KR102222296B1 - 제어 모델들에 의하여 기술 시스템을 제어하기 위한 방법 및 디바이스 - Google Patents
제어 모델들에 의하여 기술 시스템을 제어하기 위한 방법 및 디바이스 Download PDFInfo
- Publication number
- KR102222296B1 KR102222296B1 KR1020187029129A KR20187029129A KR102222296B1 KR 102222296 B1 KR102222296 B1 KR 102222296B1 KR 1020187029129 A KR1020187029129 A KR 1020187029129A KR 20187029129 A KR20187029129 A KR 20187029129A KR 102222296 B1 KR102222296 B1 KR 102222296B1
- Authority
- KR
- South Korea
- Prior art keywords
- control
- data
- model
- technology system
- control model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 24
- 238000005516 engineering process Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 40
- 101100381485 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) BBC1 gene Proteins 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 230000001105 regulatory effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- 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
- G05B13/029—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 and expert systems
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/36—Nc in input of data, input key till input tape
- G05B2219/36464—Position, teach, store extreme, full open, closed positions
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Feedback Control In General (AREA)
- Stored Programmes (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
- Programmable Controllers (AREA)
Abstract
제어 모델(SM, SM1, SM2)에 의하여 기술 시스템(TS)을 제어하기 위하여, 데이터 컨테이너(DC, DC1, DC2)가 수신되며, 모델 유형들 전부에 대해, 트레이닝 구조(TSR) 및 모델 유형 정보(MTI, MTI1, MTI2)를 갖는 제어 모델(SM, SM1, SM2)이 이 데이터 컨테이너(DC, DC1, DC2)에 인코딩된다. 본 발명에 따라, 모델 유형 정보(MTI, MTI1, MTI2)의 함수로써, 다수의 모델-유형-특정적 실행 모듈들(EM1, EM2, EM3) 중 하나가 기술 시스템(TS)에 대해 선택된다. 더욱이, 모델 유형 정보(MTI, MTI1, MTI2)의 함수로써, 기술 시스템(TS)의 동작 데이터 채널들(BDC)에 제어 모델(SM, SM1, SM2)의 입력 채널들(IC)이 할당된다. 기술 시스템(TS)의 동작 데이터(BD)는 개개의 동작 데이터 채널(BDC)을 통해 획득되고, 이 동작 데이터 채널(BDC)에 할당된 입력 채널(IC)을 통해, 제어 모델(SM, SM1, SM2)에 전달된다. 제어 모델(SM, SM1, SM2)은 선택된 실행 모듈(EM1, EM2)에 의하여 실행되며, 여기서, 트레이닝 구조(TSR)에 따라, 전달된 동작 데이터(BD)로부터 제어 데이터(CD)가 도출되며, 그리고 기술 시스템(TS)을 제어하기 위해 출력된다.
Description
일반적으로, 예컨대, 가스 터빈(gas turbine)들, 풍력 터빈들 또는 제조 설비들과 같은 복잡한 기술 시스템들의 제어 시, 규정된 기준들에 대해 시스템 거동을 최적화하는 것이 바람직하다. 이를 위해, 최신 제어 시스템들은 기계 학습 기법들을 종종 사용한다. 따라서, 예컨대, 다수의 기준들에 대해 기술 시스템을 최적화하기 위한 제어 모델(control model)로서 신경망이 트레이닝될 수 있다.
한편, 특히, 비교적 대형 설비들의 제어는, 사용되는 제어 시스템들에 안전 및 유연성 측면에서 높은 요건들을 요구하며, 이러한 제어 시스템들은, 많은 경우들에서, 광범위한 인증 프로세스를 겪어야 한다. 그러나, 이는 일반적으로 학습-기반 제어 시스템들의 사용을 더욱 어렵게 하는데, 그 이유는 이러한 학습-기반 제어 시스템들의 내부적인 응답 관계들은 종종 외부에서 이해하기가 어렵고 그리고 트레이닝 상태에 따라 변화할 수 있기 때문이다. 또한, 상이한 구현 요건들을 갖는 다수의 제어 모델들도 존재한다. 그에 따라서, 학습-기반 제어 모델들을 사용하는 것은, 특히, 비교적 대형 기술 시스템들의 경우, 종종 성가신 것으로 판명된다.
본 발명의 목적은, 기술 시스템을 제어하기 위한 방법 및 디바이스를 특정하는 것이며, 이러한 방법 및 디바이스는 학습-기반 제어 모델들의 더욱 유연한 사용을 가능하게 한다.
이 목적은 특허 청구항 제1항의 특징들을 갖는 방법에 의해, 특허 청구항 제10항의 특징들을 갖는 디바이스에 의해, 특허 청구항 제11항의 특징들을 갖는 컴퓨터-판독가능 저장 매체에 의해 달성된다.
트레이닝된 또는 트레이닝가능한 제어 모델에 의하여 기술 시스템을 제어하기 위해, 데이터 컨테이너(data container)가 수신되며, 이때 모든 모델 유형들에 대해, 트레이닝 구조를 갖는 제어 모델 및 모델 유형 정보가 이 데이터 컨테이너에 인코딩된다. 이 경우, 트레이닝 구조는 특히, 제어 모델의 트레이닝 상태, 및/또는 트레이닝되는, 트레이닝가능한, 가르칠 수 있는 그리고/또는 트레이닝 동안 트레이닝되는 구조에 관한 것일 수 있다. 이 경우, 트레이닝은, 특히, 규정가능한 기준들에 따라, 하나 이상의 타겟(target) 변수들에 대해, 트레이닝 단계 동안, 제어 모델의 입력 매개변수들의 컴퓨테이션(computation)이 최적화된다는 것을 의미하는 것으로 이해된다. 그러한 트레이닝은 예컨대, 신경망을 트레이닝함으로써, 분석 또는 통계 모델의 회귀에 의해 그리고/또는 다른 유형의 매개변수 근사(fitting)에 의해 수행될 수 있다. 본 발명에 따르면, 모델 유형 정보에 따라, 복수의 모델 유형-특정적 실행 모듈들 중에서 기술 시스템에 대한 하나의 실행 모듈이 선택된다. 더욱이, 모델 유형 정보에 따라, 기술 시스템의 동작 데이터 채널들이 제어 모델의 입력 채널들에 할당된다. 기술 시스템의 동작 데이터는 개개의 동작 데이터 채널을 통해 획득되고, 이 동작 데이터 채널에 할당된 입력 채널을 통해, 제어 모델에 송신된다. 선택된 실행 모듈을 통해 제어 모델이 실행되며, 여기서, 기술 시스템을 제어하기 위하여 출력되는 제어 데이터가, 트레이닝 구조에 따라, 송신된 동작 데이터로부터 도출된다. 제어에 관련된 예측 데이터 및/또는 모니터링(monitoring) 데이터가 또한, 제어 데이터로서 출력될 수 있다.
본 발명에 따른 방법을 수행하기 위하여, 제어 디바이스, 컴퓨터 프로그램 제품 및 컴퓨터-판독가능 저장 매체가 제공된다.
모델 유형-특정적 실행 모듈들을 통해, 기술 시스템의 제어 구조들이 상이한 제어 모델 유형들의 특정 요건들로부터 대체로 디커플링될(decoupled) 수 있다는 점에서, 본 발명의 하나의 장점이 관찰된다. 이는, 완전히 상이한 제어 모델들의 더욱 쉽고 더욱 유연한 구현을 가능하게 한다. 특히, 동일한 기술 시스템 상에서 상이한 제어 모델들이 자동적으로 실행될 수 있고, 상이한 기술 시스템들 상에서 동일한 제어 모델이 자동적으로 실행될 수 있다. 동작 데이터 채널들을 모델 유형-특정적으로 입력 채널들로 할당함으로써, 동작 데이터를 이용하여 제어 모델이 적절하게 구동될 수 있다.
본 발명의 유리한 실시예들 및 발전들은 종속 청구항들에서 특정된다.
제어 모델은 바람직하게는, 신경망, 데이터-주도 회귀기, 서포트 벡터 머신(support vector machine) 및/또는 결정 트리(tree)를 포함할 수 있다. 위의 구현들은, 각각의 경우, 트레이닝 구조를 제공받으며, 그리고 특정 모델 유형 정보에 의해 식별될 수 있다.
본 발명의 하나의 유리한 실시예에 따라, 제어 모델은, 암호화된 형태로 데이터 컨테이너에 존재하고, 기술 시스템에 의해 적어도 부분적으로 복호화될 수 있다. 따라서, 제어 모델은, 송신 및 저장 동안 비인가 액세스(access)에 대해 보호될 수 있다.
바람직하게는, 제어 모델을 실행하기 위하여 제어 모델의 일부분들이 디코딩(decoded)되고, 이때 이러한 일부분들에 기초하여 제어 모델의 모델 구조를 도출하는 것이 방지되거나 또는 어렵게 되도록, 제어 모델이 인코딩(encoded) 및 암호화될 수 있다. 모델 구조는 예컨대 신경망의 특정 계층, 노드(node), 망 또는 가중(weighting) 구조, 및/또는 트레이닝 구조에 관한 것일 수 있다. 이 경우, 실행에 관련되는, 제어 모델의 일부분들만이 기술 시스템에 의해 복호화될 수 있지만, 특정 모델 구조가 대체로 계속 숨겨진 채로 있도록, 제어 모델은 암호화될 수 있다. 따라서, 신경망의 경우, 단 1개의 실행가능한 계산 루틴(routine)만이 인코딩될 수 있으며, 이러한 계산 루틴으로부터, 특정 망 구조가 도출될 수 있지만, 그렇게 하는 것은 어렵다. 따라서, 제어 모델은 말하자면 블랙 박스(black box)로서 실행될 수 있다. 그러한 인코딩(encoding) 및 암호화를 통해, 모델 구조에 포함된 노-하우(know-how)가 보호될 수 있다.
더욱이, 데이터 컨테이너 내의 제어 모델에는 디지털(digital) 서명이 제공될 수 있으며, 이 디지털 서명은 예컨대 기술 시스템에 의해 검사된다. 그런 다음, 검사의 결과에 따라, 제어 모델이 실행될 수 있다. 따라서, 제어 모델의 무결성이 보장될 수 있다. 특히, 제어 모델의 생성, 제어 모델의 트레이닝 및/또는 제어 모델에 대한 변화들이 분명하게 책임 기관에 기인할 수 있다.
더욱이, 데이터 컨테이너는 제어 모델의 트레이닝에 관한 트레이닝 정보를 포함할 수 있다. 그런 다음, 트레이닝 정보에 따라, 제어 모델의 실행 및/또는 실행 모듈의 선택이 이루어질 수 있다. 트레이닝 정보는, 특히, 제어 모델에 대한 이전 또는 다음 트레이닝 프로세스에 관한 것일 수 있다.
본 발명의 하나의 유리한 실시예에 따라, 동작 데이터 채널들 및 입력 채널들 각각에는 데이터 유형, 물리적 치수, 값들의 범위 및/또는 추가적인 조건이 할당될 수 있다. 개개의 입력 채널로의 개개의 동작 데이터 채널의 할당 시, 할당되는 데이터 유형들, 물리적 치수들, 값들의 범위들 및/또는 추가적인 조건들이 호환가능한지 여부가 검사될 수 있다. 예로서, 미터(meter)들, 초들, 그램(gram)들 또는 이들의 결합들이 물리적 치수들로서 할당될 수 있다. 따라서, 많은 경우들에서, 정확한 동작 데이터를 이용하여 제어 모델이 구동되는 것이 보장될 수 있다. 대안으로서 또는 추가적으로, 획득된 동작 데이터가 데이터 유형, 물리적 치수, 값들의 범위 및/또는 추가적인 조건들에 대해 검사되어서, 그에 따라 실행 동안 제어 모델의 정확한 구동이 보장될 수 있다.
더욱이, 제어 데이터는, 이러한 제어 데이터의 값들의 범위, 값의 변화 및/또는 추가적인 조건에 대해 검사될 수 있다. 트레이닝되는 제어 모델들의 경우, 입력 데이터에 대한 출력 데이터의 종속성들이 일반적으로, 명시적으로 알려져 있지 않고, 모델 오류들을 배제하는 것이 종종 가능하지 않기 때문에, 규정된 추가적인 조건들을 검사함으로써, 부정확한 제어가 종종 방지될 수 있다.
본 발명의 하나의 유리한 발전에 따라, 복수의 런타임(runtime) 환경-특정적 어댑터들 각각이 런타임 환경에 할당될 수 있다. 이 경우, 어댑터들은, 실행 모듈들을 할당된 런타임 환경에 맞게 조정하는 역할을 한다. 더욱이, 기술 시스템의 런타임 환경에 관한 환경 정보가 획득될 수 있으며, 그리고 획득된 환경 정보에 따라, 기술 시스템의 런타임 환경에 할당되는 어댑터가 선택될 수 있다. 그런 다음, 선택된 실행 모듈은 선택된 어댑터를 통해 런타임 환경에 커플링될(coupled) 수 있다. 따라서, 실행 모듈들 및 제어 모델들은 개개의 런타임 환경에 대체로 독립적으로 생성 및 구현될 수 있다. 그에 따라서, 어댑터들은 제어 모델의 유형에 대체로 독립적으로 발전 및 구현될 수 있다. 따라서, 제어 모델들 및 런타임 환경은 말하자면 디커플링될 수 있으며, 그 결과, 발전 및/또는 구현 프로세스가 종종 상당히 단순화된다.
더욱이, 선택된 어댑터는 기술 시스템의 런타임 환경의 능력들에 관한 능력 정보를 제공할 수 있다. 능력 정보에 따라, 런타임 환경과 제어 모델의 호환성이 검사될 수 있고, 그에 따라, 제어 모델이 실행될 수 있다. 따라서, 제어 모델의 자동 구현이 단순화될 수 있다.
본 발명의 예시적인 실시예는, 도면에 기초하여 아래에서 더욱 상세히 설명된다. 개략적인 예시에서, 각각:
도 1은 인코딩된 제어 모델을 갖는, 본 발명에 따른 데이터 컨테이너를 도시하고,
도 2는 본 발명에 따른 제어 디바이스를 갖는 기술 시스템을 도시하고,
도 3은 제어 모델을 통한, 동작 데이터로부터 제어 데이터의 도출의 예시를 도시하며, 그리고
도 4는 런타임 환경들과 제어 모델들의 상호작용의 예시를 도시한다.
도 1은 인코딩된 제어 모델을 갖는, 본 발명에 따른 데이터 컨테이너를 도시하고,
도 2는 본 발명에 따른 제어 디바이스를 갖는 기술 시스템을 도시하고,
도 3은 제어 모델을 통한, 동작 데이터로부터 제어 데이터의 도출의 예시를 도시하며, 그리고
도 4는 런타임 환경들과 제어 모델들의 상호작용의 예시를 도시한다.
도 1은 인코딩된, 트레이닝된 그리고/또는 트레이닝가능한 제어 모델(SM)을 갖는, 본 발명에 따른 데이터 컨테이너(DC)를 개략적으로 예시한다. 제어 모델(SM)은 기술 시스템의 또는 기술 시스템의 일부분의 물리적, 규제-기반 및/또는 확률론적 동적 시스템 또는 다른 상호종속성을 시뮬레이팅하는 역할을 한다. 제어 모델(SM)은 신경망, 데이터-주도 회귀기, 서포트 벡터 머신, 결정 트리 및/또는 다른 분석 모델 또는 이들의 결합을 포함할 수 있다. 제어 모델(SM)은, 예컨대, 예측 모델 마크업 언어(PMML; Predictive Model Markup Language)-포맷(format)으로 불리는 것으로, 또는 사유 포맷으로, 모든 모델 유형들에 대해, 데이터 컨테이너(DC)에 인코딩된다.
본 예시적인 실시예에서, 제어 모델(SM)은, 송신 및 저장 동안 데이터 보안 목적들을 위해 추가적으로 암호화된다. 더욱이, 제어 모델(SM)은 트레이닝 구조(TSR)를 갖는다. 트레이닝 구조(TSR)는, 바람직하게는 미리-트레이닝된(pre-trained) 트레이닝 상태의, 가르칠 수 있는 구조를 포함한다. 신경망의 경우, 트레이닝 구조(TSR)는 예컨대 뉴런(neuron)들의 망 구조 및 뉴런들 사이의 연결들의 가중을 포함할 수 있다. 데이터-주도 회귀기들의 경우, 트레이닝 구조(TSR)는 회귀기 모델의 계수들을 포함할 수 있다. 트레이닝 구조(TSR)는 제어 모델(SM)의 이전 트레이닝 및 미래 트레이닝 둘 모두에 관련될 수 있다.
데이터 컨테이너(DC)는 더욱이, 기술 메타데이터(metadata)(TM) 및 모델 메타데이터(MM)를 포함한다.
본 예시적인 실시예에서, 기술 메타데이터(TM)는, 모델 유형 정보(MTI), 트레이닝 정보(TI) 및 입력/출력 계약 데이터(IOC)를 포함한다. 더욱이, 기술 메타데이터(TM)는 예컨대, 제어 모델(SM)의 생성 시간과 같은 콘텍스트(context) 정보, 의도된 타겟 시스템들에 관한 정보, 및/또는 런타임 환경 측면에서의, 예컨대, 실시간 능력들, 병렬화가능성, 컴퓨팅 자원들 및/또는 상이한 실행 모듈들과의 호환성에 대한, 제어 모델(SM)의 요건들에 관한 정보를 포함한다.
모델 유형 정보(MTI)는 모든 모델 유형들에 대해 인코딩되며, 그리고 제어 모델(SM)의 유형을 특정한다. 이 경우, 예컨대, 제어 모델(SM)이 신경망에 기반하는지, 데이터-주도 회귀기에 기반하는지, 서포트 벡터 머신에 기반하는지, 결정 트리에 기반하는지 그리고/또는 이들의 결합에 기반하는지가 특정될 수 있다. 더욱이, 제어 모델(SM)의 입력 변수들 및/또는 출력 변수들, 그리고 제어 모델(SM)의 다른 특정 요건들, 능력들 및/또는 특성들이 특정될 수 있다.
트레이닝 정보(TI)는 제어 모델(SM)의 이전 및/또는 다음 트레이닝 프로세스 및/또는 트레이닝 상태를 설명한다.
입력/출력 계약 데이터(IOC)는, 제어 모델(SM)의 거동 측면에서 추가적인 조건들을 설정하는 소위 입력/출력 계약을 특정한다. 입력/출력 계약 데이터(IOC)를 통해, 예컨대, 제어 모델(SM)의 입력 데이터 및/또는 출력 데이터의 값들의 범위들, 값들의 변화들, 값들의 변화들의 속도 및/또는 데이터 유형들과 같은, 규정된 추가적인 조건들이 바람직하게는 모든 모델 유형들에 대해 하나의 포맷으로 특정될 수 있다. 입력/출력 계약 데이터(IOC)는 유리하게는, 제어 모델(SM)의 원하는 거동이 보장될 수 있도록, 사용자가 판독할 수 있는 포맷으로 ―제어 모델(SM)의 트레이닝 구조(TSR)는 일반적으로 사용자-판독가능하지 않음― 그에 따라 확인될 수 있는 방식으로 특정될 수 있다.
본 예시적인 실시예에서, 모델 메타데이터(MM)는, 예컨대, 제어 모델(SM)을 생성한, 트레이닝한 그리고/또는 변화시킨 개인들 및/또는 기관들의 하나 이상의 디지털 서명들(SIG)을 포함한다.
더욱이, 모델 메타데이터(MM)는 버전(version) 정보, 권리 정보, 및 제어 모델(SM)의 타겟 시스템에 관한 그리고/또는 소스(source)에 관한 정보를 포함할 수 있다. 더욱이, 유효 기간에 관한, 요구되는 데이터 프로세싱(processing) 자원들에 관한, 그리고/또는 예컨대 모니터링(monitoring)을 위해, 예측을 위해 그리고/또는 제어를 위해 허용되는 또는 가능한 사용 영역들에 관한 규격들이 모델 메타데이터(MM)에 포함될 수 있다.
도 2는 기술 시스템(TS)에 대한, 본 발명에 따른 제어 디바이스(CTL)를 갖는 기술 시스템(TS)의 개략적인 예시를 도시한다. 기술 시스템(TS)은 예컨대 전력 플랜트(plant), 생산 설비, 가스 터빈 등일 수 있다.
기술 시스템(TS)은 데이터 프로세싱 목적들을 위한, 그리고 기술 시스템(TS)을 제어하기 위한 런타임 환경(RE)을 갖는다. 그러한 런타임 환경, 여기서, RE는, 운영체제, 클라우드/클러스터 미들웨어(cloud/cluster middleware) 및/또는 데이터 프로세싱 환경의 결합을 포함할 수 있다. 이들의 예들은 하둡(Hadoop)/HIVE 프레임워크(framework)를 갖는 리눅스(Linux) 클러스터, 클러스터 스트림(stream) 프로세싱 환경 또는 멀티코어(multicore) 스트림 프로세싱 환경이다.
제어 디바이스(CTL), 예컨대, 가스 터빈에 대한 제어 시스템은 제어 디바이스(CTL)의 방법 단계들 전부를 실행하기 위한 하나 이상의 프로세서(processor)들(PROC), 및 모델 실행 시스템(MES)을 포함한다. 모델 실행 시스템(MES)은 본 예시적인 실시예에서 제어 디바이스(CTL)에 구현되지만, 대안으로서 또는 추가적으로, 외부적으로, 예컨대 클라우드에, 적어도 부분적으로 구현될 수 있다. 모델 실행 시스템(MES)은 제어 모델들과 런타임 환경(RE) 사이의 추상 계층으로서 사용될 수 있다. 모델 실행 시스템(MES)은 복수의 실행 모듈들(EM1, EM2 및 EM3), 및 복수의 어댑터들(AD1 및 AD2)을 포함한다.
실행 모듈들(EM1, EM2 및 EM3)은 기술 시스템 상의 또는 기술 시스템에 대한, 트레이닝되는 그리고/또는 트레이닝가능한 제어 모델들을 실행, 설치, 초기화 및/또는 평가하는 역할을 한다. 실행 모듈들(EM1, EM2 및 EM3)은 각각 제어 모델 유형에 특정적이다. 그러한 실행 모듈들은 종종, 인터프리터(interpreter)들로 또한 지칭된다.
어댑터들(AD1 및 AD2)은 실행 모듈들, 여기서, EM1, EM2 및 EM3을 상이한 런타임 환경들에 맞게 조정하는 역할을 한다. 어댑터들(AD1 및 AD2)은 각각 런타임 환경에 특정적이다.
런타임 환경-특정적 어댑터를 선택하기 위해, 모델 실행 시스템(MES)은, 기술 시스템(TS)에 존재하는 런타임 환경(RE)으로부터, 런타임 환경(RE)을 설명하는 환경 정보(EI)를 획득한다. 획득된 환경 정보(EI)에 따라, 모델 실행 시스템(MES)은, 환경 정보(EI)에 의해 설명되는 런타임 환경, 여기서, RE에 특정적이며 그리고 그에 적절한, 어댑터들(AD1, AD2) 중 하나를 선택한다. 본 예시적인 실시예에서, 어댑터(AD2)가 현재 런타임 환경(RE)에 적절한 것으로 판명되고, 그러므로 선택되며 그리고 런타임 환경(RE)에 커플링된다.
그런 다음, 선택된 어댑터(AD2)는 런타임 환경(RE)의 특정 능력들에 관한 능력 정보(CI)를 제공하며, 이러한 정보에 기초하여, 런타임 환경(RE)과 제어 모델들의 호환성이 모델 실행 시스템(MES)에 의해 검사될 수 있다.
기술 시스템(TS)을 제어하기 위해, 모델 실행 시스템(MES)은 다양한 데이터 컨테이너들(DC1 및 DC2)을 수신하며, 데이터 컨테이너들(DC1 및 DC2) 각각은 도 1에서 설명된 바와 같이 구성된다. 데이터 컨테이너들(DC1 및 DC2) 각각은 특정 제어 모델(SM1 및 SM2)을 각각 포함한다. 데이터 컨테이너들(DC1 및 DC2)은 바람직하게는, 특정 메시지(message)들로서 기술 시스템(TS)에 송신된다.
제어 모델들(SM1 및 SM2) 각각은, 도 1과 관련하여 설명된 바와 같이 구성되며, 그리고 기술 시스템(TS)의 또는 기술 시스템(TS)의 일부분의 다양한 물리적, 규제-기반, 확률론적 및/또는 다른 상호종속성들을 시뮬레이팅하는 역할을 한다. 제어 모델들(SM1 및 SM2)은 각각, 바람직하게는, 기술 시스템의 특정 부분들, 특정 규제 작업들, 특정 제어 작업들 및/또는 특정 시뮬레이션(simulation) 유형들에 특정적이다. 제어 모델들(SM1 및 SM2)은 각각, 모든 모델 유형들에 대해 인코딩된다.
데이터 컨테이너들(DC1 및 DC2)을 통해, 각각의 경우, 제어 모델(SM1 및 SM2) 각각에 대한 모델 유형 정보(MTI1 및 MTI2) 각각이 모델 실행 시스템(MES)에 송신된다. MTI1 및 MTI2 각각은, 제어 모델(SM1 및 SM2)의 모델 유형을 각각 특정하며, 그리고 각각의 경우, 도 1과 관련하여 설명된 바와 같이 구성될 수 있다.
데이터 컨테이너들(DC1 및 DC2)의 수신 후에, 모델 실행 시스템(MES)은 이들 데이터 컨테이너들을 언패킹하며(unpack), 그리고 이러한 데이터 컨테이너들의 디지털 서명들 각각을 검사한다. 검사의 결과가 부정적이면, 문제의 제어 모델(SM1 또는 SM2)의 추가적인 프로세싱은 억제된다. 더욱이, 모델 실행 시스템(MES)은, 개개의 제어 모델(SM1 또는 SM2)에 대해, 그들의 기술 메타데이터에 기초하여 그리고 능력 정보(CI)에 기초하여, 개개의 제어 모델(SM1 또는 SM2)이 런타임 환경(RE)과 호환가능한지 여부, 그리고 어느 정도까지 호환가능한지를 검사한다. 이것에 따라, 개개의 제어 모델(SM1 또는 SM2)의 추가적인 프로세싱이 이루어진다.
더욱이, 모델 실행 시스템(MES)은 암호화된 제어 모델들(SM1 및 SM2)을 복호화한다. 이 경우, 바람직하게는, 실행에 관련되는, 개개의 제어 모델의 일부분들만이 복호화되며, 따라서 제어 모델은 실행될 수 있지만, 제어 모델의 모델 구조는 합리적인 노력으로는 도출될 수 없다.
더욱이, 모델 실행 시스템(MES)은, 각각의 제어 모델(SM1 및 SM2)에 대해, 각각의 경우 모델 유형 정보(MTI1 및 MTI2)에 각각 기초하여 그리고 가능하게는 다른 기술 메타데이터에 기초하여, 각각의 제어 모델(SM1 및 SM2)에 특정한 실행 모듈을 선택한다. 본 예시적인 실시예에서, 제어 모델(SM1)에 대해, 실행 모듈(EM1)이 선택 및 할당되고, 제어 모델(SM2)에 대해, 실행 모듈(EM2)이 선택 및 할당된다. 그런 다음, 모델 실행 시스템(MES)은, 선택된 실행 모듈들(EM1 및 EM2)을 선택적 어댑터(AD2)를 통해 런타임 환경(RE)에 커플링한다(couple).
기술 시스템(TS)의 동작 데이터를 프로세싱하기(process) 위해, 모델 실행 시스템(MES)은 런타임 환경(RE) 상에서 제어 모델들(SM1 및/또는 SM2)을 실행하며, 여기서, 모델 실행 시스템(MES)은 개개의 제어 모델(SM1 또는 SM2)의 실행을 각각 할당된 실행 모듈(EM1 또는 EM2)로 위임한다. 개개의 제어 모델(SM1 또는 SM2)의 실행 동안, 개개의 제어 모델(SM1 또는 SM2)의 입력/출력 계약 데이터에 의하여, 특정된 입력/출력 계약에 대한 준수가 모니터링(monitored) 및 보장된다.
도 3은 커플링된 어댑터(AD)를 통해 기술 시스템(TS) 상의 실행 모듈(EM)에 의해 실행되는 제어 모델(SM)을 통한, 기술 시스템(TS)의 동작 데이터(BD)로부터 제어 데이터(CD)의 도출을 예시한다. 명확성을 위해서, 동일한 기술 시스템(TS)이 도 3의 양측에 개략적으로 예시된다. 기술 시스템(TS), 제어 모델(SM), 실행 모듈(EM) 및 어댑터(AD)는 바람직하게는, 도 1 및 도 2와 관련하여 설명된 바와 같이 구성된다.
제어 모델(SM)은 트레이닝 구조(TSR)를 갖는 신경망(NN)을 통해 구현된다.
기술 시스템(TS)은 기술 시스템(TS)의 동작 데이터(BD)를 획득하기 위한 센서들(S)을 갖는다. 동작 데이터(BD)는 예컨대 기술 시스템(TS)의 물리적, 규제-기반 및/또는 설계-관련 동작 변수들, 특성들, 규정된 값들, 상태 데이터, 시스템 데이터, 제어 데이터, 센서 데이터 및/또는 측정 값들일 수 있다. 특히, 동작 데이터(BD)는 또한, 센서들(S)로부터 비롯되지 않은 데이터를 포함할 수 있다.
동작 데이터(BD)는 기술 시스템(TS)의 특정 동작 데이터 채널들(BDC)을 통해 획득된다. 이 경우, 동작 데이터 채널들(BDC)은 동작 데이터(BD)의 데이터 유형, 물리적 치수, 소스, 기능 및/또는 다른 특성들에 특정적일 수 있다.
제어 모델(SM)은 다양한 입력 채널들(IC)을 가지며, 입력 채널들(IC)은 제어 모델(SM)의 다양한 입력 매개변수들 또는 입력 데이터에 할당된다. 입력 채널들(IC)은 입력 매개변수들 또는 입력 데이터의 매개변수 유형, 물리적 치수, 소스, 기능 및/또는 다른 특성들에 특정적일 수 있다.
입력 채널들(IC)과 동작 데이터 채널들(BDC) 사이에서 할당(IMAP)이 이루어지며, 할당 시, 각각의 경우, 모델 유형 정보(MTI)에 기초하여 그리고 가능하게는 입력/출력 계약 데이터(IOC)에 기초하여, 동작 데이터 채널들(BDC) 중 하나가 개개의 입력 채널(IC)에 할당된다. 할당(IMAP)은 모델 실행 시스템(MES)에 의해, 바람직하게는, 선택된 실행 모듈(EM)을 통해 수행된다.
데이터 유형들, 물리적 치수들, 값들의 범위들 및/또는 추가적인 조건들 ―각각은 동작 데이터 채널들(BDC) 및 입력 채널들(IC)에 각각 할당됨― 에 기초하여, 모델 실행 시스템(MES)은, 입력 채널들(IC)의 할당된 데이터 유형들, 물리적 치수들, 값들의 범위들 및 추가적인 조건들이, 할당된 동작 데이터 채널들(BDC)의 것들과 호환가능한지 여부를 검사한다. 호환가능하지 않으면, 제어 모델(SM)의 실행은 억제된다.
동작 데이터 채널들(BDC)을 통해 획득된 동작 데이터(BD)는 할당된 입력 채널들(IC)을 통해 입력 데이터로서 제어 모델(SM)에 공급된다. 모델 실행 시스템(MES)은 선택된 실행 모듈(EM)을 통해 제어 모델(SM)을 실행하며, 여기서, 트레이닝 구조(TSR)에 따라, 송신된 동작 데이터(BD)로부터 제어 데이터(CD)가 도출된다. 제어 데이터(CD)는 제어 모델(SM)의 출력 데이터로서 출력된다. 이 경우, 제어 데이터(CD)는 기술 시스템(TS)을 제어하는 역할을 하며, 그리고 또한, 특히, 제어에 관련된 예측 데이터 및 모니터링 데이터일 수 있다.
제어 데이터(CD)는, 제어 모델(SM)의 다양한 출력 매개변수들에 할당되는, 제어 모델(SM)의 특정 출력 채널들(OC)을 통해 출력된다. 출력 채널들(OC)은 각각, 출력 채널들에 의해 출력된 제어 데이터(CD)의 매개변수 유형, 용도, 목적 및/또는 제어 기능에 특정적일 수 있다.
모델 실행 시스템(MES)은 바람직하게는, 선택된 실행 모듈(EM)을 통해, 기술 시스템의 복수의 제어 채널들(CDC) 중 하나로의 개개의 출력 채널(OC)의 할당(OMAP)을 실행한다. 이 경우, 할당은, 모델 유형 정보(MTI)에 따라, 그리고 가능하게는 입력/출력 계약 데이터(IOC)에 따라 이루어진다. 할당(OMAP) 시, 제어 채널들(CDC) 및 출력 채널들(OC)의 할당되는 데이터 유형들, 물리적 치수들, 값들의 범위들 등이 서로 호환가능한지 여부가 검사된다. 호환가능하지 않으면, 제어 모델(SM)의 실행은 억제된다.
제어 모델(SM)의 실행 동안, 입력/출력 계약 데이터(IOC)에 기초하여, 모델 실행 시스템(MES)에 의해, 관련 입력/출력 계약에 대한 준수가 모니터링 및 보장된다.
도 4는 다양한 런타임 환경들(RE1, ..., REN)과 다양한 제어 모델들(SM1, ..., SMM)의 상호작용을 예시한다.
런타임 환경들(RE1, ..., REN)은, 각각의 경우, 위에서 설명된 바와 같이, 복수의 런타임 환경-특정적 어댑터들(AD1, ..., ADN) 중 하나를 통해 모델 실행 시스템(MES)에 각각 커플링된다. 더욱이, 제어 모델들(SM1, ..., SMM)은, 각각의 경우, 위에서 설명된 바와 같이, 복수의 모델 유형-특정적 실행 모듈들(EM1, ..., EMM) 중 하나를 통해 모델 실행 시스템(MES)에 각각 커플링된다.
각각 런타임 환경들(RE1, ..., REN) 중 하나에의 동작 데이터의 도달, 또는 이들 런타임 환경들 중 하나에 의한 이들 동작 데이터의 획득은, 각각 특정 제어 모델(SM1, ..., SMM)로의, 각각 런타임 환경-특정적 어댑터(AD1, ..., ADN) 및 각각 모델 유형-특정적 실행 모듈(EM1, ..., EMM)을 통한, 각각 획득된 런타임 환경(RE1, ..., REN)의 프로세싱의 위임(DBD)을 통해, 동작 데이터의 데이터-주도 프로세싱을 개시한다. 이 경우, 위임(DBD)은 모델 실행 시스템(MES)에 의해 수행된다.
개개의 제어 모델(SM1, ..., SMM)에 의해 도출된 제어 데이터의 출력은, 각각, 모델 실행 시스템(MES)에 의해 수행되는, 기술 시스템의 제어 프로세스의 위임(DCD)을 개시한다. 위임(DCD)은, 각각 개개의 제어 모델(SM1, ..., SMM)로부터, 각각 개개의 할당된 모델 유형-특정적 실행 모듈(EM1, ..., EMM) 및 각각 개개의 런타임 환경-특정적 어댑터(AD1, ..., ADN)를 통해, 각각 할당된 런타임 환경(RE1, ..., REN)으로 이루어지며, 이는 제어 데이터(CD)에 의하여 기술 시스템(TS)을 제어한다.
Claims (14)
- 트레이닝된 또는 트레이닝 가능한 제어 모델(SM, SM1, SM2)에 의하여 기술 시스템(TS)을 제어하기 위한 방법으로서,
프로세서(PROC)에 의해,
a) 데이터 컨테이너(DC, DC1, DC2)가 수신되고 ― 모든 모델 유형들에 대해, 트레이닝 구조(TSR)를 갖는 제어 모델(SM, SM1, SM2) 및 모델 유형 정보(MTI, MTI1, MTI2)가 상기 데이터 컨테이너(DC, DC1, DC2) 내에 인코딩됨 ―,
b) 상기 모델 유형 정보(MTI, MTI1, MTI2)에 따라, 복수의 모델 유형-특정적 실행 모듈들(EM1, EM2, EM3) 중에서, 상기 기술 시스템(TS)에 대한 하나의 실행 모듈이 선택되고,
c) 상기 모델 유형 정보(MTI, MTI1, MTI2)에 따라, 상기 기술 시스템(TS)의 동작 데이터 채널들(BDC)이 상기 제어 모델(SM, SM1, SM2)의 입력 채널들(IC)에 할당되고,
d) 상기 기술 시스템(TS)의 동작 데이터(BD)가 개개의 동작 데이터 채널(BDC)을 통해 획득되고, 해당 동작 데이터 채널에 할당된 입력 채널(IC)을 통해 상기 제어 모델(SM, SM1, SM2)에 송신되고,
e) 선택된 실행 모듈(EM1, EM2)을 통해 상기 제어 모델(SM, SM1, SM2)이 실행되고, 이때 상기 트레이닝 구조(TSR)에 따라, 송신된 동작 데이터(BD)로부터 제어 데이터(CD)가 도출되며, 그리고
f) 상기 기술 시스템(TS)을 제어하기 위하여, 상기 제어 데이터(CD)가 출력되고,
이때, 할당되는 런타임(runtime) 환경(RE)에 맞게 상기 실행 모듈들(EM1, EM2, EM3)을 조정하기 위하여, 복수의 런타임 환경-특정적 어댑터들(AD, AD1, AD2)이 각각 런타임 환경(RE)에 할당되고,
상기 기술 시스템(TS)의 런타임 환경(RE)에 관한 환경 정보(EI)가 획득되고,
획득된 환경 정보(EI)에 따라, 상기 기술 시스템(TS)의 상기 런타임 환경(RE)에 할당되는 어댑터(AD2)가 선택되고,
상기 선택된 실행 모듈(EM1, EM2)은 선택된 어댑터(AD2)를 통해 상기 런타임 환경(RE)에 커플링되고,
상기 선택된 어댑터(AD2)는 상기 기술 시스템(TS)의 상기 런타임 환경(RE)의 능력들에 관한 능력 정보(CI)를 제공하며, 그리고
상기 능력 정보(CI)에 따라, 상기 런타임 환경(RE)과 상기 제어 모델(SM, SM1, SM2)의 호환성이 검사되고, 그에 따라 상기 제어 모델이 실행되는,
방법. - 제1항에 있어서,
상기 제어 모델(SM, SM1, SM2)은, 신경망, 데이터-주도 회귀기, 서포트 벡터 머신(support vector machine) 또는 결정 트리(tree) 중 적어도 하나를 포함하는,
방법. - 제1항에 있어서,
상기 제어 모델(SM, SM1, SM2)은 암호화된 형태로 상기 데이터 컨테이너(DC, DC1, DC2)에 존재하고, 상기 기술 시스템(TS)에 의해 적어도 부분적으로 복호화되는,
방법. - 제1항에 있어서,
상기 제어 모델(SM, SM1, SM2)을 실행하기 위하여 상기 제어 모델의 일부분들이 디코딩되고, 이때 상기 일부분들에 기초하여 상기 제어 모델의 모델 구조를 도출하는 것이 방지되거나 또는 어렵게 되도록, 상기 제어 모델(SM, SM1, SM2)이 인코딩 및 암호화되는,
방법. - 제1항에 있어서,
상기 데이터 컨테이너(DC, DC1, DC2) 내의 상기 제어 모델(SM, SM1, SM2)에는 디지털 서명(SIG)이 제공되고,
상기 디지털 서명(SIG)이 검사되며, 그리고
상기 제어 모델은 상기 검사의 결과에 추가적으로 의존하여 실행되는,
방법. - 제1항에 있어서,
상기 데이터 컨테이너(DC, DC1, DC2)는 상기 제어 모델(SM, SM1, SM2)의 트레이닝에 관한 트레이닝 정보(TI)를 포함하며, 그리고
상기 트레이닝 정보(TI)에 추가적으로 의존하여, 상기 제어 모델(SM, SM1, SM2)의 실행 또는 상기 실행 모듈(EM1, EM2)의 선택 중 적어도 하나가 이루어지는,
방법. - 제1항에 있어서,
상기 동작 데이터 채널들(BDC) 및 상기 입력 채널들(IC) 각각에 데이터 유형, 물리적 치수, 값들의 범위, 또는 추가적인 조건 중 적어도 하나가 할당되고,
개개의 입력 채널(IC)로의 개개의 동작 데이터 채널(BDC)의 할당 시, 할당되는 데이터 유형들, 물리적 치수들, 값들의 범위들, 또는 추가적인 조건들이 호환가능한지 여부가 검사되는,
방법. - 제1항에 있어서,
상기 제어 데이터(CD)는, 상기 제어 데이터(CD)의 값들의 범위, 값의 변화, 또는 추가적인 조건 중 적어도 하나에 관해 검사되는,
방법. - 제1항에 있어서,
상기 제어 모델(SM, SM1, SM2)은 송신된 동작 데이터(BD)에 의하여 계속해서 트레이닝되는,
방법. - 제1항 내지 제9항 중 어느 한 항에 따른 방법을 실행하도록 구성된, 트레이닝된 또는 트레이닝 가능한 제어 모델(SM, SM1, SM2)에 의하여 기술 시스템(TS)을 제어하기 위한 디바이스.
- 제1항 내지 제9항 중 어느 한 항에 따른 방법을 실행하도록 구성된 컴퓨터 프로그램이 저장된 컴퓨터-판독가능 저장 매체.
- 삭제
- 삭제
- 삭제
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102016203855.9 | 2016-03-09 | ||
DE102016203855.9A DE102016203855B4 (de) | 2016-03-09 | 2016-03-09 | Verfahren und Vorrichtung zum Steuern eines technischen Systems anhand von Steuermodellen |
PCT/EP2017/052133 WO2017153095A1 (de) | 2016-03-09 | 2017-02-01 | Verfahren und vorrichtung zum steuern eines technischen systems anhand von steuermodellen |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20180125156A KR20180125156A (ko) | 2018-11-22 |
KR102222296B1 true KR102222296B1 (ko) | 2021-03-02 |
Family
ID=57984918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020187029129A KR102222296B1 (ko) | 2016-03-09 | 2017-02-01 | 제어 모델들에 의하여 기술 시스템을 제어하기 위한 방법 및 디바이스 |
Country Status (8)
Country | Link |
---|---|
US (1) | US11269297B2 (ko) |
EP (1) | EP3400490B1 (ko) |
JP (1) | JP6688902B2 (ko) |
KR (1) | KR102222296B1 (ko) |
CN (1) | CN108700854B (ko) |
DE (1) | DE102016203855B4 (ko) |
ES (1) | ES2947032T3 (ko) |
WO (1) | WO2017153095A1 (ko) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016203855B4 (de) * | 2016-03-09 | 2023-11-02 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zum Steuern eines technischen Systems anhand von Steuermodellen |
KR102186009B1 (ko) | 2019-03-08 | 2020-12-04 | 한국전자통신연구원 | 컨테이너 인스턴스의 보안 프로파일 생성 시스템 및 방법 |
EP3828652A1 (de) * | 2019-11-26 | 2021-06-02 | Siemens Aktiengesellschaft | Verfahren und testanordnung zum testen einer autonomen verhaltenssteuerung für ein technisches system |
EP3889710A1 (de) * | 2020-03-30 | 2021-10-06 | Siemens Aktiengesellschaft | Leitsystem einer technischen anlage |
JP7342833B2 (ja) * | 2020-10-16 | 2023-09-12 | 横河電機株式会社 | 制御装置、コントローラ、制御システム、制御方法、および制御プログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011513861A (ja) * | 2008-03-03 | 2011-04-28 | アルストム テクノロジー リミテッド | 制御及び最適化システム |
US20140214733A1 (en) * | 2013-01-30 | 2014-07-31 | Siemens Aktiengesellschaft | Method And Apparatus For Deriving Diagnostic Data About A Technical System |
JP2015130144A (ja) * | 2014-01-06 | 2015-07-16 | 富士通株式会社 | 第三者遠隔製品シミュレーションに機密構造コンポーネントを含める方法及び装置 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19841165A1 (de) * | 1998-09-09 | 2000-03-16 | Abb Research Ltd | Verfahren zur Bestimmung eines Prozeßdatenvalidierungsmodells |
JP4017272B2 (ja) * | 1998-12-16 | 2007-12-05 | 中国電力株式会社 | プラント状態推定・予測装置及び方法 |
KR100401801B1 (ko) * | 2001-03-27 | 2003-10-17 | (주)텔레시스테크놀로지 | 데이터 전송 성능을 개선하기 위한 직교주파수 분할 다중통신 시스템 및 방법 |
JP2005293109A (ja) * | 2004-03-31 | 2005-10-20 | Canon Inc | ソフトウェア実行管理装置、ソフトウェア実行管理方法、及び制御プログラム |
US7738975B2 (en) | 2005-10-04 | 2010-06-15 | Fisher-Rosemount Systems, Inc. | Analytical server integrated in a process control network |
US7599750B2 (en) | 2005-12-21 | 2009-10-06 | Pegasus Technologies, Inc. | Model based sequential optimization of a single or multiple power generating units |
US7818276B2 (en) | 2006-02-03 | 2010-10-19 | Recherche 2000 Inc. | Intelligent monitoring system and method for building predictive models and detecting anomalies |
DE102007001024B4 (de) | 2007-01-02 | 2008-10-02 | Siemens Ag | Verfahren zur rechnergestützten Regelung und/oder Steuerung eines technischen Systems insbesondere einer Gasturbine |
US8127271B2 (en) * | 2007-03-02 | 2012-02-28 | International Business Machines Corporation | Method and system for accessing a resource implemented in a computer network |
CN104085265B (zh) | 2014-06-12 | 2016-01-20 | 江苏大学 | 一种馈能悬架自适应离线神经网络逆控制系统及方法 |
CN104142254B (zh) * | 2014-08-06 | 2017-01-18 | 浙江大学 | 一种汽轮机通流部分故障诊断方法 |
CN104573170A (zh) | 2014-10-13 | 2015-04-29 | 芜湖扬宇机电技术开发有限公司 | 汽轮机最优运行初压的确定方法 |
CN104537435B (zh) | 2014-12-18 | 2017-12-15 | 国家电网公司 | 基于用户侧经济性指标的分布式电源优化配置方法 |
CN104836498B (zh) * | 2015-04-21 | 2019-01-15 | 苏州德锐朗智能科技有限公司 | 一种基于人工神经网络的自整定pid发电机控制系统 |
CN104821764B (zh) | 2015-04-23 | 2018-04-27 | 王金全 | 一种依据系统动态特性的脉冲负载的功率等效方法 |
US9684490B2 (en) * | 2015-10-27 | 2017-06-20 | Oracle Financial Services Software Limited | Uniform interface specification for interacting with and executing models in a variety of runtime environments |
DE102016203855B4 (de) * | 2016-03-09 | 2023-11-02 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zum Steuern eines technischen Systems anhand von Steuermodellen |
-
2016
- 2016-03-09 DE DE102016203855.9A patent/DE102016203855B4/de active Active
-
2017
- 2017-02-01 KR KR1020187029129A patent/KR102222296B1/ko active IP Right Grant
- 2017-02-01 WO PCT/EP2017/052133 patent/WO2017153095A1/de active Application Filing
- 2017-02-01 CN CN201780015870.8A patent/CN108700854B/zh active Active
- 2017-02-01 ES ES17703704T patent/ES2947032T3/es active Active
- 2017-02-01 EP EP17703704.1A patent/EP3400490B1/de active Active
- 2017-02-01 JP JP2018547436A patent/JP6688902B2/ja active Active
- 2017-02-01 US US16/082,002 patent/US11269297B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011513861A (ja) * | 2008-03-03 | 2011-04-28 | アルストム テクノロジー リミテッド | 制御及び最適化システム |
US20140214733A1 (en) * | 2013-01-30 | 2014-07-31 | Siemens Aktiengesellschaft | Method And Apparatus For Deriving Diagnostic Data About A Technical System |
JP2015130144A (ja) * | 2014-01-06 | 2015-07-16 | 富士通株式会社 | 第三者遠隔製品シミュレーションに機密構造コンポーネントを含める方法及び装置 |
Also Published As
Publication number | Publication date |
---|---|
ES2947032T3 (es) | 2023-07-31 |
US20200301375A1 (en) | 2020-09-24 |
DE102016203855A1 (de) | 2017-09-28 |
KR20180125156A (ko) | 2018-11-22 |
EP3400490B1 (de) | 2023-03-29 |
WO2017153095A1 (de) | 2017-09-14 |
JP2019510310A (ja) | 2019-04-11 |
EP3400490A1 (de) | 2018-11-14 |
DE102016203855B4 (de) | 2023-11-02 |
CN108700854B (zh) | 2022-03-01 |
US11269297B2 (en) | 2022-03-08 |
JP6688902B2 (ja) | 2020-04-28 |
CN108700854A (zh) | 2018-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102222296B1 (ko) | 제어 모델들에 의하여 기술 시스템을 제어하기 위한 방법 및 디바이스 | |
US11042362B2 (en) | Industrial programming development with a trained analytic model | |
JP7078170B2 (ja) | 産業用pcデバイス及び産業用pcデバイスの動作方法 | |
US10037443B2 (en) | Industrial simulation using redirected I/O module configurations | |
Goldschmidt et al. | Cloud-based control: A multi-tenant, horizontally scalable soft-PLC | |
US11314493B1 (en) | Industrial automation smart object inheritance | |
EP3002649B1 (en) | Industrial simulation using redirected i/o module configurations | |
US9753834B1 (en) | Certification process for cloud platform | |
US20210105183A1 (en) | Systems and methods for autonomous creation of a domain specific industrial internet of things gateway using a conversational interface | |
EP3671571A1 (en) | A method and system for generating an artificial intelligence model | |
US10402195B2 (en) | Framework for supporting multiple analytic runtimes | |
US20190155271A1 (en) | Determining a change in asset performance using a digital twin | |
Rossini et al. | REPLICA: A Solution for Next Generation IoT and Digital Twin Based Fault Diagnosis and Predictive Maintenance. | |
JP2023505591A (ja) | 工業プラント最適化 | |
TW202303318A (zh) | 用於處理工廠流程資料之邊緣計算裝置 | |
US10467124B2 (en) | Certification process for cloud platform | |
Rouf et al. | Towards a Robust On-line Performance Model Identification for Change Impact Prediction | |
US10489867B2 (en) | Apparatus and method for deploying analytics | |
EP4332850A2 (en) | Cloud computing system, method and computer program | |
US11977868B2 (en) | Search based approach for generating controller models | |
US20240160191A1 (en) | Industrial automation relational data extraction, connection, and mapping | |
EP3816793A1 (en) | Method, system and execution unit for deploying software components of a software | |
US20200218976A1 (en) | Method for generating at least one recommendation | |
Chauhan et al. | Proposed Runtime Decision Making framework for Autonomic Software Systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |