는 것이며, 이 방법은, 최적화 기준에 따라 기술 시스템 상에서 수행될 액션들을 쉽게 결정한다.

이 목적은 독립 특허 청구항들에 의해 달성된다. 본 발명의 발전들은 종속 특허 청구항들에서 정의된다.

본 발명에 따른 방법은, 기술 시스템을 컴퓨터-지원 방식으로 제어 및/또는 조절하는데 사용된다. 기술 시스템은 특히 에너지 발전 설비이고, 그리고 특히 바람직한 일 실시예에서, 하기에서 추가로 더욱 상세히 설명되는 바와 같이, 가스 터빈이다. 그러나, 적절하다면, 기술 시스템은 또한, 재생 에너지 발전 설비, 예컨대 풍력 터빈 형태의 에너지 발전 설비일 수 있다. 본 발명에 따른 방법에서, 기술 시스템의 동적 행동은, 복수의 시간들에 대해, 기술 시스템의 상태, 및 이 상태의 기술 시스템 상에서 수행되는 액션에 의해 각각 특성화되고, 개개의 시간에서의 개개의 액션은 다음 차례의 시간에 기술 시스템의 새로운 상태를 야기한다. 이 경우, 액션 시퀀스는 시간상 시퀀스로 기술 시스템 상에서 연속적으로 수행될 하나 또는 그 초과의 액션들이다. 기술 시스템의 상태는 하나의, 그리고 바람직하게는 더 많은 상태 변수들을 포함하고, 이 상태 변수들은 기술 시스템의 동작에 영향을 끼치는 기술 시스템의 동작 상태들 또는 변수들이다. 그에 반해서, 액션들은 하나 또는 그 초과의 액션 변수들의 변경이고, 이 액션 변수들은 아마도 또한, 기술 시스템을 조절 및/또는 제어할 때 변경될 수 있는 상태 변수들일 수 있다.

본 발명에 따른 방법에서, 기술 시스템을 동작시키기 위한 최적화 기준에 대한 품질 측정치는, 각각의 액션 시퀀스에 대해, 액션 시퀀스의 액션들을 수행하는 것으로부터 도출되는 기술 시스템의 상태들에 기초하여 계산될 수 있고, 품질 측정치가 더 높을수록, 최적화 기준이 더욱 잘 충족된다. 이 경우, 용어 "최적화 기준"은 폭넓게 이해되어야 하며, 그리고 이 기준은 아마도 복수의 부분적 기준들 또는 하위-기준들을 포함할 수 있다.

본 발명에 따른 방법의 단계 또는 특징 a)에 따라, 기술 시스템의 시뮬레이션 모델(simulation model)이 제공되고, 그리고 개개의 액션 시퀀스들에 대한 기술 시스템의 결과적 상태들을 예측하는데 사용될 수 있다. 이러한 시뮬레이션 모델들은 종래 기술로부터 그 자체로 알려져 있다. 시뮬레이션 모델은 예컨대, 기술 시스템의 동작에 관련된 앞서 결정된 데이터(data)에 기초하거나 또는 상기 데이터를 사용하여 트레이닝되는(trained) 데이터-기반 모델(data-driven model)일 수 있다. 시뮬레이션 모델은 마찬가지로, 기술 시스템의 분석적 모델 및/또는 물리적 모델일 수 있다.

특히 바람직한 일 실시예에서, 신경망, 특히 순환형 신경망 형태의 데이터-기반 모델이 시뮬레이션 모델로서 사용된다. 이 경우, 신경망은, 기술 시스템의 알려진 결과적 상태들을 갖는 알려진 액션 시퀀스들로부터의 트레이닝 데이터에 기초하여 트레이닝된다. 특별한 일 실시예, 기술 시스템의 동적 행동을 모델링(modeling)하기 위한, 문헌 [3]에서 설명된 신경망이 본 발명에 따른 방법의 범위 내에서 사용된다. 신경망 대신에, 데이터-기반 모델은 아마도 또한, 가우시안 프로세스(Gaussian process)들 및/또는 회귀 트리(regression tree)들 및/또는 서포트 벡터 회귀(support vector regression)에 기초할 수 있다.

본 발명에 따른 방법의 단계 b)에서, 가능한 최고 품질 측정치를 갖는 액션 시퀀스가 연속적인 미리정의된 시간들의 시퀀스로부터 개개의 미리정의된 시간에 수치 최적화 방법을 사용하여 결정되고, 최적화 방법은, 수치 최적화 방법 동안에 생성되는 액션 시퀀스들에 대한 기술 시스템의 결과적 상태들을 예측하고, 그리고 이후, 생성되는 액션 시퀀스들의 품질 측정치를 이들 예측된 상태들을 사용하여 결정하기 위해, 제공되는 시뮬레이션 모델을 사용한다. 용어 "생성되는 액션 시퀀스들"은 수치 최적화 방법 동안에 프로세싱되는(processed) 또는 생성되는 모든 액션 시퀀스들을 포함하고, 그리고 수치 최적화 방법에 의해 결정되며 궁극적으로는 출력되는 액션 시퀀스만을 포함하는 것은 아니다. 다른 방법들에 반해서, 수치 최적화 방법은 임의의 트레이닝 단계가 사전에 수행될 것을 요구하지 않는다.

특히 바람직한 일 실시예에서, 비-볼록 휴리스틱(non-convex heuristic) 최적화 방법 및/또는 무-구배 확률적 탐색(gradient-free stochastic search) 방법이 수치 최적화 방법으로서 사용된다. 수치 최적화 방법은, 특히 바람직하게, 입자 무리 최적화(particle swarm optimisation) 및/또는 진화 알고리즘(evolutionary algorithm) 및/또는 유전자 알고리즘(genetic algorithm) 및/또는 담금질 기법(simulated annealing)이다. 이들 방법들 전부는 종래 기술로부터 그 자체로 알려져 있고, 그러므로 더 이상 상세히 설명되지 않는다.

본 발명에 따른 방법의 단계 c)에서, 단계 b)에서 결정된 액션 시퀀스의 액션들 중 적어도 일부가 기술 시스템 상에서 수행된다. 다시 말해, 제1 액션, 그리고 가능하게는 또한, 결정된 액션 시퀀스의 추가의 후속하는 액션들이 수행된다. 특히, 제1 액션만이 단계 c)에서 수행될 수 있는데, 이 경우, 이후, 수행될 새로운 액션을 결정하기 위하여, 단계 b)가 즉시 반복된다. 이는, 액션들이, 사용되는 최적화 기준을 매우 잘 충족시키는 것을 야기한다.

본 발명에 따른 방법은, 예컨대, 신경망에 의하여 액션 선택 규칙을 트레이닝할 때의 경우와 같이, 사용되는 시뮬레이션 모델도 수치 최적화 방법도 트레이닝 프로세스 동안에 사전에 품질 측정치를 요구하지 않는다는 사실에 의해 구별된다. 결과적으로, 방법은, 품질 측정치 또는 그것의 계산을 적절하게 변경함으로써, 기술 시스템의 동작 동안에, 변하는 조건들에 신속하게 적응될 수 있다. 이 경우, 기술 시스템을 조절 및/또는 제어할 때 사용자 인터페이스(interface)가 바람직하게 제공되고, 그리고 품질 측정치를 변경시키기 위해 사용자에 의해 사용될 수 있다. 그러므로, 사용자는 기술 시스템의 동작 동안에 품질 측정치를 온라인(online)으로 변화시킬 수 있다. 기술 시스템의 동작은, 이 목적을 위해 중단될 필요가 없다. 사용자는, 품질 측정치를 변화시킴으로써 기술 시스템의 동작의 최적성에 대하여 그가 원하는 초점들을 조절하기 위해 사용자 인터페이스를 사용할 수 있다. 가스 터빈 형태의 기술 시스템의 경우, 사용자는 예컨대 터빈의 수명 감소와 효율 사이에 가중을 수행할 수 있다. 비상 상황들에서, 수명의 감소가 증가되게 터빈들을 동작시키는 것이 유용할 수 있는데, 그 이유는 전력이 크게 더 값비싼 가격으로 판매될 수 있고, 그리고 증가되는 마모(wear and tear)를 보상하기 때문이다.

특히 바람직한 다른 실시예에서, 수치 최적화 방법은 입자 무리 최적화이고, 입자 무리 최적화의 입자들은 개개의 액션 시퀀스들에 할당되며, 입자 무리 최적화를 초기화할 때, 이 개개의 액션 시퀀스들은 랜덤하게(randomly) 결정되고, 그리고 입자 무리 최적화 동안에 개개의 스피드 벡터(speed vector)들에 의하여 반복적으로 변경되며, 개개의 스피드 벡터들은 품질 측정치에 대응하는 적합도 함수(fitness function)를 사용하여 결정된다. 그러므로, 입자 무리 최적화는, 본 발명에 따른 방법에서, 프로세스에서 사용되는 적합도 함수가 품질 측정치와 동일시되는 것 덕분에, 단순한 방식으로 구현될 수 있다.

추가의 변형에서, 개개의 입자에 대한 스피드 벡터를 계산하는 입자 무리 최적화 동안에, 미리정의된 토폴로지(topology)에 따른 다수의 이웃하는 입자들이 사용된다. 토폴로지는, 이런 의미에서 노드(node)들에 대응하는 입자들 사이의 에지(edge)들을 특정한다. 이 경우, 에지를 통해 개개의 입자에 (직접적으로) 연결되는 모든 입자들은 개개의 입자의 이웃하는 입자들이다. 미리정의된 토폴로지에 기초하여 이웃하는 입자들을 고려함으로써, 입자 무리 최적화에 의하여 더 나은 솔루션(solution)들이 일반적으로 발견된다.

특별한 일 변형에서, 입자들이 에지들을 이용하여 링(ring)을 형성하는 방식으로 입자들이 에지들을 통해 연결되는 링 토폴로지가 미리정의된 토폴로지로서 사용된다. 결과적으로, 각각의 입자는 링 상에서 적어도 두 개의 이웃하는 입자들을 갖는다. 선택적으로, 하나 또는 그 초과의 추가의 에지들이 개개의 입자에 대해 제공될 수 있고, 이 에지들은, 링의 에지를 통해 개개의 입자에 (직접적으로) 연결되지 않은 추가의 입자들에 개개의 입자를 연결시킨다.

바람직한 다른 실시예, 입자 무리 최적화는, 스피드 벡터의 스피드 성분들의 최대 값 및 최소 값이 미리정의되는 방식으로 구성되는데, 이 경우, 스피드 성분이 최대 값을 초과한다면, 이 스피드 성분은 최대 값으로 셋팅(set)되고, 그리고 스피드 성분이 최소 값 미만이라면, 이 스피드 성분은 최소 값으로 셋팅된다. 이 경우, 최소 값은 바람직하게 포지티브(positive) 최대 값의 네거티브(negative) 값이다. 입자 무리 최적화의 이러한 변형은 상세한 설명에서 이제 더욱 상세히 설명된다.

입자 무리 최적화의 다른 수정에서, 개개의 스피드 벡터는, 반복 단계에서, 선행하는 반복 단계의, 가중 인자(weighting factor)를 곱한 개개의 스피드 벡터를 사용하여 결정된다. 입자 무리 최적화의 이러한 수정은 또한, 상세한 설명에서 이제 더욱 상세히 설명된다.

본 발명에 따른 방법의 다른 실시예에서, 품질 측정치는 (디스카운트된(discounted)) 합이고, 합의 피가수들은 각각 평가 측정치를 포함하며, 평가 측정치는 액션 시퀀스의 액션으로부터 도출되는 각각의 상태에 대해 결정되고, 개개의 피가수의 평가 측정치는 바람직하게, 평가 측정치가 결정되는 상태가 더 먼 미래에 있을수록 더 작은 배수(factor)가 곱해진다. 이러한 방식으로, 더 먼 미래에 있는 상태들은, 품질 측정치를 결정할 때 점점 더 적은 정도로 고려된다.

특히 바람직한 일 변형에서, 본 발명에 따른 방법은 가스 터빈을 포함하는 전기 에너지 발전 설비를 조절 및/또는 제어하는데 사용된다. 이 경우, 가스 터빈의 상태는 바람직하게 하기의 상태 변수들 중 하나 또는 그 초과, 즉, 특히, 하기의 상태 변수들:

- 가스 터빈의 압축기 효율;

- 가스 터빈의 터빈 효율;

- 가스 터빈의 조절되는 배기 가스 온도;

- 특히, 가스 터빈의 압축기에서, 하나 또는 그 초과의 가이드 블레이드(guide blade)들의 포지션(position);

- 가스 터빈의 회전 스피드;

- 가스 터빈에서의 하나 또는 그 초과의 압력들 및/또는 온도들, 특히, 압축기 및/또는 터빈에서의 유입구 온도 및/또는 유입구 압력 및/또는 배출구 온도 및/또는 배출구 압력;

- 가스 터빈이 동작되는 환경의 온도;

- 가스 터빈이 동작되는 환경의 습도;

- 가스 터빈이 동작되는 환경의 기압;

- 하나 또는 그 초과의 질량 및/또는 체적 흐름들;

- 가스 터빈의 냉각 및/또는 보조 시스템 및/또는 윤활유 및/또는 베어링 시스템(bearing system)들의 하나 또는 그 초과의 파라미터(parameter)들, 특히, 냉각 공기를 공급하기 위한 하나 또는 그 초과의 밸브(valve)들의 포지션;

- 가스 터빈의 성능, 특히 퍼센티지(percentage) 성능 값;

- 가스 터빈의 연료 품질;

- 가스 터빈의 오염물질 방출, 특히, 질소 산화물들 및/또는 일산화탄소의 방출;

- 가스 터빈의 하나 또는 그 초과의 터빈 블레이드들의 온도;

- 가스 터빈의 연소 챔버(chamber)의 연소 동역학;

- 가스 터빈의 연소 챔버로의 가스의 공급에 관련된 하나 또는 그 초과의 파라미터들;

- 가스 터빈에 공급되는 가스량;

- 가스 터빈에서의 베어링 및/또는 하우징(housing) 진동들

중 하나 또는 그 초과의 변경에 관련된 액션을 포함한다.

가스 터빈의 경우, 가스 터빈의 가능한 최저 오염물질 방출 및/또는 가스 터빈의 연소 챔버의 가능한 최저 동역학은, 특히, 기술 시스템을 동작시키기 위한 최적화 기준으로서 적절하다.

위에 설명된 방법에 부가하여, 본 발명은 또한 기술 시스템, 특히 전기 에너지 발전 설비를 컴퓨터-지원 방식으로 제어 및/또는 조절하기 위한 장치에 관한 것이고, 이 장치는 본 발명에 따른 방법 또는 본 발명에 따른 방법의 하나 또는 그 초과의 변형들을 수행하는데 사용될 수 있는 컴퓨터 유닛(computer unit)을 포함한다.

본 발명은 또한, 바로 전에 설명된 장치를 포함하는 기술 시스템, 특히 에너지 발전 설비 그리고 바람직하게 가스 터빈에 관한 것이다.

부가하여, 본 발명은 프로그램 코드(program code)를 갖는 컴퓨터 프로그램 물건(computer program product)을 포함하고, 이 프로그램 코드는, 머신-판독가능 캐리어(machine-readable carrier) 상에 저장되고, 그리고 프로그램 코드가 컴퓨터 상에서 실행될 때, 본 발명에 따른 제어 및/또는 조절 방법을 수행하도록 의도된다.

본 발명의 일 예시적 실시예가 첨부된 도면들을 사용하여 하기에서 상세히 설명된다.
도 1은 본 발명에 따른 방법의 일 실시예의 시퀀스의 개략적 예시를 도시한다; 그리고
도 2는 도 1의 입자 무리 최적화에서 사용될 수 있는 토폴로지들의 상이한 변형들을 도시한다.

본 발명에 따른 방법은 가스 터빈 형태의 기술 시스템의 예를 사용하여 하기에서 설명된다. 이 경우, 방법의 목표는, 가스 터빈의 대응하는 상태에서, 이 상태에서 수행될 최적 액션들의 시퀀스, 그리고 후속 상태들에서, 실제로 수행되고 있는 시퀀스의 적어도 제1 액션을 결정하는 것이다. 이 경우, 상태는 다수의 상태 변수들을 포함하는 벡터이고, 그리고 위에서 설명된 변수들을 포함할 수 있다. 액션은 가스 터빈에서 조정될 수 있는 하나 또는 그 초과의 상태 변수들의 변경의 형태로 다수의 액션 변수들을 포함한다. 본 발명에 따른 방법에서, 예컨대, 가스 터빈의 연소 챔버로의 가스의 공급에 관련된 파라미터들은, 상태 변수들로서 실용적인 것으로 증명되었다. 이 경우, 대응하는 액션들은 이들 파라미터들의 변경들에 관련된다. 파라미터들은 특히, 상이한 포지션들에서 가스 터빈의 연소 챔버에 주입되는 대응하는 연료 비율들을 포함한다. 이에 따라, 이들 비율들이 변경될 수 있어, 액션들이 생성된다. 본 발명의 이러한 변형에서, 최적 액션들은, 장기간 연소 챔버에서 낮은 허밍을 야기하는 그러한 액션들이다. 적절하다면, 액션들은 또한, 다른 또는 추가의 최적화 기준들, 예컨대, 오염물질들의 가능한 최저 방출들에 대하여 결정될 수 있다.

여기서 설명되는 실시예에서, 기술 시스템 상에서 이후 수행되는 최적 액션(a)은, 도 1에 따라, 가능하게는 지난 시간들에서의 추가의 과거의 상태들을 고려하여, 기술 시스템의 상태(s)에 기초하여, 현재 시간(t)에 결정된다. 도 1에서 PSO로 표기되는 입자 무리 최적화(particle swarm optimisation) 형태의 비-볼록 휴리스틱 최적화 방법이 액션(a)을 결정하는데 사용된다. 이 경우, 입자 무리 최적화는 그 자체로 알려진 방법이고, 그리고 도 1의 실시예의 방법의 정확한 성능은 추가로 하기에서 더욱 상세히 설명된다.

도 1에서 RNN으로 표기되는 순환형 신경망(recurrent neural network)이 또한, 액션(a)을 결정하는데 사용된다. 이 경우, 종래 기술로부터 그 자체로 알려져 있는 순환형 신경망들, 예컨대, 문헌 [3]에서 설명된 신경망(소위 MPEN 망)을 사용하는 것이 가능하다. 신경망(RNN)은 청구항 제 1 항의 의미에서 시뮬레이션 모델의 실시예이고, 그리고 기술 시스템 상에서 연속적으로 수행될 복수의 액션들을 특정하는 개개의 액션 시퀀스에 대해, 결과적 후속 상태들을 예측하는데 사용된다. 도 1의 방법은 또한, 품질 측정치(RE)의 계산을 포함하고, 이 품질 측정치(RE)는 도 1에서 단계(RC)(RC = 보상 계산기(reward calculator))에 의해 표시된다.

도 1의 실시예에 따라, 입자 무리 최적화(PSO)는 입자 무리 최적화에서 프로세싱되는 액션 시퀀스에 대한 상태들을 예측하기 위해 순환형 신경망(RNN)을 사용한다. 이후, 품질 측정치(RE)가 예측된 상태들에 대해 계산된다. 추가로 하기에서 더욱 상세히 설명되는 바와 같이, 입자 무리 최적화는, 도 1에 따라 인덱스(index)(i)로 특정되는 다수의 입자들을 프로세싱한다. 이 경우, 각각의 입자에는 액션 시퀀스(A_i)가 할당되고, 이 액션 시퀀스(A_i)는 현재 시간에서의 상태(s)로부터 시작하여 연속적으로 수행될 액션들(a_i(0), a_i(1), ..., a_i(T-1))을 포함한다. 다시 말해, 현재 시간으로부터 시작하여 미래에 T 시간 단계들의 이벤트 호라이즌(event horizon)이 고려된다. 입자 무리 최적화는 반복적으로 이루어지고, 이 경우, 대응하는 액션 시퀀스(A_i)가 각각의 반복 단계에서 각각의 입자에 대해 획득된다. 개별 액션 시퀀스들은 입자 무리 최적화의 시작 시 랜덤하게 초기화된다.

각각의 입자에 대한 액션 시퀀스는, 대응하는 입력 노드들의 형태로, 순환형 신경망(RNN)에 포함되고, 이후, 이 순환형 신경망(RNN)에서는, 수행된 액션들(a_i(0), a_i(1), ... 등)로부터 도출되는, 출력 층의 노드들 형태의 후속 상태들(s1, s2, ..., sT)이 적절한 컨실드(concealed) 층을 사용하여 결정된다. 상태(s1)는, 액션(a_i(0))을 상태(s)에 적용한 이후의 기술 시스템의 상태이고, 상태(s2)는, 액션(a_i(1))을 상태(s1)에 적용한 이후의 기술 시스템의 상태인 식이다. 마지막으로, 상태(sT)는, 액션(a_i(T-1))을 상태(s)(T-1)에 적용하는 것으로부터 도출되는 기술 시스템의 상태에 대응한다.

입자 무리 최적화는 개별 입자들에 대한 액션 시퀀스들(A_i)을 최적화한다. 각각의 액션 시퀀스는 n_x = IxT 차원 벡터를 구성한다. T는 위에서 이미 언급된 이벤트 호라이즌에 대응하고, 그리고 I는 개개의 액션(a_i(0), a_i(2), ..., a_i(T-1))에 대한 액션 변수들의 개수이다. 그러므로, 입자 무리 최적화의 탐색 공간은

의 하위공간이다(

= 실수들의 공간). 입자 무리 최적화의 목표는, 최고 품질 측정치(RE)를 갖는 액션 시퀀스를 발견하는 것이고, 이 품질 측정치는 입자 무리 최적화의 적합도 함수(f)로서 사용된다. 액션 시퀀스(A_i)가 할당된 입자(i)에 대한 적합도 f(s,A_i)는 하기와 같이 제공된다:

. (1)

S는 기술 시스템이 담당할 수 있는 모든 상태들의 공간을 표기한다. 변수(r(sk))는 신경망을 사용하여 예측되는 개개의 상태(sk)에 대한 적절하게 정의된 평가 측정치(또한, 보상으로 지칭됨)이고, 그리고 액션 시퀀스(A_i)의 모든 평가 측정치들의 디스카운트된 가중된 합은 품질 측정치(RE)이다. 현재 시간(t)으로부터 거리가 멀어짐에 따라, 디스카운트(discount) 인자 γ는 점점 더 작아지고, 그 결과, 미래에 더 멀리 있는 평가 측정치들은 더 낮은 가중치를 갖는 품질 측정치에 포함된다. 평가 측정치는, 기술 시스템을 동작시키기 위한 원하는 최적화 기준에 따라 규정된다. 대응하는 평가 측정치들의 명세사항들은 당업자에게 충분히 잘 알려져 있거나, 또는 당업자의 관행의 범위 내에 있다.

바람직한 일 실시예에서, 이벤트 호라이즌(T)에 따라 좌우되는 인자 γ는 위의 방정식 (1)에서 사용되고, 그리고 하기와 같이 정의된다:

. (2)

이 경우, q는 고정된 값이고, 여기서 0 < q ≤ 1이다. 그 결과, 평가 측정치(r(s1)), 다시 말해, 제1 액션에 대한 평가 측정치가 품질 측정치(RE) 내에 완전히 포함되는 반면에, 미래에 가장 멀리 있는 상태(r(sT))에 대한 평가 측정치는 인자(q)로 디스카운트된다. 발명자들은 값 q=5%=0.05을 사용했다.

입자 무리 최적화 동안에, 각각의 입자(i)에 대해, 인덱스(m)를 사용하여 추가로 하기에서 특정되는 미리정의된 수의 반복 단계들에 기초하여, 반복적으로 업데이트되는(updated) 스피드 벡터들을 사용하여, 액션 시퀀스(A_i)가 반복적으로 결정되고, 이후, 액션 시퀀스에 대해, 순환형 신경망(RNN) 및 계산(RC)을 사용하여 품질 측정치(RE)가 결정되며, 품질 측정치는 적합도로서 입자 무리 최적화에 포함되고, 그리고 스피드 벡터, 및 이에 따라 다음 차례의 반복 단계에 대해 개개의 입자들에 대한 액션 시퀀스를 야기한다. 모든 반복들이 실행된 이후에, 입자 무리 최적화는 도 1에서 A로 표기되는 최적 액션 시퀀스를 출력한다. 여기서 설명되는 실시예에서, 이러한 최적 액션 시퀀스(A)의 제1 액션(a) = a(0)이 기술 시스템 상에서 수행된다. 이는, 기술 시스템에서 새로운 현재 시간(t)에 새로운 상태(s)를 야기한다. 이후, 이 상태가 도 1의 방법에 기초하여 다시 프로세싱되어, 기술 시스템 상에서 수행되는 다음 차례의 액션이 결정된다.

도 1의 방법은 5초 또는 그 미만의 짧은 컴퓨팅(computing) 시간 내에 수행될 적절한 액션을 출력할 수 있다. 이 경우, 발명자들에 의해 수행되는 시뮬레이션들은, 계산된 액션들이 높은 품질 측정치들, 및 이에 따라 이 품질 측정치를 사용하여 특정되는 최적화 기준의 우수한 충족을 야기함을 나타냈다. 이 경우, 품질 측정치 또는 그것의 계산이 쉽게 변경될 수 있음이 유리하다. 특히 바람직한 일 실시예에서, 도 1의 방법을 사용할 때, 사용자 인터페이스가 또한 기술 시스템 상에 제공될 수 있고, 그리고 이에 따라, 기술 시스템의 동작 조건들이 변경된다면 품질 측정치를 적응시키기 위해 사용자에 의해 온라인으로 사용될 수 있다.

도 1에서 사용된 입자 무리 최적화(PSO)의 바람직한 변형들이 하기에서 설명된다. 입자 무리 최적화 알고리즘은 일반적으로 개체군(population)-기반의 비-볼록한 확률적 최적화 휴리스틱스(heuristics)이다. 이 경우, 입자 무리의 다수의 입자들이 고려되고, 개개의 입자가 고려 하에 있는 문제점에 대한 가능한 솔루션을 표현한다. 여기서 설명되는 실시예에서, 각각의 입자에는, 결정될 최적 액션 시퀀스(A_i) 형태의 잠재적 솔루션이 할당된다. 입자들은 반복적으로, 적합도 랜드스케이프(landscape)로서 또한 지칭되는 다차원 탐색 공간 도처를 비행한다. 각각의 이동 이후에, 각각의 입자는 자신의 새로운 포지션에 대한 적합도 값을 수신하고, 이 적합도 값은 자신의 앞선 최선 적합도 값과 비교된다. 입자 무리 최적화에서 사용되는 적합도 값은 위에서 이미 정의되었다. 이 경우, 입자의 포지션은 대응하는 반복 단계에서 결정되는 액션 시퀀스(A_i)에 대응한다.

자신의 이웃의 입자에 의해 언제나 발견되는 최선 적합도를 갖는 포지션(및 이에 따른 액션 시퀀스)이 입자 무리 최적화의 결과로서 출력된다. 이 경우, 이웃은, 토폴로지를 사용하여 적절한 방식으로 규정되고, 그리고 개개의 입자에 대한 대응하는 이웃하는 입자들을 특정한다. 입자가 최고 적합도 값을 수신하게 되는 포지션은 입자의 (고유) 최선 포지션으로 지칭된다. 그에 반해서, 개개의 입자 자체를 비롯해 개개의 입자의 이웃의 임의의 원하는 입자가 최고 적합도 값을 수신하게 되는 포지션은 최선 이웃 포지션으로 지칭된다.

각각의 입자는 인덱스(i)에 의해 고유하게 식별되고, 이 인덱스(i)는 N개 입자들의 무리에 대해 i=1로부터 i=N까지 이어진다. 이 경우, x_i(m)는 입자(i)의 포지션, 및 이에 따라 반복 단계(m) 동안에 대응하는 액션 시퀀스(A_i)를 표기하고, 미리결정된 수의 반복 단계들이 입자 무리 최적화에서 수행된다. 개개의 입자의 고유한 최선 포지션이 알고리즘에서 하기와 같이 반복 단계(m) 동안에 계산된다:

. (3)

이 경우,

은 n_x-차원 탐색 공간에 대해 위에서 이미 정의된 적합도 함수이고, 현재 시간에 기술 시스템의 상태(s)는 미리정의되어 있다. 변수(y_i(m))는 도 1로부터의 액션 시퀀스(A_i)에 대응한다. 입자 무리 최적화를 시작할 때, 각각의 입자의 포지션은 랜덤하게 규정되고, 그리고 이는 또한 동시에 자신의 고유한 최선 포지션이 된다.

위에서 언급된 이웃 토폴로지에 따라, 입자들은 에지들을 통해 서로 연결되는 노드들을 구성하고, 개개의 입자의 이웃은 입자 자체, 그리고 에지를 통해 개개의 입자에 직접적으로 연결되는 모든 다른 입자들을 포함한다. 이 경우, 토폴로지는 상이한 방식들로 정의될 수 있다. 도 2는 7개 입자들을 갖는 입자 무리의 예를 사용하는 입자 무리 최적화에서 사용될 수 있는 토폴로지들의 상이한 변형들을 도시한다. 스타(star) 토폴로지(ST) 및 링 토폴로지의 두 개의 변형들(RT1 및 RT2)이 이 경우 도시된다. 개별 입자들은 이 경우, 원으로서 표시되는 개개의 노드들에 대응하고, N번째 입자의 이웃이 예컨대 강조된다. 노드들은 에지들(K)을 통해 서로 연결되는데, 명료성의 이유들로, 단 두 개의 에지들만이 각각의 토폴로지에서 참조 심볼(symbol) K로 표기된다. 에지(K)를 통해 대응하는 입자에 직접적으로 연결되는 모든 노드들이 대응하는 입자의 이웃하는 입자들이다. 스타 토폴로지에 따라, 각각의 입자가 모든 각각의 다른 입자에 연결되는 반면에, 링 토폴로지(RT1)에서는, 개개의 입자가 네 개의 이웃하는 입자들을 갖고, 그리고 링 토폴로지(RT2)에서는, 개개의 입자가 단 두 개의 이웃하는 입자들을 갖는다. 적절하다면, 더욱 복잡한 토폴로지들이 또한, 도 1에 따른 입자 무리 최적화에서 사용될 수 있다.

입자(i)의 이웃은 위의 설명에 따라 하기와 같이 정의된다:

입자들(i) 및 입자들(k)은 토폴로지의 에지를 통해 연결된다.

입자 무리 최적화 동안에, 입자들은 그들의 고유한 최선 포지션들을 그들의 이웃의 모든 입자들에 통신한다. 각각의 입자는 그로부터의 최선 이웃 포지션을 하기와 같이 결정한다:

. (4)

이후, 입자들은 추가로 하기에서 설명되는 스피드에 기초하여 그들의 포지션 업데이트(update)를 결정하고, 그리고 이 포지션 업데이트에 따라 이동한다. 이후, 다음 차례의 반복 단계에 대한 스피드는 개개의 입자의 (고유한) 최선 포지션과 최선 이웃 포지션 사이의 확률적 타협으로서 결정된다.

각각의 반복 단계에 대한 포지션은, 스피드 벡터(v_i(m))를 개개의 입자의 포지션에 가산함으로써, 더 정확히 말하면, 하기의 방정식에 기초하여 변경된다:

경우에,

(5)

이 경우, 방법은 개개의 입자 포지션들(x_i(0))로 초기화되고, 이 개개의 입자 포지션들(x_i(0))은 앞서 규정된 한계치들 x_min 및 x_max 사이에 균등하게 분산되는데, 다시 말해,

이다.

스피드 벡터(v_i(m))는 인지(cognitive) 성분 및 소셜(social) 성분 둘 다를 포함하고, 그리고 알고리즘의 최적화 프로세스를 구동시킨다. 이 경우, v_ij(m)는 차원 j=1,...,n_x에서 반복 단계(m)에 대한 입자(i)의 스피드이고, 이 경우, j는 액션 시퀀스의 모든 액션들에 걸쳐 있는 액션 변수들(및 이에 따른 이벤트 호라이즌(T))의 인덱스를 표현한다. 변수(x_ij(m))는 차원 j에서 반복 단계(m)에 대한 입자 i의 포지션이고, 이에 따라 액션 시퀀스의 액션 변수의 값에 대응한다. 변수들(c₁ 및 c₂)은, 인지 성분 및 소셜 성분의 기여를 스케일링(scale)하는데 사용되는 포지티브 가속 상수들이다. 예컨대, c₁ = c₂ = 1.49618을 사용하는 것이 가능하다. 변수들

은, 확률적 요소를 알고리즘에 도입시키기 위하여 균등한 분산으로부터 취해지는 범위 [0,1]의 랜덤 값들이다.

방정식 (5)로부터의 상수 인자(w)는 관성 가중치이다(또한, 문헌 [5] 참조). 이 관성 가중치(w)는, 선행하는 반복의 스피드의 얼마나 많은 메모리(memory)가 새로운 스피드에 영향을 끼치도록 의도되는지를 제어한다. 인자(w)에는 보통, 범위 [0,1]로부터의 고정된 값이 할당된다. 특히 바람직한 일 변형에서, w = 0.7298이 선택된다. w = 1을 이용한 입자 무리 최적화는 또한, 관성 가중치가 없는 입자 무리 최적화로서 해석될 수 있다.

"속도 클램핑(clamping)"(또한, 문헌 [4] 참조)이 또한 사용된다. 이 경우, 스피드는 차원 j에서 특정 최대 값(V_max,j)으로 크롭핑된다(cropped). 다시 말해, 입자(i)의 스피드는 하기와 같이 적응된다:

. (6)

최대 값(V_max,j)은 바람직하게, 그것이 대응하는 차원 j의 포지션의 변동의 이용 가능한 총 범위의 10%가 되는 방식으로, 다시 말해, 하기와 같이 규정된다:

. (7)

입자 무리 최적화는 가능하게는 또한, 속도 클램핑 없이 수행될 수 있다. 이 경우 하기와 같다:

(8)

입자 무리 최적화 알고리즘의 경우, 미리결정된 수의 반복들은 여기서 설명되는 실시예에서 미리정의된다. 이 수에 도달하면, 모든 입자들의 최선 이웃 포지션들로부터의 최고 적합도를 갖는 그 최선 이웃 포지션이 결과로서 출력된다. 이는, 도 1에 따른 액션 시퀀스(A)에 대응한다.

본 발명에 따른 방법의 위의 실시예는 발명자들에 의해 가스 터빈의 조절을 사용하여 테스트(test)되었다. 이 경우, 위에서 설명된 입자 무리 최적화는 두 개의 수정들과 함께 사용되었다. 가스 터빈의 두 개의 조작되는 변수들이, 대응하는 액션들을 사용하여 변경되었다. 품질 측정치는 터빈의 낮은 연소 챔버 허밍 및 낮은 오염물질 방출들에 대하여 정의되었다. 미래의 30개 단계들이 액션 시퀀스들의 이벤트 호라이즌으로서 간주되었다. 그 중에서도, 20개 반복 단계들, 및 50개 입자들의 무리 크기가 입자 무리 최적화를 위해 고려되었다. 부가하여, 이웃은 네 개의 이웃들을 갖는 링 토폴로지에 기초하여 규정되었다. 기술 시스템의 동적 행동을 모델링(modeling)하기 위한, 문헌 [3]에서 설명된 신경망이 순환형 신경망으로서 사용되었다. 방법을 테스트할 때, 본 발명에 따른 조절 또는 제어가, 높은 품질 측정치들을 갖게 그리고 적절한 컴퓨팅 시간 내에 액션들을 매우 잘 결정함을 증명하는 것이 가능했다.

위에서 설명되는 본 발명에 따른 방법의 실시예들은 다수의 장점들을 갖는다. 특히, 기술 시스템이 임의의 원하는 최적화 기준에 대하여 적절한 컴퓨팅 시간 내에 컴퓨터-지원 방법을 사용하여 조절 또는 제어될 수 있다. 이 경우, 이 목적을 위해, 정의된 품질 측정치를 변경함으로써 최적화 기준이 쉽게 적응될 수 있는데, 그 이유는 예컨대, 신경망에 기초하여 액션 선택 규칙을 트레이닝할 때의 경우와 같이, 품질 측정치가 트레이닝 프로세스의 일부로서 이미 앞서 사용된 것이 아니기 때문이다. 결과적으로, 품질 측정치는 기술 시스템의 실제 동작 동안에 어떠한 문제점들도 없이 변화될 수 있다.

참고문헌:

[1] DE 10 2007 001 025 A1

[2] DE 10 2008 020 379 A1

[3] DE 10 2010 011 221 A1

[4] D. P. Rini, S. M. Shamsuddin, S. S. Yuhaniz, "Particle Swarm Optimization: Technique, System and Challenges", International Journal of Computer Applications (0975-8887), Volume 14, No. 1, January 2011

[5] Y. Shi, R. Eberhart "A Modified Particle Swarm Optimizer", Proceedings of the IEEE Congress on Evolutionary Computation, pages 66 to 73, May 1998

Claims

기술 시스템(technical system)을 컴퓨터-지원(computer-assisted) 방식으로 제어하기 위한 방법으로서,
상기 기술 시스템의 동적 행동은, 복수의 시간들에 대해, 상기 기술 시스템의 상태(s), 및 이 상태의 상기 기술 시스템 상에서 수행되는 액션(action)(a)에 의해 각각 특성화되고, 개개의 시간에서의 개개의 액션(a)은 다음 차례의 시간에 상기 기술 시스템의 새로운 상태(s)를 야기하고, 그리고 액션 시퀀스(sequence)(A)는 시간상 시퀀스로 상기 기술 시스템 상에서 연속적으로 수행될 하나 또는 그 초과의 액션들(a)이며, 상기 기술 시스템을 동작시키기 위한 최적화 기준에 대한 품질 측정치(RE)는, 각각의 액션 시퀀스(A)에 대해, 상기 액션 시퀀스(A)의 액션들(a)을 수행하는 것으로부터 도출되는 상기 기술 시스템의 상태들(s1, s2, ..., sT)에 기초하여 계산될 수 있고, 상기 품질 측정치(RE)가 더 높을수록, 상기 최적화 기준이 더욱 잘 충족되며,
a) 상기 기술 시스템의 시뮬레이션 모델(simulation model)(RNN:recurrent neural network)이 제공되고, 그리고 개개의 액션 시퀀스들(A)에 대한 상기 기술 시스템의 결과적 상태들(s1, s2, ..., sT)을 예측하는데 사용될 수 있으며;
b) 가능한 최고 품질 측정치를 갖는 액션 시퀀스(A)가 연속적인 미리정의된 시간들의 시퀀스로부터 개개의 미리정의된 시간(t)에 수치 최적화 방법(numerical optimization method)(PSO:particle swarm optimisation)을 사용하여 결정되고, 상기 수치 최적화 방법은, 상기 수치 최적화 방법(PSO) 동안에 생성되는 액션 시퀀스들(A_i)에 대한 결과적 상태들(s1, s2, ..., sT)을 예측하고, 그리고 이후, 생성되는 액션 시퀀스들(A_i)의 품질 측정치를 이들 예측된 상태들(s1, s2, ..., sT)을 사용하여 결정하기 위해, 상기 시뮬레이션 모델(RNN)을 사용하며;
c) 단계 b)에서 결정된 상기 액션 시퀀스(A)의 액션들(a) 중 적어도 일부가 상기 기술 시스템 상에서 수행되며,
상기 수치 최적화 방법(PSO)은 입자 무리 최적화이고, 상기 입자 무리 최적화의 입자들은 개개의 액션 시퀀스들(A_i)에 할당되며, 상기 개개의 액션 시퀀스들(A_i)은 상기 입자 무리 최적화(PSO;particle swarm optimisation)를 초기화할 때 랜덤하게(randomly) 결정되고, 그리고 상기 입자 무리 최적화(PSO) 동안에 개개의 스피드 벡터(speed vector)들에 의하여 반복적으로 변경되며, 상기 개개의 스피드 벡터들은 상기 품질 측정치(RE)에 대응하는 적합도 함수(fitness function)를 사용하여 결정되는,
기술 시스템을 컴퓨터-지원 방식으로 제어하기 위한 방법.
제 1 항에 있어서,
단계 c)에서는, 단계 b)에서 결정된 상기 액션 시퀀스(A)의 제1 액션(a(0))만이 그것의 시간상 시퀀스에 따라 수행되거나, 또는 단계 b)에서 결정된 상기 액션 시퀀스(A)의 제1 액션(a(0))을 시작으로 복수의 연속적인 액션들(a)이 수행되는,
기술 시스템을 컴퓨터-지원 방식으로 제어하기 위한 방법.
제 1 항에 있어서,
상기 기술 시스템을 제어할 때 사용자 인터페이스(interface)가 제공되고, 그리고 사용자에 의해 상기 품질 측정치(RE)를 변경하는데 사용될 수 있는,
기술 시스템을 컴퓨터-지원 방식으로 제어하기 위한 방법.
제 1 항에 있어서,
상기 시뮬레이션 모델(RNN)은 상기 기술 시스템의 데이터-기반 모델(data-driven model), 분석적 모델, 또는 물리적 모델 중 적어도 하나이고, 상기 데이터-기반 모델은 신경망을 포함하고, 상기 신경망은 상기 기술 시스템의 알려진 결과적 상태들(s1, s2, ..., sT)을 갖는 알려진 액션 시퀀스들(A)로부터의 트레이닝 데이터(training data)에 기초하여 트레이닝되는(trained),
기술 시스템을 컴퓨터-지원 방식으로 제어하기 위한 방법.
제 4 항에 있어서,
상기 데이터-기반 모델은 가우시안 프로세스(Gaussian process)들, 회귀 트리(regression tree)들, 또는 서포트 벡터 회귀(support vector regression) 중 적어도 하나에 기초하는,
기술 시스템을 컴퓨터-지원 방식으로 제어하기 위한 방법.
제 1 항에 있어서,
상기 수치 최적화 방법(PSO)은 비-볼록 휴리스틱(non-convex heuristic) 최적화 방법 또는 무-구배 확률적 탐색(gradient-free stochastic search) 방법 중 적어도 하나인,
기술 시스템을 컴퓨터-지원 방식으로 제어하기 위한 방법.
제 1 항에 있어서,
상기 수치 최적화 방법(PSO)은 입자 무리 최적화, 진화 알고리즘(evolutionary algorithm), 유전자 알고리즘(genetic algorithm), 또는 담금질 기법(simulated annealing) 중 적어도 하나인,
기술 시스템을 컴퓨터-지원 방식으로 제어하기 위한 방법.
삭제
제 1 항에 있어서,
상기 품질 측정치(RE)는 합이고, 상기 합의 피가수들은 각각 평가 측정치를 포함하며, 상기 평가 측정치는 상기 액션 시퀀스(A)의 액션(a)으로부터 도출되는 각각의 상태(s1, s2, ..., sT)에 대해 결정되고, 개개의 피가수의 평가 측정치는 평가 측정치가 결정되는 상태가 액션 시퀀스의 마지막과 더 가까울수록 더 작은 배수(factor)가 곱해지는,
기술 시스템을 컴퓨터-지원 방식으로 제어하기 위한 방법.
제 1 항에 있어서,
가스 터빈(gas turbine)을 포함하는 전기 에너지(energy) 발전 설비가 제어되는,
기술 시스템을 컴퓨터-지원 방식으로 제어하기 위한 방법.
제 10 항에 있어서,
상기 가스 터빈의 상태는 하기의 상태 변수들:
상기 가스 터빈의 압축기 효율;
상기 가스 터빈의 터빈 효율;
상기 가스 터빈의 조절되는 배기 가스 온도;
하나 또는 그 초과의 가이드 블레이드(guide blade)들의 포지션((position));
상기 가스 터빈의 압축기의 하나 또는 그 초과의 가이드 블레이드들의 포지션;
상기 가스 터빈의 회전 스피드;
상기 가스 터빈에서의 압력들 또는 온도들 중 적어도 하나;
상기 압축기에서의 유입구 온도, 유입구 압력, 배출구 온도, 또는 배출구 압력 중 적어도 하나;
상기 터빈에서의 유입구 온도, 유입구 압력, 배출구 온도, 또는 배출구 압력 중 적어도 하나;
상기 가스 터빈이 동작되는 환경의 온도;
상기 가스 터빈이 동작되는 환경의 습도;
상기 가스 터빈이 동작되는 환경의 기압;
질량 또는 체적 흐름들 중 적어도 하나;
상기 가스 터빈의 냉각 시스템, 보조 시스템, 윤활유, 또는 베어링 시스템(bearing system)들 중 적어도 하나에 대한 적어도 하나의 파라미터(parameter);
냉각 공기를 공급하기 위한 하나 또는 그 초과의 밸브(valve)들의 포지션;
상기 가스 터빈의 성능;
상기 가스 터빈의 퍼센티지(percentage) 성능 값;
상기 가스 터빈의 연료 품질;
상기 가스 터빈의 오염물질 방출;
상기 가스 터빈에서의 질소 산화물들 또는 일산화탄소 중 적어도 하나의 방출;
상기 가스 터빈의 하나 또는 그 초과의 터빈 블레이드들의 온도;
상기 가스 터빈의 연소 챔버(chamber)의 연소 동역학;
상기 가스 터빈의 상기 연소 챔버로의 가스의 공급에 관련된 하나 또는 그 초과의 파라미터들;
상기 가스 터빈에 공급되는 가스량;
상기 가스 터빈에서의 베어링 진동 또는 하우징(housing) 진동 중 적어도 하나
중 하나 또는 그 초과의 상태 변수들을 포함하는,
기술 시스템을 컴퓨터-지원 방식으로 제어하기 위한 방법.
제 11 항에 있어서,
상기 기술 시스템을 동작시키기 위한 최적화 기준은 상기 가스 터빈의 가능한 최저 오염물질 방출 또는 상기 가스 터빈의 상기 연소 챔버의 가능한 최저 동역학 중 적어도 하나를 포함하는,
기술 시스템을 컴퓨터-지원 방식으로 제어하기 위한 방법.
기술 시스템을 컴퓨터-지원 방식으로 제어하기 위한 장치로서,
상기 장치는 제 1 항 내지 제 7 항 및 제 9 항 내지 제 12 항 중 어느 한 항에 따른 방법을 수행하는데 사용될 수 있는 컴퓨터 유닛(computer unit)을 포함하는,
기술 시스템을 컴퓨터-지원 방식으로 제어하기 위한 장치.
제 13 항에 따른 장치를 포함하는 기술 시스템.
프로그램 코드(program code)를 갖는 컴퓨터 판독가능 저장 매체(computer readable storage medium)로서,
상기 프로그램 코드가 컴퓨터 상에서 실행될 때, 상기 프로그램 코드는 제 1 항 내지 제 7 항 및 제 9 항 내지 제 12 항 중 어느 한 항에 따른 방법을 수행하도록 의도되는,
컴퓨터 판독가능 저장 매체.
제1항에 있어서,
상기 기술 시스템은 에너지 발전 설비인,
기술 시스템을 컴퓨터-지원 방식으로 제어하기 위한 방법.
제4항에 있어서,
상기 신경망은 순환형 신경망(recurrent neural network)인,
기술 시스템을 컴퓨터-지원 방식으로 제어하기 위한 방법.
제11항에 있어서,
상기 액션 시퀀스의 액션은 상기 상태 변수들 중 하나 또는 그 초과의 변경에 관련되는,
기술 시스템을 컴퓨터-지원 방식으로 제어하기 위한 방법.
제13항에 있어서,
상기 기술 시스템은 전기 에너지 발전 설비인,
기술 시스템을 컴퓨터-지원 방식으로 제어하기 위한 장치.