KR20170024086A - 시뮬레이션 모듈을 사용하는 컴퓨터-지원 플랜트 제어 최적화를 위한 방법 - Google Patents

시뮬레이션 모듈을 사용하는 컴퓨터-지원 플랜트 제어 최적화를 위한 방법 Download PDF

Info

Publication number
KR20170024086A
KR20170024086A KR1020177002767A KR20177002767A KR20170024086A KR 20170024086 A KR20170024086 A KR 20170024086A KR 1020177002767 A KR1020177002767 A KR 1020177002767A KR 20177002767 A KR20177002767 A KR 20177002767A KR 20170024086 A KR20170024086 A KR 20170024086A
Authority
KR
South Korea
Prior art keywords
optimization
compensation
computer
state
module
Prior art date
Application number
KR1020177002767A
Other languages
English (en)
Other versions
KR101945863B1 (ko
Inventor
시에크문트 듀엘
알렉산더 헨첼
폴크마르 슈테르칭
슈테펜 우들루프트
자틴데르 피. 싱흐
Original Assignee
지멘스 악티엔게젤샤프트
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 지멘스 악티엔게젤샤프트 filed Critical 지멘스 악티엔게젤샤프트
Publication of KR20170024086A publication Critical patent/KR20170024086A/ko
Application granted granted Critical
Publication of KR101945863B1 publication Critical patent/KR101945863B1/ko

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
    • G05B13/04—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
    • G05B13/048—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 using a predictor
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/08—Learning methods
    • 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
    • G05B2219/20—Pc systems
    • G05B2219/23—Pc programming
    • G05B2219/23448—Find optimum solution by simulating process with constraints on inputs
    • 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
    • G05B2219/20—Pc systems
    • G05B2219/25—Pc structure of the system
    • G05B2219/25255—Neural network
    • 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
    • G05B2219/32—Operator till task planning
    • G05B2219/32301—Simulate production, process stages, determine optimum scheduling rules
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • Y02P90/26—

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Feedback Control In General (AREA)

Abstract

본 발명은 기술 시스템, 예컨대, 가스 또는 풍력 터빈에 대한 컴퓨터-지원 제어 최적화를 위한, 특히, 플랜트의 액션 시퀀스(A) 또는 제어 변수들(예컨대, 가스 공급, 압축)을 최적화하기 위한 상호작용 보조 시스템 및 방법에 관한 것이며, 여기서 기술 시스템의 제 1 시스템 상태(So)를 제공하는 적어도 하나의 상태 파라미터, 및 보상 함수(RF)를 적응시키기 위한 적어도 하나의 설정 파라미터(W)를 판독하기 위해 입력 단말이 제공된다. 제 1 시스템 상태(So)로부터 시작하여 그리고 기술 시스템의 결과적 상태들(S)의 예측까지, 플랜트를 시뮬레이팅하는 미리 훈련된 신경망을 갖는 시뮬레이션 모듈(SIM)이 기술 시스템에 대한 액션 시퀀스(A)를 시뮬레이팅하도록 제공된다. 부가하여, 설정 파라미터(W)에 기반하여 보상 함수(RF)를 적응시키고, 제 1 시스템 상태(So)에 대한 복수의 액션 시퀀스들(A)을 생성하고, 이 액션 시퀀스들(A)을 시뮬레이션 모듈(SIM)에 송신하며, 결과적 상태들(S)을 수신하기 위해 최적화 모듈(OPT)이 제공된다. 또한, 최적화 모듈(OPT)은, 적응된 보상 함수(RF)를 사용하여 시뮬레이션 결과들의 보상들을 결정하고 보상-최적화 액션 시퀀스(A')를 알아내기 위해 제공된다. 보상-최적화 액션 시퀀스(A')로부터 생기는 시스템 상태(S')를 발행하기 위해 출력 단말(OUT)이 제공된다.

Description

시뮬레이션 모듈을 사용하는 컴퓨터-지원 플랜트 제어 최적화를 위한 방법{METHOD FOR COMPUTER-AIDED PLANT CONTROL OPTIMISATION USING A SIMULATION MODULE}
복잡한 동적 시스템(system)들, 예컨대, 가스 터빈(gas turbine)들, 풍력 터빈들 또는 다른 기술 설비들 또는 시스템들을 제어할 때, 미리정의된 기준들에 대하여 시스템 동작을 최적화시키는 것이 일반적으로 바람직하다. 예컨대, 가스 터빈들에서, 목표는 일반적으로, 효과성, 효율성 및/또는 연소 동역학(dynamics)을 개선시키고 배기 가스 방출들, 연소 챔버 허밍(chamber humming) 및/또는 마모를 감소시키는 것이다.
복잡한 동적 시스템은 보통, 다수의 상호작용 제어 파라미터(parameter)들을 갖는다. 그러므로, 동적 시스템을 제어하기 위하여, 시스템 동작에 영향을 끼치는 다수의 가능한 제어 액션(action)들이 시스템 제어기에 이용가능하다. 이 경우, 상이한 제어 액션들이 매우 복잡한 방식으로, 특히, 반대 방향들로 또한 상호작용할 수 있다. 그러므로, 제 1 제어 기준에 대해 긍정적 효과를 갖는 제어 액션이 제 2 제어 기준에 대해 부정적 효과를 가질 수 있다. 부가하여, 동일한 제어 액션이 시스템 상태에 따라 긍정적 또는 부정적 효과를 가질 수 있다.
미리정의된 제어 기준들을 준수하거나 또는 최적화하도록 특정하게 조정되는 컴퓨터(computer)-지원 제어기들 또는 조절기들이 선행 기술로부터 알려져 있다. 그러나, 그러한 제어 기준들은 일반적으로 동적 시스템의 애플리케이션(application) 상황에 따라 상이하다. 그러므로, 예컨대, 상이한 국가들에서는 전력 플랜트(plant)에 대해, 배기 가스 방출들에 대한 상이한 제한 값들이 규정될 수 있다. 제 1 국가에서는 낮은 배기 가스 방출들이 다른 제어 기준들보다 우선순위를 가질 수 있는 반면에, 제 2 국가에서는 적은 마모 및 낮은 유지보수 비용들이 우선순위를 가질 수 있다. 서로 영향을 끼치는 다수의 제어 기준들은 일반적으로, 현재 상황에 최적인 제어를 달성하기 위하여 적절한 방식으로 가중되어야 한다.
미리정의된 제어 기준들을 최적화하기 위하여, 현대의 제어기들은 기계 학습 기술들을 종종 사용한다. 예컨대, 신경망은 하나 또는 그 초과의 미리정의된 제어 기준들에 대하여 동적 시스템의 제어를 최적화시키도록 훈련될(trained) 수 있다. 그러나, 일반적으로, 신경망의 훈련(training)은 상대적으로 시간-소모적이다. 제어 기준이 변경되면, 종종, 학습 신경망이 변경된 제어 기준에 적응하는데 상대적으로 긴 시간이 걸린다. 그러므로, 의도되는 목적 또는 새로운 상황에 대해 적절한 제어 기준들을 최적화시키는 것은 종종 매우 시간-소모적이다.
본 발명의 목적은 더욱 유연하고 더 신속한 방식으로 제어 기준들이 최적화되도록 허용하는, 기술 시스템에 대한 컴퓨터-지원 제어 최적화를 위한 장치 및 방법을 제공하는 것이다.
이 목적은 특허 청구항 제 1 항의 특징들을 갖는 상호작용 보조 시스템에 의하여, 특허 청구항 제 9 항의 특징들을 갖는 방법에 의하여, 그리고 특허 청구항 제 13 항의 특징들을 갖는 컴퓨터 프로그램(program) 제품에 의하여 달성된다.
본 발명은 기술 시스템에 대한 컴퓨터-지원 제어 최적화를 위한 상호작용 보조 시스템 및 대응하는 방법을 제공한다. 기술 시스템은 예컨대 가스 터빈, 풍력 터빈, 전력 플랜트 또는 다른 기술 설비 또는 다른 기술 시스템일 수 있다. 입력 단말은 기술 시스템의 제 1 시스템 상태를 표시하는 적어도 하나의 상태 파라미터를 판독하고, 신경망을 훈련시키기에 적절한 보상 함수를 설정하기 위한 적어도 하나의 설정 파라미터를 판독하기 위해 제공된다. 시뮬레이션 모듈(simulation module)은 제 1 시스템 상태로부터 시작하여 기술 시스템에 대한 액션 시퀀스(action sequence)의 성능을 시뮬레이팅(simulating)하고, 기술 시스템의 결과적 후속 상태들을 예측하기 위해 제공된다. 또한, 입력 단말 및 시뮬레이션 모듈에 커플링되는(coupled) 최적화 모듈이 제공된다. 최적화 모듈은, 설정 파라미터에 기반하여 보상 함수를 설정하고, 제 1 시스템 상태에 대한 다수의 액션 시퀀스들을 생성하고, 이 액션 시퀀스들을 시뮬레이션 모듈에 송신하며, 그리고 결과적 후속 상태들을 수신하기 위해 사용된다. 부가하여, 최적화 모듈은, 설정된 보상 함수를 써서 결과적 후속 상태들에 대해 예상될 수 있는 보상들을 결정하고 보상-최적화 액션 시퀀스를 결정하기 위해 사용된다. 보상-최적화 액션 시퀀스로부터 생기는 시스템 상태를 출력하기 위해 출력 단말이 제공된다.
본 발명은, 각각 미리정의된 상황에 대해 그리고/또는 각각 의도되는 목적에 대해, 기술 시스템에 대한 제어 기준들의 신속한 상호작용 최적화 또는 개선을 허용한다. 제어 기준들은, 신경망을 훈련시키기에 적절한 보상 함수를 적절하게 설정함으로써 입력 단말 상에서 사용자에 의해 유연한 방식으로 수정될 수 있다. 이들 수정들의 효과들은 출력 단말 상에서 사용자에 의해 직접적으로 인식될 수 있다. 이후, 이에 기반하여, 사용자는 보상 함수 또는 제어 기준들에 대한 추가 적응들을 할 수 있으며, 그러므로 보상 함수 또는 제어 기준들을 점진적으로 상호작용식으로 최적화할 수 있다. 보상 함수가 상호작용식으로 최적화된 이후에 이 보상 함수가, 신경망에 기반하는 기술 시스템의 제어기를 훈련시키기 위해 직접적으로 사용될 수 있는 한, 제어 기준들을 최적화하기 위한 보상 함수의 사용은 유리하다.
시뮬레이션 모듈의 사용은, 액션 시퀀스들에 의해 유발되는 기술 시스템의 후속 상태들이 신속하고 비용 효과적인 방식으로 결정되도록 허용한다. 또한, 이는 특히, 엄청난 양의 노력으로만 실제 기술 시스템 상에서 수행될 수 있었던 그러한 액션 시퀀스들에 적용된다. 부가하여, 충분한 컴퓨팅(computing) 전력이 있음을 가정하면, 시뮬레이션 모듈은 실제 기술 시스템보다 종종 더욱 신속하게 후속 상태들을 제공할 수 있으며, 그러므로 최적화 프로세스(process)를 단축시킬 수 있다.
본 발명의 유리한 실시예들 및 발전들은 종속 청구항들에서 진술된다.
본 발명의 하나의 유리한 실시예에 따라, 최적화 모듈은 연속 조작 변수들을 포함하는 액션 시퀀스들을 최적화하도록 설정될 수 있다. 그러한 연속 조작 변수들, 예컨대, 가스 터빈에서의 가스 공급은 많은 기술 시스템들에서 제어될 수 있다.
또한, 보상-최적화 액션 시퀀스를 결정하기 위한 확률적 및/또는 비-볼록(non-convex) 최적화 방법이 최적화 모듈에서 구현될 수 있다. 확률적 최적화 방법들은 또한, 고차원 및/또는 비-선형 최적화 문제들에 성공적으로 적용될 수 있다. 비-볼록 최적화 방법들은, 상이한 최적화 파라미터들이 서로 종속되면 유리하다.
최적화 방법으로서 바람직하게는 입자 무리(particle swarm) 최적화, 유전(genetic) 최적화 방법, 시뮬레이팅되는 어닐링(simulated annealing) 방법 및/또는 확률적 구배 방법이 구현될 수 있다.
또한, 시뮬레이션 모듈은 기술 시스템에 관련된 센서 데이터(sensor data)를 프로세싱하도록(process) 설정될 수 있다. 또한, 그러한 방식으로 설정된 시뮬레이션 모듈은 실제 센서 데이터를 이용하여 실제 기술 시스템 상에서 동작될 수 있으며, 이 시뮬레이션 모듈의 시뮬레이션 충실도에 관하여 최적화될 수 있다.
또한, 신경망, 지원 벡터(vector) 기계, 가우시안 프로세스 모델(Gaussian process model) 및/또는 기술 시스템을 시뮬레이팅(simulating)하기 위한 물리적 모델이 시뮬레이션 모듈에서 구현될 수 있다.
하나의 유리한 실시예에 따라, 신경망은 재귀 신경망으로서 구현될 수 있다. 그러한 재귀 신경망은 시간-종속적 패턴(pattern)들이 효율적으로 검출되도록 허용한다.
부가하여, 신경망은 기술 시스템에 대해 이미 미리 훈련될 수 있다.
다른 실시예에 따라, 보상-최적화 액션 시퀀스는 출력 단말 상에 출력될 수 있다.
바람직하게는, 결과적 시스템 상태, 보상-최적화 액션 시퀀스, 및/또는 보상 함수의 리턴(return) 값의 시간적 진행이 출력 단말 상에 출력될 수 있다. 이는 최적화 성공이 사용자에 의해 신속하게 어세싱되도록(assessed) 허용한다. 특히, 사용자는 현재 설정된 제어 기준에 관하여 최적인 시스템 동작이 사용자가 원하는 시스템 동작에 대응하는 범위를 직접적으로 비교할 수 있다.
부가하여, 출력 단말은 입력 단말 상에서의 사용자 선택을 위해 보상 함수 및/또는 상태 파라미터의 복수의 변형들을 출력할 수 있다. 특히, 미리정의된 기준에 따라 이루어지는, 가능한 보상 함수들 및/또는 상태 파라미터들의 사전선택이 출력될 수 있다.
본 발명의 예시적 실시예는, 도면을 사용하여 아래에서 더욱 상세히 설명된다.
도 1은 본 발명에 따른 상호작용 보조 시스템을 개략적으로 도시한다.
도 1은 동적 기술 시스템에 대한 컴퓨터-지원 제어 최적화를 위한 상호작용 보조 시스템을 개략적으로 예시한다. 기술 시스템은 예컨대 가스 터빈, 풍력 터빈, 전력 플랜트, 제조 설비 또는 다른 기술 설비 또는 다른 동적 시스템일 수 있다.
상호작용 보조 시스템은 입력 단말(IN), 예컨대, 키보드(keyboard)를 가지며 출력 단말(OUT), 예컨대, 스크린(screen)을 갖는 단말(T)을 포함한다.
입력 단말(IN)은, 기술 시스템의 제 1 시스템 상태(S0)를 설명하는 상태 파라미터를 판독하기 위해 사용된다. 제 1 시스템 상태(S0)는 단말(T)의 사용자에 의해 상호작용식으로 미리정의될 수 있으며, 기술 시스템의 시뮬레이션이 시작하는 시작 상태를 설명한다. 제 1 시스템 상태(S0)는 기술 시스템의 상태 파라미터들의 벡터, 소위 상태 벡터 S0=((S0)1,...(S0)N)에 의해 표현되며, 여기서 N은 기술 시스템의 상태 파라미터들의 개수를 표시한다. 상태 파라미터들은 시뮬레이션의 시작시 기술 시스템의 상태를 설명한다. 상태 파라미터들은, 특히, 온도, 압력 또는 전압과 같은 물리적 변수들일 수 있거나, 또는 예컨대 가스 터빈의 경우, 연소 챔버 허밍(chamber humming) 또는 질소 산화물들의 방출을 설명할 수 있다. 사용자는 상호작용 입력 단말(IN) 상에 상이한 상태 파라미터들을 명시적으로 입력할 수 있거나, 그렇지 않으면 출력 단말(OUT) 상에 제안된 상태 파라미터들 또는 시스템 상태들로부터 선택할 수 있다.
제 1 시스템 상태를 설명하는 상태 벡터(S0)는 입력 단말(IN)로부터, 기술 시스템의 동적 거동을 시뮬레이팅(simulating)하기 위한 시뮬레이션 모듈(SIM)로 송신된다. 제 1 시스템 상태(S0)로부터 시작하여, 시뮬레이션 모듈(SIM)은 기술 시스템의 동적 거동의 결과로서 S0으로부터 생기는 상태 시퀀스(S), 다시 말해, S0으로부터 생기는 후속 상태들을 시뮬레이팅한다(simulate). 상태 시퀀스 S = (S1,...,ST) =: (Si)는 기술 시스템의 시간적으로 연속적인 시스템 상태들(Si)의 시퀀스이며, 여기서 i=1,...,T는 상이한 연속적인 시간 단계들을 표시하고, T는 고려되는 시간 단계들의 개수이다. 시스템 상태들(Si)은 기술 시스템의 상태 벡터에 의해, 다시 말해, i번째 시간 단계에서 기술 시스템의 상태를 설명하는 상태 파라미터들의 벡터 Si=((Si)1,…(Si)N)에 의해 각각 표현된다. 그러므로, 요약하면, 상태 시퀀스(S)는 상태 벡터들의 시퀀스 S=(Si)n(i=1,...,T, n=1,...,N)에 의해 표현된다.
또한, 입력 단말(IN)은 보상 함수(RF)에 대한 설정 파라미터(W)를 상호작용식으로 판독하기 위해 사용된다. 본 예시적 실시예에서, 기술 시스템의 N개의 상이한 상태 파라미터들에 대한 가중치들(Wi)을 갖는 길이(N)의 벡터 W=(W1,...,WN)가 설정 파라미터(W)로서 판독된다. 사용자에 의해 상호작용식으로 미리정의된 설정 파라미터들(W)은 입력 단말(IN)로부터 최적화 모듈(OPT)로 송신된다. 최적화 모듈(OPT)은 보상 함수(RF)를 구현하며, 이 보상 함수(RF)를 설정 파라미터들(W)을 써서 파라미터화한다. 또한, 그러한 보상 함수(RF)는 특히 신경망을 훈련시키기 위해 사용될 수 있다. 보상 함수(RF)는, 설정 파라미터(W)에 의하여 설정된 최적화 기준에 따라, 예상될 수 있는 보상을 기술 시스템의 개개의 상태 벡터(Si)에 또는 상태 벡터들의 시퀀스(S)에 할당한다. 보상 함수(RF)는 기술 시스템에 대한 특정 최적화 기준 또는 최적화 목표를 표현한다. 그러므로, 최적화 모듈(OPT)의 최적화 목표는, 바람직하게는 복수의 시간 단계들에 걸쳐 누적되며 보상 함수(RF)에 의하여 결정되는 보상을 최대화시키는 것이다. 사용자는 설정 파라미터들(W)을 상호작용식으로 수정함으로써 보상 함수(RF), 최적화 목표 또는 제어 기준을 변경할 수 있으며, 이 변경의 효과들을 상호작용식으로 관찰하여 어세싱할 수 있다. 이러한 방식으로, 사용자는 최적화 목표를 새로운 상황에 또는 특정 목적에 신속하게 적응시킬 수 있다. 이는 상황-적응된 제어 기준들이 신속하고 유연하게 최적화되도록 허용한다.
본 예시적 실시예에서, 설정 파라미터들(W)은 기술 시스템의 상이한 상태 파라미터들에 대한 가중치들을 갖는 벡터에 의해 표현된다. 그러므로, 보상 함수(RF)는 예컨대 RF=RF(Si,W)=W1·(Si)1+...+WN·(Si)N로서 구현될 수 있다. 이는 i번째 시간 단계에서의 보상을 표현한다. 예컨대, (Si)1은 이 경우 연소 챔버 허밍을 설명하는 상태 파라미터일 수 있고, (Si)2는 질소 산화물들의 방출을 설명하는 상태 파라미터일 수 있다. 대안적으로 또는 부가적으로, 보상 함수(RF)는 또한 상이한 시간 단계들 또는 전체 상태 시퀀스의 상태 파라미터들을 관련시킬 수 있다. 가중된 상태 파라미터들의 선형 합을 계산하는 것에 대한 대안으로서 또는 이에 부가하여, 보상 함수(RF)는 또한 특정 설정 파라미터들(W)에 의하여 비-선형 방식으로 파라미터화될 수 있다.
시뮬레이션 모듈(SIM)은 기술 시스템의 미리 훈련된 신경 모델(model)(MTS)을 갖는 재귀 신경망을 포함한다. 신경 모델(MTS)은 기술 시스템에 관련된 센서 데이터를 프로세싱(processing)하기에 적절하며, 그러므로 기존 기술 시스템에 의해 직접적으로 채택되거나 또는 이 시스템에 대해 추가로 사용될 수 있다. 특히, 제 1 시스템 상태(S0)를 설명하는 상태 파라미터들은 센서 데이터로서 시뮬레이션 모듈(SIM)에 송신된다. 재귀 신경망에 대한 대안으로서 또는 이에 부가하여, 지원 벡터(vector) 기계, 가우시안 프로세스 모델(Gaussian process model) 및/또는 기술 시스템을 시뮬레이팅(simulating)하기 위한 물리적 모델이 시뮬레이션 모듈(SIM)에서 또한 구현될 수 있다.
시뮬레이션 모듈(SIM)은 제 1 상태(S0)로부터 시작하여 기술 시스템에 대한 액션 시퀀스(A)의 성능을 시뮬레이팅한다. 액션 시퀀스(A)는 시간적으로 연속적인 액션 벡터들 Ai(i=1,...,T)의 시퀀스, 다시말해, A=(A1,...,AT)를 포함하며, 여기서 T는 (위에서와 같이) 고려되는 시간 단계들의 개수를 표시한다. 액션 벡터(Ai)는 i번째 시간 단계에서 기술 시스템 상에 수행될 제어 액션들을 설명한다. 동적 기술 시스템에 대한 조작 변수들의 특정 설정은 제어 액션, 또는 줄여서 액션으로 지칭된다. 가스 공급, 압축, 냉각 또는 다른 물리적 조작 변수들, 특히, 연속적인 물리적 조작 변수들이 예컨대 가스 터빈에 대한 그러한 조작 변수들의 예로서 언급될 수 있다.
제어 액션(Ai)은 상태(Si - 1)로부터 상태(Si)로 기술 시스템을 변경시킨다. 제어 액션(Ai)은 M개 성분들을 갖는 벡터에 의해 표현되며, 여기서 M은 기술 시스템의 조작 변수들의 개수를 표시한다. 그러므로, 전체적으로, 액션 시퀀스(A)는 A=(Ai)m(i=1,...,T, m=1,...,M)에 의해 표현된다.
시뮬레이션 모듈(SIM)은 액션 시퀀스(A)의 영향 하에서 제 1 시스템 상태(S0)로부터 시작하여 기술 시스템의 동적 거동을 시뮬레이팅하기 위해 신경 모델(MTS)을 사용한다. 이 경우, A로부터 생기는 기술 시스템의 후속 상태들 S(S0,A) = (S1...,ST)이 예측, 다시 말해, 예보된다. 이 경우, 시뮬레이션 모듈(SIM)의 재귀 신경망은 바람직하게는 기술 시스템의 동적 거동을 시뮬레이팅하기 위해서만 사용되며, 시뮬레이션 동안에는 훈련되지 않는다. 수행될 액션 시퀀스(A)는 그 중에서도 입력 변수로서 시뮬레이션 모듈(SIM)에 의한 재귀 신경 시뮬레이션에 공급되며, 그 결과, 이와 같은 시뮬레이션은 제어 기준 또는 보상 함수(RF)에 실질적으로 독립적인 방식으로 수행될 수 있다. 신경 시뮬레이션에 대조적으로, 신경 제어기의 훈련 동안에, 보상-최적화 액션 시퀀스가 신경 제어기 자체에 의해 결정되어야 한다. 그러므로, 신경 제어기가 제어 기준 또는 보상 함수(RF)를 명시적으로 고려해야 하는 반면에, 신경 시뮬레이션은 단지 시스템 거동에 대한 액션 시퀀스의 효과들을 예측한다. 신경망의 훈련이 비교적 시간 소모적이기 때문에, 신경 제어기는 보상 함수(RF)의 변경들에 단지 느리게 반응할 수 있다. 이에 대조적으로, 시뮬레이션 모듈(SIM)에 의해 수행되는 이와 같은 신경 시뮬레이션은 보상 함수(RF)에 실질적으로 독립적이며, 그러므로 예컨대 실제 기술 시스템에 기반하여 이미 미리 훈련될 수 있다.
최적화 모듈(OPT)은 시뮬레이션 모듈(SIM)에, 그리고 단말(T)에 커플링된다(coupled). 단말(T)로부터 수신되는 설정 파라미터들(W)에 기반하여, 최적화 모듈(OPT)은 RF = RF(S,W)에 따라 상태 시퀀스(S)의 함수로써 보상 함수(RF)를 설정한다.
최적화 모듈(OPT)은 액션 생성기(AGEN)를 갖는다. 이 액션 생성기(AGEN)는 제 1 시스템 상태(S0)로부터 시작하여, 설정된 보상 함수(RF)에 의하여 결정되는 누적 보상을 최대화시키기 위한 최적화 방법의 일부로서, 다수의 액션 시퀀스들 A(S0)을 생성한다. 확률적 최적화 방법들, 및/또는 특히 비-볼록 최적화 문제들에 대한 무-구배 최적화 휴리스틱(heuristics)이 최적화 방법들, 예컨대, 입자 무리 최적화, 유전 최적화 방법, 시뮬레이팅되는 어닐링 방법 및/또는 확률적 구배 방법으로서 사용될 수 있다. 생성되는 액션 시퀀스들 A(S0) 각각은 시뮬레이션 모듈(SIM)에 송신된다. 그곳에서, 각각의 결과적 후속 상태들 S(S0,A)이 예측되며, 최적화 모듈(OPT)에 송신된다. 개개의 후속 상태(S)에 대해, 현재 설정된 최적화 기준에 따라 예상될 수 있는 보상 RF(S,W)가 결정되며, 액션 생성기(AGEN)에 송신된다. 예상될 수 있는 보상에 따라, 더 높은 보상이 예상되도록 허용하는 새로운 액션 시퀀스들 A(S0)가, 구현된 최적화 방법에 따라 생성된다. 이들 새로운 액션 시퀀스들 A(S0)는, 시뮬레이션 결과에 따라 이에 대해 예상될 수 있는 보상을 다시 결정하기 위하여 시뮬레이션 모듈(SIM)에 다시 송신된다. 이러한 방식으로, 최적화 모듈(OPT)은 제 1 시스템 상태(S0)로부터 시작하여, 시뮬레이션 모듈(SIM)에 의한 시뮬레이션에 기반하여, 길이(T)의 액션 시퀀스들(A)을 최적화한다. 이 경우, 개개의 생성되는 액션 시퀀스는 다음 차례의 T개 시간 단계들에서 기술 시스템을 제어하기 위한 제안을 표현한다. 다수의 시간 단계들을 갖는 액션 시퀀스들은 일반적으로, 장기 동적 효과들을 또한 표현하기 위하여, 복잡한 기술 시스템들, 예컨대, 가스 터빈들에 대해 요구된다. 이는 일반적으로, 특히 위에서 언급된 확률적 방법들이 특히 적절한 고차원 최적화 문제들을 야기한다.
복수의 연속적인 최적화 라운드(round)들 이후에, 현재 설정된 보상 함수(RF)의 의미에서 보상-최적화 액션 시퀀스(A')가 결정된다. 보상-최적화 액션 시퀀스(A')는 (다른 액션 시퀀스들(A) 처럼) 조작 변수들의 벡터들의 시퀀스, 다시 말해, A'=(A'i)m(i=1,...,T, m=1,...,M)을 포함한다. 보상-최적화 액션 시퀀스(A')는 제 1 시스템 상태(S0) 및 설정 파라미터들(W)의 함수로써 해석될 수 있다: A'(S0,W). 그러므로, 제 1 시스템 상태(S0) 및 설정 파라미터들(W)의 상이한 선택들은 보상-최적화 액션 시퀀스들(A')이 최적화 모듈(OPT)에 의해 서로 독립적으로 최적화되도록 허용한다.
제 1 시스템 상태(S0)로부터 시작하여, 시뮬레이션 모듈(SIM)은 보상-최적화 액션 시퀀스(A')로부터 생기는 상태 시퀀스 S'=(S'i)n(i=1,...,T 그리고 n=1,...,N)를 결정한다. 결과적 상태 시퀀스(S')는 보상-최적화 액션 시퀀스(A')의 액션 동안에 시뮬레이션 모듈(SIM)에 의해 예측된 시스템 동작에 대응한다. 이후, 보상-최적화 액션 시퀀스 A'(S0,W) 및 결과적 상태 시퀀스 S'(S0,W)는 최적화 모듈(OPT)로부터 단말(T)로 송신된다. 보상 함수 RF(S'i,W)(i=1,...,T)의 리턴 값들 또는 A' 및/또는 S'로부터 도출되는 다른 변수들이 바람직하게는 또한 단말(T)에 송신될 수 있다. 이후, 출력 단말(OUT)은 시간(i=1,...,T)에 따라 보상-최적화 액션 벡터들(A'i), 결과적 상태 벡터들(S'i) 및/또는 연관된 보상 값들 RF(S'i,W)를 디스플레이할(display) 수 있다. 이는 최적화 성공이 사용자에 의해 신속하게 어세싱되도록(assessed) 허용한다. 이후, 이에 기반하여, 사용자는 보상 함수(RF) 또는 제어 기준들, 그리고 시작 상태(S0)에 대한 추가 적응들을 단말(T) 상에서 상호작용식으로 할 수 있다.
최적화 모듈(OPT)에 의해 사용되는 최적화 방법들은 일반적으로 신경망의 훈련보다 상당히 더 신속하게 수렴된다. 위에서 이미 언급된 바와 같이, 시뮬레이션 모듈(SIM)의 재귀 신경망은 보상 함수(RF)에 실질적으로 독립적이며, 이 보상 함수(RF)가 변경되는 경우 재훈련될(retrained) 필요가 없다. 재귀 신경망은 단지, 기술 시스템을 시뮬레이팅하기 위하여 평가된다. 그러한 평가는 종종, 리콜(recall)로 또한 지칭되며, 매우 효율적이고 고성능이다. 그러므로, 고속 확률적 최적화 방법들에 기반한 최적화로부터, 재귀 신경망에 의하여 구현되는 시뮬레이션의 논리적 분리는 시뮬레이팅되는 기술 시스템에 대해 특히 고성능이며 효율적인 방식으로 보상-최적화 액션 시퀀스(A')가 결정되도록 허용한다.
그러므로, 새로운 제 1 시스템 상태(S0)가 입력되고 새로운 보상 함수(RF)가 설정된 이후에, 그 효과들은 짧은 시간 후에 사용자에 의해 이미 파악될 수 있으며, 그 결과, 상이한 최적화 목표들을 고려함으로써 단말(T) 상에서 사용자에 의해 상호작용식으로 보상 함수가 적응되거나 또는 최적화될 수 있다. 이러한 방식으로, 상호작용 보조 시스템은 보상 함수 또는 제어 기준들이, 원하는 시스템 동작에 대하여 신속하게 상호작용식으로 최적화되도록 허용한다.
특히, 상호작용 보조 시스템은 사용자가 기술 시스템의 고차원 액션 공간에서 최적 동작점을 효율적으로 발견하는 것을 도울 수 있다. 이 경우, 사용자는 상이한 제어 기준들을 신속하게 테스팅하여(test) 비교할 수 있으며, 그러므로 기술 시스템에 대해 미리정의된 상황에 최적인 보상 함수를 생성할 수 있다. 부가하여, 상호작용 보조 시스템은, 다른 제어기들의 성능에 대한 레퍼런스(reference)를 제공함으로써 기술 시스템에 대한 다른 제어기들을 어세싱하기 위해 사용될 수 있다.

Claims (13)

  1. 기술 시스템(system)에 대한 컴퓨터-지원(computer-aided) 제어 최적화를 위한 상호작용 보조 시스템으로서,
    a) 상기 기술 시스템의 제 1 시스템 상태(S0)를 표시하는 적어도 하나의 상태 파라미터(parameter), 및 신경망을 훈련시키기에 적절한 보상 함수(RF)를 설정하기 위한 적어도 하나의 설정 파라미터(W)를 판독하기 위한 입력 단말(IN),
    b) 상기 제 1 시스템 상태(S0)로부터 시작하여 상기 기술 시스템에 대한 액션 시퀀스(action sequence)(A)의 성능을 시뮬레이팅(simulating)하고, 상기 기술 시스템의 결과적 후속 상태들(S)을 예측하기 위한 시뮬레이션 모듈(simulation module)(SIM),
    c) 상기 입력 단말(IN) 및 상기 시뮬레이션 모듈(SIM)에 커플링되는(coupled) 최적화 모듈(OPT) ― 상기 최적화 모듈(OPT)은,
    i) 상기 설정 파라미터(W)에 기반하여 상기 보상 함수(RF)를 설정하고,
    ⅱ) 상기 제 1 시스템 상태(S0)에 대한 다수의 액션 시퀀스들(A)을 생성하고,
    ⅲ) 상기 액션 시퀀스들(A)을 상기 시뮬레이션 모듈(SIM)에 송신하고, 결과적 후속 상태들(S)을 수신하고,
    ⅳ) 설정된 상기 보상 함수(RF)를 써서 상기 결과적 후속 상태들(S)에 대해 예상될 수 있는 보상들을 결정하며, 그리고
    v) 보상-최적화 액션 시퀀스(A')를 결정하도록 의도됨 ―, 및
    d) 상기 보상-최적화 액션 시퀀스(A')로부터 생기는 시스템 상태(S')를 출력하기 위한 출력 단말(OUT)
    을 갖는,
    기술 시스템에 대한 컴퓨터-지원 제어 최적화를 위한 상호작용 보조 시스템.
  2. 제 1 항에 있어서,
    상기 최적화 모듈(OPT)은 연속 조작 변수들을 포함하는 액션 시퀀스들(A)을 최적화하도록 설정되는,
    기술 시스템에 대한 컴퓨터-지원 제어 최적화를 위한 상호작용 보조 시스템.
  3. 제 1 항 또는 제 2 항에 있어서,
    상기 보상-최적화 액션 시퀀스(A')를 결정하기 위한 확률적 및/또는 비-볼록(non-convex) 최적화 방법이 상기 최적화 모듈(OPT)에서 구현되는,
    기술 시스템에 대한 컴퓨터-지원 제어 최적화를 위한 상호작용 보조 시스템.
  4. 제 3 항에 있어서,
    상기 최적화 방법으로서 입자 무리(particle swarm) 최적화, 유전(genetic) 최적화 방법, 시뮬레이팅되는 어닐링(simulated annealing) 방법 및/또는 확률적 구배 방법이 구현되는,
    기술 시스템에 대한 컴퓨터-지원 제어 최적화를 위한 상호작용 보조 시스템.
  5. 제 1 항 내지 제 4 항 중 어느 한 항에 있어서,
    상기 시뮬레이션 모듈(SIM)은 상기 기술 시스템에 관련된 센서 데이터(sensor data)를 프로세싱하도록(process) 설정되는,
    기술 시스템에 대한 컴퓨터-지원 제어 최적화를 위한 상호작용 보조 시스템.
  6. 제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
    신경망, 지원 벡터(vector) 기계, 가우시안 프로세스 모델(Gaussian process model) 및/또는 상기 기술 시스템을 시뮬레이팅(simulating)하기 위한 물리적 모델이 상기 시뮬레이션 모듈(SIM)에서 구현되는,
    기술 시스템에 대한 컴퓨터-지원 제어 최적화를 위한 상호작용 보조 시스템.
  7. 제 6 항에 있어서,
    상기 신경망은 재귀 신경망으로서 구현되는,
    기술 시스템에 대한 컴퓨터-지원 제어 최적화를 위한 상호작용 보조 시스템.
  8. 제 6 항 또는 제 7 항에 있어서,
    상기 신경망은 상기 기술 시스템에 대해 미리 훈련되는,
    기술 시스템에 대한 컴퓨터-지원 제어 최적화를 위한 상호작용 보조 시스템.
  9. 기술 시스템에 대한 상호작용 컴퓨터-지원 제어 최적화를 위한 방법으로서,
    a) 상기 기술 시스템의 제 1 시스템 상태(S0)를 표시하는 적어도 하나의 상태 파라미터, 및 신경망을 훈련시키기에 적절한 보상 함수(RF)를 설정하기 위한 적어도 하나의 설정 파라미터(W)를 입력 단말(IN)이 판독하는 단계,
    b) 상기 상태 파라미터 및 상기 설정 파라미터(W)가, 상기 설정 파라미터(W)에 기반하여 상기 보상 함수(RF)를 설정하는 최적화 모듈(OPT)에 송신되는 단계,
    c) 상기 최적화 모듈(OPT)이 상기 제 1 시스템 상태(S0)에 대한 다수의 액션 시퀀스들(A)을 생성하고, 상기 액션 시퀀스들(A)을 시뮬레이션 모듈(SIM)에 송신하는 단계,
    d) 상기 시뮬레이션 모듈(SIM)이 상기 제 1 시스템 상태(S0)로부터 시작하여 상기 기술 시스템에 대한 송신된 액션 시퀀스들(A)의 성능을 각각 시뮬레이팅하고, 상기 기술 시스템의 결과적 후속 상태들(S)을 예측하는 단계,
    e) 상기 후속 상태들(S)이 상기 최적화 모듈(OPT)에 송신되는 단계,
    f) 상기 최적화 모듈(OPT)이 설정된 상기 보상 함수(RF)를 써서 상기 후속 상태들(S)에 대해 예상될 수 있는 보상들을 결정하고, 보상-최적화 액션 시퀀스(A')를 결정하는 단계, 및
    g) 상기 보상-최적화 액션 시퀀스(A')로부터 생기는 시스템 상태(S')가 출력 단말(OUT)에 의해 출력되는 단계
    를 포함하는,
    기술 시스템에 대한 상호작용 컴퓨터-지원 제어 최적화를 위한 방법.
  10. 제 9 항에 있어서,
    상기 보상-최적화 액션 시퀀스(A')는 상기 출력 단말(OUT) 상에 출력되는,
    기술 시스템에 대한 상호작용 컴퓨터-지원 제어 최적화를 위한 방법.
  11. 제 10 항에 있어서,
    결과적 시스템 상태(S'), 상기 보상-최적화 액션 시퀀스(A'), 및/또는 상기 보상 함수(RF)의 리턴(return) 값의 시간적 진행이 상기 출력 단말(OUT) 상에 출력되는,
    기술 시스템에 대한 상호작용 컴퓨터-지원 제어 최적화를 위한 방법.
  12. 제 9 항 내지 제 11 항 중 어느 한 항에 있어서,
    상기 출력 단말(OUT)은 상기 입력 단말(IN) 상에서의 사용자 선택을 위해 상기 보상 함수(RF) 및/또는 상기 상태 파라미터의 복수의 변형들을 출력하는,
    기술 시스템에 대한 상호작용 컴퓨터-지원 제어 최적화를 위한 방법.
  13. 제 9 항 내지 제 12 항 중 어느 한 항에 따른 방법을 수행하도록 설정된, 기술 시스템에 대한 컴퓨터-지원 제어 최적화를 위한 컴퓨터 프로그램(program) 제품.
KR1020177002767A 2014-07-01 2015-05-05 시뮬레이션 모듈을 사용하는 컴퓨터-지원 플랜트 제어 최적화를 위한 방법 KR101945863B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102014212747.5 2014-07-01
DE102014212747.5A DE102014212747A1 (de) 2014-07-01 2014-07-01 Interaktives Assistenzsystem und Verfahren zur rechnergestützten Steuerungsoptimierung für ein technisches System
PCT/EP2015/059844 WO2016000851A1 (de) 2014-07-01 2015-05-05 Verfahren zur rechnergestützten anlagensteuerungsoptimierung mittels einem simulationsmodul

Publications (2)

Publication Number Publication Date
KR20170024086A true KR20170024086A (ko) 2017-03-06
KR101945863B1 KR101945863B1 (ko) 2019-02-11

Family

ID=53189022

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020177002767A KR101945863B1 (ko) 2014-07-01 2015-05-05 시뮬레이션 모듈을 사용하는 컴퓨터-지원 플랜트 제어 최적화를 위한 방법

Country Status (6)

Country Link
US (1) US10338542B2 (ko)
EP (1) EP3132317B1 (ko)
KR (1) KR101945863B1 (ko)
CN (1) CN106662847A (ko)
DE (1) DE102014212747A1 (ko)
WO (1) WO2016000851A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190126449A (ko) * 2017-04-04 2019-11-11 지멘스 악티엔게젤샤프트 기술 시스템을 제어하기 위한 방법 및 제어 디바이스

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016224207A1 (de) 2016-12-06 2018-06-07 Siemens Aktiengesellschaft Verfahren und Steuereinrichtung zum Steuern eines technischen Systems
JP6457473B2 (ja) * 2016-12-16 2019-01-23 ファナック株式会社 ロボットおよびレーザスキャナの動作を学習する機械学習装置，ロボットシステムおよび機械学習方法
JP6939162B2 (ja) * 2017-07-13 2021-09-22 横河電機株式会社 プラント制御支援装置、プラント制御支援方法、プラント制御支援プログラム及び記録媒体
DE102017216634A1 (de) * 2017-09-20 2019-03-21 Siemens Aktiengesellschaft Verfahren und Trainingsdatengenerator zum Konfigurieren eines technischen Systems sowie Steuereinrichtung zum Steuern des technischen Systems
FI20175970A1 (en) * 2017-11-01 2019-05-02 Curious Ai Oy Setting up a control system for the target system
EP3489773A1 (de) * 2017-11-24 2019-05-29 Siemens Aktiengesellschaft Verfahren zum rechnergestützten steuern eines technischen systems, insbesondere einer energieerzeugungsanlage
EP3540530B1 (de) * 2018-03-15 2022-10-19 Siemens Aktiengesellschaft Verfahren und anordnung zum steuern eines technischen systems
JP6748135B2 (ja) * 2018-03-19 2020-08-26 ファナック株式会社 機械学習装置、サーボ制御装置、サーボ制御システム、及び機械学習方法
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
US10576380B1 (en) * 2018-11-05 2020-03-03 Sony Interactive Entertainment LLC Artificial intelligence (AI) model training using cloud gaming network
EP3809215A1 (de) * 2019-10-14 2021-04-21 Siemens Aktiengesellschaft Hierarchische optimierung modularer technischer anlagen
EP3839666B1 (de) * 2019-12-18 2023-10-11 Siemens Aktiengesellschaft Steuereinrichtung zum steuern eines technischen systems und verfahren zum konfigurieren der steuereinrichtung
EP3904972B1 (de) * 2020-04-28 2023-09-06 Siemens Aktiengesellschaft Verfahren und regeleinrichtung zum regeln eines technischen systems
DE102020206913B4 (de) 2020-06-03 2022-12-22 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Betreiben eines Roboters
EP3989012A1 (de) 2020-10-20 2022-04-27 Siemens Aktiengesellschaft Verfahren und konfigurationssystem zum konfigurieren einer steuereinrichtung für ein technisches system
US20230310995A1 (en) * 2022-03-31 2023-10-05 Advanced Micro Devices, Inc. Detecting personal-space violations in artificial intelligence based non-player characters
KR102525218B1 (ko) 2023-02-14 2023-04-25 디엑스랩즈 주식회사 디지털트윈 구현을 위한 풍력발전설비의 풍속파라미터 보정 장치 및 방법
KR102564220B1 (ko) 2023-02-23 2023-08-08 디엑스랩즈 주식회사 풍력발전설비의 풍속파라미터를 제어하는 방법 및 그 장치

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3839675C2 (de) 1988-11-24 1996-02-15 Lawrenz Wolfhard Optimierer für ein parameterabhängiges Steuerungssystem
DE3839813A1 (de) 1988-11-25 1990-05-31 Hoechst Ag Verfahren zur kontinuierlichen herstellung von katalysatoren fuer die niederdruckpolymerisation von olefinen
DE50007309D1 (de) * 1999-09-20 2004-09-09 Siemens Ag Verfahren, anordnung und computerprogramm-erzeugnis zur simulation eines technischen systems
EP1217473A1 (en) 2000-12-21 2002-06-26 Abb Research Ltd. Optimizing plant control values of a power plant
DE60120192T2 (de) * 2001-11-29 2006-11-16 Abb Research Ltd. Optimaler Betrieb eines Kraftwerks
DE102007001024B4 (de) 2007-01-02 2008-10-02 Siemens Ag Verfahren zur rechnergestützten Regelung und/oder Steuerung eines technischen Systems insbesondere einer Gasturbine
DE102007017259B4 (de) * 2007-04-12 2009-04-09 Siemens Ag Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
DE102010011221B4 (de) 2010-03-12 2013-11-14 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
CN101964019A (zh) 2010-09-10 2011-02-02 北京航空航天大学 基于Agent技术的对抗行为建模仿真平台及仿真方法
CN102255320B (zh) 2011-07-15 2013-08-21 广东电网公司电力科学研究院 地区电网电压无功实时控制系统及其闭环控制方法
DE102012216574A1 (de) * 2012-09-17 2014-03-20 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190126449A (ko) * 2017-04-04 2019-11-11 지멘스 악티엔게젤샤프트 기술 시스템을 제어하기 위한 방법 및 제어 디바이스
US10983485B2 (en) 2017-04-04 2021-04-20 Siemens Aktiengesellschaft Method and control device for controlling a technical system

Also Published As

Publication number Publication date
US10338542B2 (en) 2019-07-02
US20170160706A1 (en) 2017-06-08
EP3132317B1 (de) 2021-03-31
CN106662847A (zh) 2017-05-10
DE102014212747A1 (de) 2016-01-07
WO2016000851A1 (de) 2016-01-07
KR101945863B1 (ko) 2019-02-11
EP3132317A1 (de) 2017-02-22

Similar Documents

Publication Publication Date Title
KR101945863B1 (ko) 시뮬레이션 모듈을 사용하는 컴퓨터-지원 플랜트 제어 최적화를 위한 방법
DK2519861T3 (en) Method of computer-aided management and / or regulation of a technical system
US9853592B2 (en) Method and device for controlling an energy-generating system which can be operated with a renewable energy source
KR101961421B1 (ko) 소스 시스템들의 운영 데이터를 사용하여 초기에 트레이닝되는 제 1 재귀 신경망 모델 및 제 2 재귀 신경망 모델을 별도로 트레이닝함으로써 타겟 시스템을 제어하기 위한 방법, 제어기, 및 컴퓨터 프로그램 제품
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
US9760067B2 (en) System and method for predicting future disturbances in model predictive control applications
US9727035B2 (en) Computer apparatus and method using model structure information of model predictive control
KR20160060132A (ko) 기술 시스템의 컴퓨터-도움 제어 및/또는 조절을 위한 방법
US9952566B2 (en) Method for controlling and/or regulating a technical system in a computer-assisted manner
US20050273296A1 (en) Neural network model for electric submersible pump system
US10036328B2 (en) Method for the computerized control and/or regulation of a technical system
CN112100916A (zh) 用于构建强化学习模型的方法、装置、电子设备及介质
US9170572B2 (en) Dynamic model generation for implementing hybrid linear/non-linear controller
CN110989403B (zh) 综合能源调控系统及其控制方法、服务器
US8190536B2 (en) Method of performing parallel search optimization
Lopez-Echeverria et al. Variable sampling approach to mitigate instability in networked control systems with delays
US11320811B2 (en) Plant operating condition setting support system, learning device, and operating condition setting support device
CN107061032B (zh) 一种发动机运行状态的预测方法及预测系统
Marinke et al. Particle swarm optimization (PSO) applied to fuzzy modeling in a thermal-vacuum system
JPWO2016203757A1 (ja) 制御装置、それを使用する情報処理装置、制御方法、並びにコンピュータ・プログラム
JP2011198327A (ja) オンラインモデル同定を用いたモデル予測制御方法および装置
KR20200066740A (ko) 복합 시스템들의 제어를 위한 무작위화된 강화 학습
da_Fonseca Neto et al. On the convergence of DLQR control system design and recurrences of riccati and lyapunov in dynamic programming strategies
Gray et al. Issues in nonlinear model structure identification using genetic programming
CN115167103A (zh) 发电过程中pid控制器的参数确定方法及装置

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