WO2019057489A1 - Method and training data generator for configuring a technical system, and control device for controlling the technical system - Google Patents

Method and training data generator for configuring a technical system, and control device for controlling the technical system Download PDF

Info

Publication number
WO2019057489A1
WO2019057489A1 PCT/EP2018/073806 EP2018073806W WO2019057489A1 WO 2019057489 A1 WO2019057489 A1 WO 2019057489A1 EP 2018073806 W EP2018073806 W EP 2018073806W WO 2019057489 A1 WO2019057489 A1 WO 2019057489A1
Authority
WO
WIPO (PCT)
Prior art keywords
operating
distribution function
technical system
dimensional
record
Prior art date
Application number
PCT/EP2018/073806
Other languages
German (de)
French (fr)
Inventor
Stefanie VOGL
Original Assignee
Siemens Aktiengesellschaft
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Aktiengesellschaft filed Critical Siemens Aktiengesellschaft
Publication of WO2019057489A1 publication Critical patent/WO2019057489A1/en

Links

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
    • 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
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32193—Ann, neural base quality management
    • 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
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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]

Definitions

  • trainable computational modules that implement methods of machine learning to optimize the configuration of the technical system through training.
  • Such trainable computational modules are often trained with known standard methods of machine learning on the basis of input operating data sets that describe specific operating conditions or other operating conditions of the technical system, future Radiozu ⁇ states, optimal control actions or other target operating ⁇ parameters of the technical system as closely as possible to ermit ⁇ stuffs.
  • a respective target operating parameter derived from the arithmetic module from the input operating data sets can be compared with an actual, optimal or desired target operating parameter, and the arithmetic module can be trained to minimize a deviation.
  • Such learning is often referred to as supervised learning.
  • the more training data ie operating data that can be used for training, and / or comparison data for the target parameters, the more successful training is.
  • the training data should representatively cover the largest possible range of possible operating conditions of the technical system. Of particular importance in many cases is a representative coverage of extreme operating conditions, as such conditions can increasingly lead to critical or undesirable system conditions. However, extreme operating conditions usually occur only rarely or even actively avoided in running systems so that stand for such operating ranges frequently ent ⁇ speaking less training data.
  • a known measure for improving training also in operating areas which are sparsely covered by training data is to allocate a higher weight during training to seldom occurring operating conditions or to select such operating conditions with an increased probability.
  • Control means having the features of claim 17, by a computer program product having the features of Pa ⁇ tent lengths 18 as well as by a computer readable Speicherme ⁇ dium with the features of patent claim 19.
  • a technical system for computer-aided configuration of a technical system, in particular a gas turbine, a wind turbine, a solar power plant, an internal combustion engine, a Fer ⁇ tion system or a power grid based training data te a variety of first and second operating data sets of the technical system are detected, a respec ⁇ ger first operating data set assigned to a respective second operating data record and with this dynamically correct is lier.
  • a respective empirical n-dimensional correlation vector with n> 2 is derived from a respective first operating data record and the respectively assigned second operating data record. According to the invention, an empirical n-dimensional distribution function of the empirical correlation vectors is determined.
  • a first operating data record is read in as the generator operating data record, for which a multiplicity of potential n-dimensional correlation vectors are generated.
  • a potential second operating data set is generated in each case for the potential correlation vectors.
  • one or more training ⁇ records are generated and output for configuring the technical system.
  • a training data generator for carrying out the method according to the invention, a training data generator, a control device, a computer program product and a computer-readable storage medium are provided.
  • the method according to the invention and the training data generator according to the invention and the control device according to the invention can be implemented or implemented, for example, by means of one or more processors, application-specific integrated circuits (ASIC), digital signal processors (DSP) and / or so-called field programmable gate arrays (FPGA).
  • ASIC application-specific integrated circuits
  • DSP digital signal processors
  • FPGA field programmable gate arrays
  • One advantage of the invention is that the generated training data sets can significantly increase a set of available training data for training control devices, especially in otherwise sparsely covered operating areas of a technical system correla ⁇ functions and dependencies between first and second operating data sets realistic, representative and consistent be mapped to the generated training records.
  • By training with realistic and representative training data records a configuration of the technical system, in particular for rarely occurring operating ranges, can generally be considerably improved.
  • the invention typically requires only relatively ge ⁇ rings computing resources.
  • a trainable calculation module can be trained to control the technical ⁇ rule system based on the generated training data sets.
  • the trainable calculation module can in this case an artificial neural network, a recurrent neural network, a fold ⁇ the neural network, a AutoEncoder, a Deep-learning architecture, a support vector machine, a data transmission ⁇ nes trainable regression model, a k-nearest - Neighbor classifier, a physical model and / or a decision tree include.
  • a respective first operating data set may be an input operating data record for the trainable computing module and a respective second operating data set may be a target operating parameter for the trainable computing module.
  • the input operational data set can this operating states in particular specific treatment or describe other operating conditions or operation ⁇ parameters of the technical system.
  • the target operating parameter can, for example, a predicted operating state, a return that a resource requirements, material emitting a pollutant, a wear and / or optimal control ⁇ actions of the technical system concern.
  • the trainable computation module can be trained accordingly, based on the input operation records the target operating parameters as accurately as possible to determine or predict. Training data for predetermined or suitably determined input operating data sets can then be generated by the invention in a targeted manner.
  • a respective first operating data set may be a target operating parameters for the trainable processing module and a respective second operation ⁇ record an input operation data set for the trainable computing module.
  • Trainingsda ⁇ th operating parameters can be generated selectively at predetermined or suitable determined target.
  • a multiplicity of randomly distributed data sets can be generated for the generator operating data record.
  • a respective potential correlation vector can be formed on the basis of the generator operating data record and of a respective data record distributed to ⁇ .
  • a range of operating states of the technical system can be tektiert de-, which is covered only sparingly by the first operational records, or contains the observed extreme values of the second operational records and / or adjacent to this on ⁇ .
  • a multiplicity of generator operating data sets preferably as a function of a random process, can then be generated and used according to the invention. In this way, training data can be selectively generated in extreme and / or under-represented operating areas to improve training in these areas.
  • an approximate numerical n-dimensional distribution function can be provided based on the empirical n-dimensional distribution function the potential correlation vectors are respectively supplied.
  • a respective potential second operating data record can then be derived from a respective return value of the numerical n-dimensional distribution function.
  • Such a numerical n-dimensional distribution function can often be evaluated faster and applied more flexibly.
  • an empirical n-dimensional copula distribution function he ⁇ averages can be used as empirical n-dimensional distribution function.
  • An n-dimensional copula distribution function ie a copula distribution function with n arguments, can in principle completely map a stochastic dependency structure between its n arguments, thus allowing a substantially precise modeling of the dependency structure between first and second operational data records.
  • an empirical n-dimensional Copula distribution function can be determined with relatively low Rechenres ⁇ resources.
  • the determination and application of an n-dimensional copula distribution function advantageously scales with increasing dimension n.
  • an n-dimensional copula model function can be adapted by parameter fitting to the empirical n-dimensional distribution function and provided as a numerical n-dimensional distribution function.
  • a respective first component-specific univariate distribution function of values of this component and for a respective component of the second operation data sets a respective second component-specific univariate distribution function of values of this component can be determined for a respective component of the first operational data sets.
  • the empirical n-dimensional correlation vectors can then each consist of a first operating data set transformed component-by-component on the basis of the at least one first univariate distribution function and a component be formed tenweise based on the at least one second univariate distribution function transformed second operating record.
  • the respective return value of the numerical n-dimensional distribution function can be transformed by a function which is inverse to a second univariate distribution function.
  • the respga can ⁇ valued are mapped to a range of values of the second operating parameters.
  • an average value and / or a median of values of the potential second operational data records can be formed. In this way, a statistical distribution of the potential second operating data records can be mapped to a representative value.
  • FIG. 1 shows a gas turbine with a control device according to the invention
  • FIG. 2 shows a control device according to the invention in a configuration phase
  • FIG. 3 shows a flow chart of the method according to the invention
  • FIG. 4 shows a training data generator according to the invention in a setting phase
  • FIG. 5 shows the training data generator according to the invention in a generation phase.
  • FIG. 1 illustrates a schematic representation of a gas turbine as a technical system TS by way of example.
  • the technical system TS is also a wind turbine, a solar power plant, an internal combustion ⁇ machine, a power grid, a manufacturing plant or at ⁇ particular facility or a combination thereof.
  • the gas turbine TS is coupled to a control device CTL according to the invention, which can be implemented as part of the gas turbine TS or wholly or partially external to the gas turbine TS.
  • the control device CTL is used to control the technical system TS.
  • Under a control of the technical system TS is here also a provision of the technical system TS and an output and use of control ⁇ relevant, that is to control the technical system TS understood contributing data and control signals.
  • control-relevant data may in particular include prognosis data, monitoring data and / or classification data, which may be used in particular for operational optimization, monitoring or maintenance of the technical system TS and / or for wear or damage detection.
  • the gas turbine TS further has sensors S coupled to the control device CTL, which continuously measure one or more operating parameters BP of the gas turbine TS and transmit them to the control device CTL.
  • the control device CTL can also record further operating parameters from other data sources of the technical system TS or from external data sources.
  • operating parameters BP here and below, in particular, physical, control engineering, operational and / or design-related operating variables, properties, performance data, impact data, yield data, demand data, condition data, system data, default values, control data, sensor data data, readings, environmental data, monitoring data,
  • This can be, for example, data on temperature, pressure, emissions, vibrations, oscillation states, resource consumption, etc.
  • a turbine Leis ⁇ tung, a rotational speed, vibration frequencies and / or amplitudes of vibration can affect.
  • One or more values of one or more operating parameters may be represented or summarized by an operational record.
  • Such an operating data set can in particular include a one-dimensional or multidimensional, in particular high-dimensional operating parameter vector.
  • the term operating parameter is to include in the following also such operating parameter vectors.
  • a respective operating parameter can therefore also represent a vector of operating parameters.
  • FIG. 2 shows a schematic illustration of a control device CTL according to the invention in a configuration phase.
  • the control device CTL is coupled to a technical system TS, which can be designed as described above.
  • the control device CTL has one or more processors PROC for carrying out all method steps of the control device CTL as well as one or more memories MEM coupled to the processor PROC for storing the data to be processed by the control device CTL.
  • the control device CTL acquires from the technical system TS a chronological sequence of operating parameter values BP in the form of a chronological sequence of operating data sets.
  • an operating parameter value may also include an operating parameter vector.
  • the control device CTL has an artificial neural network NN as a trainable computing module and a training data generator TG coupled thereto, to which the sequence of operating parameter values BP is transmitted in each case.
  • the neural network NN is data driven trainable and has a training structure during a training ausbil ⁇ det.
  • a training is generally understood as an optimization of a mapping of input parameters of a parameterized system model, for example of a neural network, to one or more target parameters.
  • a mapping is optimized according to predetermined, learned and / or learning criteria during a training phase.
  • prediction models can use a prediction error or, in the case of control models, a success of a control action, which may relate, for example, to yield, resource requirements, pollutant emissions and / or wear of the technical system.
  • a training structure may for example comprise a cross-linking structure of neurons of a neural network and / or weights of connections between neurons that are formed by training in such a way that the criteria are as good as possible it ⁇ filled.
  • the neural network NN is trained to predict future operating parameter values based on previous and current operating parameter values.
  • the neural network NN can be trained based on past and current operating Para ⁇ meter values to determine a control action that optimizes a pre-admit ⁇ nes or a learned criterion.
  • the control device is CTL and the technical system TS confi ⁇ riert.
  • the technical system TS can be controlled in a predictive manner.
  • ⁇ ⁇ is sought by training the neural network NN that this from the sequence of captured Radiopa- rameterhong BP continuously a future Radiome ⁇ terwert predicts accurately as possible as a prediction value PP.
  • the prediction values PP (t) predicted by the neural network NN which are predicted for a respective time t, are compared with actually acquired, respectively correspondingly timely, ie related to the same time t operating parameter values BP (t).
  • a prediction value PP (t) related to a point in time t is to be temporarily stored until the operating parameter value BP (t) related to the same point in time t is actually detected and available.
  • a distance D is formed between the prediction values PP (t) and the temporally corresponding, actually acquired operating parameter values BP (t).
  • the distance D represents a recuperdikti ⁇ onsfree the neural network NN.
  • the distance D is fed back to the neural network NN, which - as indicated in FIG. 2 by a dashed arrow - is trained to minimize the distance D, ie to predict the operating parameter as precisely as possible.
  • the distance D to be minimized can be represented by a suitable cost function.
  • a gradient descent method can be used in particular to ⁇ .
  • the neural network NN not only receives the acquired operating parameter values BP for training, but also training data sets TD generated by the training data generator TG.
  • the training data generator TG generates the training data sets TD based on the supplied Operating parameter values BP and transmits the generated training data sets TD to the neural network NN.
  • the training data sets TD are generated in such a way that they represent in particular statistical dependencies between the Be ⁇ operating parameter values statistically correct BP, which are characteristic of the dynamics of the technical system TS.
  • these are correla ⁇ tions between predicted and actual prediction values detected operating parameters lent.
  • the generated training data sets TD are used in addition to the operating parameter values BP of the neural network training technical system TS, by minimizing, as described above, a distance between prediction values determined by the neural network NN and corresponding values in the training data sets TD.
  • FIG. 3 shows a flowchart of a method according to the invention with method sections S1,..., S6 in a schematic representation.
  • a temporal sequence of loading ⁇ operating parameter values in a time series of operating records BP of the technical system TS is read.
  • This sequence BP a temporal sequence of ers ⁇ th operating records IBP and a temporal sequence of the second operating records TBP are selected.
  • the first operating data sets IBP are hereby input operating data records, ie input parameters for the neural Network NN.
  • a jeweili ⁇ ger input operation data set IBP a n-1 dimensional vector (n> 2) of the technical system of detected state parameters TS.
  • the second operating data sets TBP are target operating parameters, ie target parameters for the neural network NN.
  • Such a target operating parameter TBP can be, for example, an operating parameter of the technical system TS, which is to be determined as accurately as possible by the neural network NN on the basis of the input operating data sets IBP.
  • a target operating parameter TBP may be a current state parameter of the technical system TS, which is to be predicted from earlier state parameters, here IBP.
  • the target operating parameter TBP is one-component for reasons of clarity.
  • a respective target operating parameter TBP is correlated with a respective input operating data record IBP with regard to an impact dynamics of the technical system TS and is allocated correspondingly to this input operating data record IBP. This assignment is subsequently expressed by referring to a same time t in the sequences IBP (t) and TBP (t).
  • target operating parameters for the neural network NN may be provided as first operating data sets, and input operating data records for the neural network NN as second operating data sets.
  • process step S2 that is, distribution functions of a single variable determined empirically based on the sequence of A ⁇ handover operational records IBP and the sequence of the target operating parameters TBP stochastic distribution ⁇ univariate features.
  • Such distribution functions advertising as the cumulative univariate distribution functions be ⁇ records.
  • a second univariate Ver ⁇ distribution function F2 of the detected target operating parameters TBP is determined empirically.
  • the univariate distribution functions Fli and F2 can be determined, for example, from frequency distributions of the components of the input operating data sets IBPi and the target operating parameters TBP.
  • a respective ith component of the input operation data sets IBPi is transformed by the associated first univariate distribution function Fli, and the target operating parameters TBP are transformed by the second univariate distribution function F2.
  • Empirical correlation vectors EKV are formed from transformed operating data records relating to the same time t. This results in a time sequence of empirical correlation vectors according to FIG.
  • EKV (t) (F2 (TBP (t)), Fli (IBPI (t)) Fl n _i (IBP _i n (t))).
  • the empirical correlation vectors EKV are obviously n-dimensional.
  • a n-dimensional stochastic ⁇ specific distribution function of the empirical correlation vectors EKV is determined.
  • a n-dimensional stochastic distribution ⁇ function is preferably an n-dimensional Copula distribution function, that is, a copula distribution function with n-variables, in this case the n components F2 (TBP (t)),
  • the copula distribution function completely maps out a stochastic dependence structure between its n variables, while the univariate distribution functions Fli and F2 map stochastic edge distributions of the operating data sets IBPi and TBP.
  • the univariate distribution functions Fli and F2 are also referred to as edge distribution functions.
  • edge distribution functions Fli and F2 on the one hand and an n-dimensional copula distribution function on the other hand, a modeling of the edge distributions and a modeling of the dependency structure between input operational data sets and target operating parameters can be separated from one another. In this way, the stochastic properties and dependencies of the operating parameters can be mapped with little effort and in a consistent manner to the generated training data sets TD.
  • n-dimensional empirical distribution function copula EC empirical correlation vectors EKV is determined using the rule empiri ⁇ correlation vectors EKV. For such Determined ⁇ lung Standard procedures are defined and well known.
  • the n-dimensional copula distribution empirical function EC determined is an n-dimensional copula model function MC, e.g. adjusted by parameter fitting.
  • n-dimensional copula model function MC e.g. a so-called Gumbel-Hougaard copula can be used.
  • the adapted n-dimensional copula model function MC is provided for performing the subsequent process sections as a numerical n-dimensional copula distribution function.
  • areas of operating states of the technical system TS are based on the first operation ⁇ data sets IBP and / or the second operational records TBP tektiert de-, covered sparsely by entering operating records IBP, or the observed extreme values of the target operating parameters TBP contain or border on these.
  • the generator operational records GBP (k) are preferably distributed by means of a random process in the detected preparation ⁇ chen that these be covered representative in terms of their potential impact dynamics.
  • the generator operating records GBP are transmitted to a second generator GEN2 which generates a plurality of n-dimensional potential correlation vectors PKV for a respective producer operation record GBP (k).
  • the potential correlation vectors PKV are then formed analogously to the empirical correlation vectors EKV according to
  • the generated potential correlation vectors PKV are supplied to the adapted copula model function MC, ie the n-dimensional copula model function MC is called with a respective potential correlation vector PKV (k, l) as an n-dimensional argument.
  • the respective return values MC (PKV (k, l)) of these calls are transformed by a function F2 _1 , which is inverse to the second univariate distribution function F2, in order in each case to obtain a potential target operating parameter PTBP as a potential second operating data record.
  • the resulting potential target operating parameters PTBP are for each He ⁇ generator operation data set GBP (k) (k, l) statistically distributed for varying 1 substantially so as to actual target operating parameter to this generator operating data set GBP (k) for the technical system TS would be expected.
  • training data formed therefrom realistically reflects stochastic dependencies between the first and second operational data records and can be successfully used to consistently fill gaps or sparsely covered areas in the operating states of the technical system TS.
  • a respective training data set TD may be generated as a pair of a first and a second operational data set according to FIG.
  • TD (k) (GBP (k), AVG (k)).
  • the neuro ⁇ dimensional network NN may additionally and stochastic consistent training and so the controller CTL and the technical system TS are configured in an advantageous manner.
  • FIG. 4 shows a schematic representation of a training data generator TG according to the invention in a setting phase when determining the univariate distribution functions Fli and F2 as well as the copula distribution functions EC and MC.
  • the training data generator TG can have one or more dedicated processors for executing the method steps of the training data generator TG and one or more with the Processor coupled memory for storing the data to be processed by the training data generator TG.
  • the training data generator TG receives from the technical system TS a time sequence of operating parameters in the form of operating data sets BP, which are continuously recorded and processed.
  • the sequence of operating data records BP is fed to a selection module SEL of the training data generator TG.
  • a target operating parameter TBP (t) and an input operating data vector IBPi (t) are, as described above, related to a respective respective time t and correlated with respect to an impact dynamics of the technical system TS.
  • the target operating parameters TBP (t) by the determined second univariate distribution function F2 are Entspre ⁇ accordingly transformer mized. From the transformed values, a time interval of n-dimensional empirical correlation vectors is derived according to
  • EKV (t) (F2 (TBP (t)), Fli (IBPI (t)) Fl n _i (IBP _i n (t))).
  • the empirical n-dimensional copula distribution function EC of the empirical correlation vectors EKV (t) is determined.
  • the n-dimensional copula model function as MC and nu ⁇ meric n-dimensional copula distribution function penetratege ⁇ represents.
  • FIG. 5 shows a schematic representation of the training data generator TG according to the invention in a generation phase when generating training data sets TD for training a neural network NN.
  • the univariate distribution functions Fli and F2 determined in the adjustment phase as well as the n-dimensional copula distribution function MC are already available.
  • these reference numerals designate the same entities that may be implemented or implemented as described above.
  • the training data generator TG receives from the technical system TS a time sequence of operating parameters of the technical system TS in the form of operating data records BP. As described above, areas of operating states of the technical system TS for which coverage with training data should be improved are detected on the basis of the operating data sets BP.
  • the multiplicity of potential correlation vectors PKV (k, l) are supplied by the second generator GEN2 to the numerical n-dimensional copula distribution function MC determined in the adjustment phase, i. the copula distribution function MC is called with the PKV (k, l) as an argument.
  • the potential target operating parameters PTBP become
  • the generator operation data sets GBPi (k) are transmitted from the first generator GEN1 to the evaluation module AW.
  • the generated, synthetic training data sets TD (k) are output by the evaluation module AW for training the neural network NN and thus for configuring the control device CTL and the technical system TS.
  • the adjustment phase and the training phase, generation phase or configuration phase can also at least partially run pa rallel ⁇ .
  • the neural network NN can continue to be trained on the basis of newly acquired operating data sets, and / or the distribution functions Fli, F2, EC and / or MC can be continuously adapted to the recorded operating data sets.
  • the technical system TS can be controlled by means of a partially trained neural network NN.

Abstract

The invention relates to the computer-aided configuration of a technical system (TS), e.g. a gas turbine, using training data (TD), wherein a plurality of first and second dynamically correlated operational records (IBP, TBP) of the technical system (TS) are detected. An empirical n-dimensional correlation vector (EKV) is derived from each first operational record (IBP) and each second operational record (TBP). According to the invention, an empirical n-dimensional distribution function (EC) of the empirical correlation vectors (EKV) is determined. Furthermore, a first operational record is read as the generator operational record (GBP) for which a plurality of potential n-dimensional correlation vectors (PKV) are generated. Using the distribution function, a potential second operational record (PTBP) is generated for each of the potential correlation vectors (PKV). Using the generator operational record (GBP) and the potential second operational records (PTBP), one or more training records (TD) are generated, and are output in order to configure the technical system (TS).

Description

Beschreibung description
Verfahren und Trainingsdatengenerator zum Konfigurieren eines technischen Systems sowie Steuereinrichtung zum Steuern des technischen Systems Method and training data generator for configuring a technical system and control device for controlling the technical system
Komplexe technische Systeme wie z.B. Gasturbinen, Windturbi¬ nen, Solarkraftwerke, Verbrennungskraftmaschinen, Fertigungsanlagen oder Stromnetze sind in der Regel aufwendig zu konfi- gurieren, um einen Ertrag, Ressourcenbedarf, Schadstoffausstoß und/oder Verschleiß zu optimieren. Complex technical systems such as gas turbines, Windturbi ¬ nen, solar power plants, internal combustion engines, manufacturing plants or power grids are gure costly to config- generally to optimize a return, resource requirements, emissions and / or wear.
Zur Konfiguration verfügen zeitgemäße Steuereinrichtungen häufig über trainierbare Rechenmodule, die Verfahren des ma- schinellen Lernens implementieren, um durch Training die Konfiguration bzw. die Steuerung des technischen Systems zu optimieren. Derartige trainierbare Rechenmodule werden häufig mit bekannten Standardverfahren des maschinellen Lernens darauf trainiert, anhand von Eingabe-Betriebsdatensätzen, die spezifische Betriebszustände oder andere Betriebsbedingungen des technischen Systems beschreiben, zukünftige Betriebszu¬ stände, optimale Steueraktionen oder andere Ziel-Betriebs¬ parameter des technischen Systems möglichst genau zu ermit¬ teln. Zu diesem Zweck kann z.B. ein jeweiliger vom Rechenmo- dul aus den Eingabe-Betriebsdatensätzen abgeleiteter Ziel- Betriebsparameter mit einem tatsächlich eintretenden, optimalen oder gewünschten Ziel-Betriebsparameter verglichen werden und das Rechenmodul darauf trainiert werden, eine Abweichung zu minimieren. Ein solches Lernverfahren wird häufig auch als überwachtes Lernen bezeichnet. For configuration, modern controllers often have trainable computational modules that implement methods of machine learning to optimize the configuration of the technical system through training. Such trainable computational modules are often trained with known standard methods of machine learning on the basis of input operating data sets that describe specific operating conditions or other operating conditions of the technical system, future Betriebszu ¬ states, optimal control actions or other target operating ¬ parameters of the technical system as closely as possible to ermit ¬ stuffs. For this purpose, for example, a respective target operating parameter derived from the arithmetic module from the input operating data sets can be compared with an actual, optimal or desired target operating parameter, and the arithmetic module can be trained to minimize a deviation. Such learning is often referred to as supervised learning.
In der Regel ist ein Training umso erfolgreicher, je mehr Trainingsdaten, d.h. zum Training verwendbare Betriebsdaten und/oder Vergleichsdaten für die Zielparameter verfügbar sind. Insbesondere sollten die Trainingsdaten einen möglichst großen Bereich von möglichen Betriebsbedingungen des technischen Systems repräsentativ abdecken. Von besonderer Bedeutung ist in vielen Fällen eine repräsentative Abdeckung von extremen Betriebsbedingungen, da solche Bedingungen vermehrt zu kritischen oder unerwünschten Systemzuständen führen können. Extreme Betriebsbedingungen treten jedoch in der Regel nur selten auf oder werden in laufenden Systemen sogar aktiv vermieden, so dass für derartige Betriebsbereiche häufig ent¬ sprechend weniger Trainingsdaten zur Verfügung stehen. As a rule, the more training data, ie operating data that can be used for training, and / or comparison data for the target parameters, the more successful training is. In particular, the training data should representatively cover the largest possible range of possible operating conditions of the technical system. Of particular importance in many cases is a representative coverage of extreme operating conditions, as such conditions can increasingly lead to critical or undesirable system conditions. However, extreme operating conditions usually occur only rarely or even actively avoided in running systems so that stand for such operating ranges frequently ent ¬ speaking less training data.
Eine bekannte Maßnahme, um das Training auch in spärlich durch Trainingsdaten abgedeckten Betriebsbereichen zu verbes- sern besteht darin, selten auftretenden Betriebsbedingungen ein höheres Gewicht beim Training zuzuordnen oder derartige Betriebsbedingungen mit erhöhter Wahrscheinlichkeit auszuwählen. Das Problem, dass die vorhandenen Trainingsdaten derartige Betriebsbedingungen nur spärlich abdecken und/oder nicht repräsentativ sind, bleibt aber in vielen Fällen bestehen. A known measure for improving training also in operating areas which are sparsely covered by training data is to allocate a higher weight during training to seldom occurring operating conditions or to select such operating conditions with an increased probability. The problem that the existing training data cover such operating conditions only sparsely and / or are not representative, but remains in many cases.
Es ist Aufgabe der vorliegenden Erfindung ein Verfahren und einen Trainingsdatengenerator zum Konfigurieren eines technischen Systems sowie eine Steuereinrichtung zum Steuern des technischen Systems anzugeben, die eine effizientere Konfigu¬ ration des technischen Systems erlauben. It is an object of the present invention to provide a method and a training data generator for configuring a technical system, and a control means for controlling the technical system, which allow a more efficient Configu ¬ ration of the technical system.
Gelöst wird diese Aufgabe durch ein Verfahren mit den Merkma¬ len des Patentanspruchs 1, durch einen Trainingsdatengenera- tor mit den Merkmalen des Patentanspruchs 16, durch eineThis object is achieved by a method with the Merkma ¬ len of claim 1, by a training data generator with the features of claim 16, by a
Steuereinrichtung mit den Merkmalen des Patentanspruchs 17, durch ein Computerprogrammprodukt mit den Merkmalen des Pa¬ tentanspruchs 18 sowie durch ein computerlesbares Speicherme¬ dium mit den Merkmalen des Patentanspruchs 19. Control means having the features of claim 17, by a computer program product having the features of Pa ¬ tentanspruchs 18 as well as by a computer readable Speicherme ¬ dium with the features of patent claim 19.
Zum rechnergestützten Konfigurieren eines technischen Systems, insbesondere einer Gasturbine, einer Windturbine, eines Solarkraftwerks, einer Verbrennungskraftmaschine, einer Fer¬ tigungsanlage oder eines Stromnetzes anhand von Trainingsda- ten werden eine Vielzahl von ersten und zweiten Betriebsdatensätzen des technischen Systems erfasst, wobei ein jeweili¬ ger erster Betriebsdatensatz einem jeweiligen zweiten Betriebsdatensatz zugeordnet und mit diesem dynamisch korre- liert ist. Aus einem jeweiligen ersten Betriebsdatensatz und dem jeweils zugeordneten zweiten Betriebsdatensatz wird ein jeweiliger empirischer n-dimensionaler Korrelationsvektor mit n>=2 abgeleitet. Erfindungsgemäß wird eine empirische n- dimensionale Verteilungsfunktion der empirischen Korrelationsvektoren ermittelt. Weiterhin wird ein erster Betriebsdatensatz als Erzeuger-Betriebsdatensatz eingelesen, für den eine Vielzahl von potentiellen n-dimensionalen Korrelations- vektoren generiert wird. Anhand der n-dimensionalen Vertei- lungsfunktion wird für die potentiellen Korrelationsvektoren jeweils ein potentieller zweiter Betriebsdatensatz generiert. Anhand des Erzeuger-Betriebsdatensatzes und der potentiellen zweiten Betriebsdatensätze werden ein oder mehrere Trainings¬ datensätze generiert und zum Konfigurieren des technischen Systems ausgegeben. For computer-aided configuration of a technical system, in particular a gas turbine, a wind turbine, a solar power plant, an internal combustion engine, a Fer ¬ tion system or a power grid based training data te a variety of first and second operating data sets of the technical system are detected, a respec ¬ ger first operating data set assigned to a respective second operating data record and with this dynamically correct is lier. A respective empirical n-dimensional correlation vector with n> = 2 is derived from a respective first operating data record and the respectively assigned second operating data record. According to the invention, an empirical n-dimensional distribution function of the empirical correlation vectors is determined. Furthermore, a first operating data record is read in as the generator operating data record, for which a multiplicity of potential n-dimensional correlation vectors are generated. On the basis of the n-dimensional distribution function, a potential second operating data set is generated in each case for the potential correlation vectors. Based on the generator operation record and the potential second operation records one or more training ¬ records are generated and output for configuring the technical system.
Zum Ausführen des erfindungsgemäßen Verfahrens sind ein Trainingsdatengenerator, eine Steuereinrichtung, ein Computerprogrammprodukt sowie ein computerlesbares Speichermedium vorge- sehen. For carrying out the method according to the invention, a training data generator, a control device, a computer program product and a computer-readable storage medium are provided.
Das erfindungsgemäße Verfahren sowie der erfindungsgemäße Trainingsdatengenerator und die erfindungsgemäße Steuereinrichtung können beispielsweise mittels einem oder mehrerer Prozessoren, anwendungsspezifischen integrierten Schaltungen (ASIC) , digitalen Signalprozessoren (DSP) und/oder sogenannten „Field Programmable Gate Arrays" (FPGA) ausgeführt bzw. implementiert werden. Ein Vorteil der Erfindung ist darin zu sehen, dass durch die generierten Trainingsdatensätze eine Menge an verfügbaren Trainingsdaten zum Training von Steuereinrichtungen insbesondere in sonst spärlich abgedeckten Betriebsbereichen eines technischen Systems signifikant erhöht werden kann. Mittels der n-dimensionalen Verteilungsfunktion der empirischen Korrelationsvektoren können auch komplexe stochastische Korrela¬ tionen und Abhängigkeiten zwischen ersten und zweiten Betriebsdatensätzen realistisch, repräsentativ und konsistent auf die generierten Trainingsdatensätze abgebildet werden. Durch ein Training mit realistischen und repräsentativen Trainingsdatensätzen lässt sich eine Konfiguration des technischen Systems insbesondere für selten auftretende Betriebs- bereiche in der Regel erheblich verbessern. Darüber hinaus erfordert die Erfindung in der Regel nur verhältnismäßig ge¬ ringe Rechenressourcen. The method according to the invention and the training data generator according to the invention and the control device according to the invention can be implemented or implemented, for example, by means of one or more processors, application-specific integrated circuits (ASIC), digital signal processors (DSP) and / or so-called field programmable gate arrays (FPGA). One advantage of the invention is that the generated training data sets can significantly increase a set of available training data for training control devices, especially in otherwise sparsely covered operating areas of a technical system correla ¬ functions and dependencies between first and second operating data sets realistic, representative and consistent be mapped to the generated training records. By training with realistic and representative training data records, a configuration of the technical system, in particular for rarely occurring operating ranges, can generally be considerably improved. In addition, the invention typically requires only relatively ge ¬ rings computing resources.
Vorteilhafte Ausführungsformen und Weiterbildungen der Erfin- dung sind in den abhängigen Ansprüchen angegeben. Advantageous embodiments and further developments of the invention are specified in the dependent claims.
Vorteilhafterweise kann beim Konfigurieren des technischen Systems ein trainierbares Rechenmodul zum Steuern des techni¬ schen Systems anhand der generierten Trainingsdatensätze trainiert werden. Advantageously, when configuring the technical system a trainable calculation module can be trained to control the technical ¬ rule system based on the generated training data sets.
Das trainierbare Rechenmodul kann hierbei ein künstliches neuronales Netz, ein rekurrentes neuronales Netz, ein falten¬ des neuronales Netz, einen Autoencoder, eine Deep-Learning- Architektur, eine Support-Vector-Machine, ein datengetriebe¬ nes trainierbares Regressionsmodell, einen k-nächste- Nachbarn-Klassifikator, ein physikalisches Modell und/oder einen Entscheidungsbaum umfassen. Nach einer vorteilhaften Ausführungsform der Erfindung kann ein jeweiliger erster Betriebsdatensatz ein Eingabe- Betriebsdatensatz für das trainierbare Rechenmodul und ein jeweiliger zweiter Betriebsdatensatz ein Ziel-Betriebsparameter für das trainierbare Rechenmodul sein. Der Eingabe- Betriebsdatensatz kann hierbei insbesondere spezifische Be- triebszustände oder andere Betriebsbedingungen oder Betriebs¬ parameter des technischen Systems beschreiben. Der Ziel- Betriebsparameter kann z.B. einen vorherzusagenden Betriebszustand, einen Ertrag, einen Ressourcenbedarf, einen Schad- stoffausstoß , einen Verschleiß und/oder eine optimale Steuer¬ aktionen des technischen Systems betreffen. Das trainierbare Rechenmodul kann entsprechend darauf trainiert werden, anhand der Eingabe-Betriebsdatensätze die Ziel-Betriebsparameter möglichst genau zu ermitteln bzw. vorherzusagen. Durch die Erfindung können dann gezielt Trainingsdaten zu vorgegebenen oder geeignet ermittelten Eingabe-Betriebsdatensätzen generiert werden. The trainable calculation module can in this case an artificial neural network, a recurrent neural network, a fold ¬ the neural network, a AutoEncoder, a Deep-learning architecture, a support vector machine, a data transmission ¬ nes trainable regression model, a k-nearest - Neighbor classifier, a physical model and / or a decision tree include. According to an advantageous embodiment of the invention, a respective first operating data set may be an input operating data record for the trainable computing module and a respective second operating data set may be a target operating parameter for the trainable computing module. The input operational data set can this operating states in particular specific treatment or describe other operating conditions or operation ¬ parameters of the technical system. The target operating parameter can, for example, a predicted operating state, a return that a resource requirements, material emitting a pollutant, a wear and / or optimal control ¬ actions of the technical system concern. The trainable computation module can be trained accordingly, based on the input operation records the target operating parameters as accurately as possible to determine or predict. Training data for predetermined or suitably determined input operating data sets can then be generated by the invention in a targeted manner.
Nach einer weiteren Ausführungsform kann ein jeweiliger erster Betriebsdatensatz ein Ziel-Betriebsparameter für das trainierbare Rechenmodul und ein jeweiliger zweiter Betriebs¬ datensatz ein Eingabe-Betriebsdatensatz für das trainierbare Rechenmodul sein. Auf diese Weise können gezielt Trainingsda¬ ten zu vorgegebenen oder geeignet ermittelten Ziel- Betriebsparametern generiert werden. According to a further embodiment, a respective first operating data set may be a target operating parameters for the trainable processing module and a respective second operation ¬ record an input operation data set for the trainable computing module. In this way Trainingsda ¬ th operating parameters can be generated selectively at predetermined or suitable determined target.
Nach einer weiteren vorteilhaften Ausführungsform der Erfin- dung kann für den Erzeuger-Betriebsdatensatz eine Vielzahl von zufallsverteilten Datensätzen generiert werden. Damit kann ein jeweiliger potentieller Korrelationsvektor anhand des Erzeuger-Betriebsdatensatzes und eines jeweiligen zu¬ fallsverteilten Datensatzes gebildet werden. Durch die Ver- wendung von zufallsverteilten Datensätzen kann in vielen Fällen eine statistische Verzerrung vermieden werden. According to a further advantageous embodiment of the invention, a multiplicity of randomly distributed data sets can be generated for the generator operating data record. In this way, a respective potential correlation vector can be formed on the basis of the generator operating data record and of a respective data record distributed to ¬ . By using random data sets, statistical bias can often be avoided.
Gemäß einer vorteilhaften Weiterbildung der Erfindung kann ein Bereich von Betriebszuständen des technischen Systems de- tektiert werden, der durch die ersten Betriebsdatensätze nur spärlich abgedeckt wird, oder der beobachtete Extremwerte der zweiten Betriebsdatensätze enthält und/oder an diese an¬ grenzt. Für den detektierten Bereich kann dann eine Vielzahl von Erzeuger-Betriebsdatensätzen, vorzugsweise abhängig von einem Zufallsprozess generiert und erfindungsgemäß verwendet werden. Auf diese Weise können Trainingsdaten gezielt in extremen und/oder unterrepräsentierten Betriebsbereichen erzeugt werden, um ein Training bzw. eine Steuerung in diesen Bereichen zu verbessern. According to an advantageous further development of the invention, a range of operating states of the technical system can be tektiert de-, which is covered only sparingly by the first operational records, or contains the observed extreme values of the second operational records and / or adjacent to this on ¬. For the detected area, a multiplicity of generator operating data sets, preferably as a function of a random process, can then be generated and used according to the invention. In this way, training data can be selectively generated in extreme and / or under-represented operating areas to improve training in these areas.
Darüber hinaus kann anhand der empirischen n-dimensionalen Verteilungsfunktion eine diese approximierende numerische n- dimensionale Verteilungsfunktion bereitgestellt werden, der die potentiellen Korrelationsvektoren jeweils zugeführt werden. Aus einem jeweiligen Rückgabewert der numerischen n- dimensionalen Verteilungsfunktion kann dann ein jeweiliger potentieller zweiter Betriebsdatensatz abgeleitet werden. Ei- ne solche numerische n-dimensionale Verteilungsfunktion lässt sich häufig schneller auswerten und flexibler anwenden. In addition, an approximate numerical n-dimensional distribution function can be provided based on the empirical n-dimensional distribution function the potential correlation vectors are respectively supplied. A respective potential second operating data record can then be derived from a respective return value of the numerical n-dimensional distribution function. Such a numerical n-dimensional distribution function can often be evaluated faster and applied more flexibly.
Nach einer besonders vorteilhaften Ausführungsform der Erfindung kann als empirische n-dimensionale Verteilungsfunktion eine empirische n-dimensionale Copula-Verteilungsfunktion er¬ mittelt werden. Eine n-dimensionale Copula-Verteilungs- funktion, d.h. eine Copula-Verteilungsfunktion mit n Argumenten, kann eine stochastische Abhängigkeitsstruktur zwischen ihren n Argumenten im Prinzip vollständig abbilden und er- laubt somit eine im Wesentlichen präzise Modellierung der Abhängigkeitsstruktur zwischen ersten und zweiten Betriebsdatensätzen. Zudem kann eine empirische n-dimensionale Copula- Verteilungsfunktion mit verhältnismäßig geringen Rechenres¬ sourcen ermittelt werden. Darüber hinaus skaliert die Ermitt- lung und Anwendung einer n-dimensionalen Copula-Verteilungs- funktion in vorteilhafter Weise mit steigender Dimension n. According to a particularly advantageous embodiment of the invention, an empirical n-dimensional copula distribution function he ¬ averages can be used as empirical n-dimensional distribution function. An n-dimensional copula distribution function, ie a copula distribution function with n arguments, can in principle completely map a stochastic dependency structure between its n arguments, thus allowing a substantially precise modeling of the dependency structure between first and second operational data records. In addition, an empirical n-dimensional Copula distribution function can be determined with relatively low Rechenres ¬ resources. In addition, the determination and application of an n-dimensional copula distribution function advantageously scales with increasing dimension n.
Vorzugsweise kann eine n-dimensionale Copula-Modellfunktion durch Parameterfitting an die empirische n-dimensionale Ver- teilungsfunktion angepasst und als numerische n-dimensionale Verteilungsfunktion bereitgestellt werden. Preferably, an n-dimensional copula model function can be adapted by parameter fitting to the empirical n-dimensional distribution function and provided as a numerical n-dimensional distribution function.
Nach einer weiteren vorteilhaften Ausführungsform der Erfindung können für eine jeweilige Komponente der ersten Be- triebsdatensätze eine jeweilige erste komponentenspezifische univariate Verteilungsfunktion von Werten dieser Komponente und für eine jeweilige Komponente der zweiten Betriebsdatensätze eine jeweilige zweite komponentenspezifische univariate Verteilungsfunktion von Werten dieser Komponente ermittelt werden. Die empirischen n-dimensionalen Korrelationsvektoren können dann jeweils aus einem komponentenweise anhand der mindestens einen ersten univariaten Verteilungsfunktion transformierten ersten Betriebsdatensatz und einem komponen- tenweise anhand der mindestens einen zweiten univariaten Verteilungsfunktion transformierten zweiten Betriebsdatensatz gebildet werden. Durch die vorgenommenen Transformationen kann ein jeweiliger Wertebereich von Komponenten der empiri- sehen Korrelationsvektoren auf ein einheitliches Intervall normiert werden. Dies kann eine Analyse einer Abhängigkeits¬ struktur der Komponenten erheblich erleichtern. According to a further advantageous embodiment of the invention, a respective first component-specific univariate distribution function of values of this component and for a respective component of the second operation data sets a respective second component-specific univariate distribution function of values of this component can be determined for a respective component of the first operational data sets. The empirical n-dimensional correlation vectors can then each consist of a first operating data set transformed component-by-component on the basis of the at least one first univariate distribution function and a component be formed tenweise based on the at least one second univariate distribution function transformed second operating record. By means of the transformations made, a respective range of values of components of the empirical correlation vectors can be normalized to a uniform interval. This can greatly facilitate an analysis of a dependency ¬ structure of the components.
Weiterhin kann beim Generieren eines jeweiligen potentiellen zweiten Betriebsdatensatzes der jeweilige Rückgabewert der numerischen n-dimensionalen Verteilungsfunktion durch eine zu einer zweiten univariaten Verteilungsfunktion inversen Funktion transformiert werden. Auf diese Weise können die Rückga¬ bewerte auf einen Wertebereich der zweiten Betriebsparameter abgebildet werden. Furthermore, when generating a respective potential second operating data record, the respective return value of the numerical n-dimensional distribution function can be transformed by a function which is inverse to a second univariate distribution function. In this way the Rückga can ¬ valued are mapped to a range of values of the second operating parameters.
Ferner kann beim Generieren der Trainingsdatensätze ein Mittelwert und/oder ein Median von Werten der potentiellen zweiten Betriebsdatensätze gebildet werden. Hierdurch kann eine statistische Verteilung der potentiellen zweiten Betriebsdatensätze auf einen repräsentativen Wert abgebildet werden. Furthermore, when generating the training data records, an average value and / or a median of values of the potential second operational data records can be formed. In this way, a statistical distribution of the potential second operating data records can be mapped to a representative value.
Ein Ausführungsbeispiel der Erfindung wird nachfolgend anhand der Zeichnung näher erläutert. Dabei zeigen jeweils in sche- matischer Darstellung: An embodiment of the invention will be explained in more detail with reference to the drawing. In each case, in a schematic representation:
Figur 1 eine Gasturbine mit einer erfindungsgemäßen Steuereinrichtung, Figur 2 eine erfindungsgemäße Steuereinrichtung in einer Konfigurationsphase, 1 shows a gas turbine with a control device according to the invention, FIG. 2 shows a control device according to the invention in a configuration phase,
Figur 3 ein Ablaufdiagramm des erfindungsgemäßen Verfahrens, Figur 4 ein erfindungsgemäßer Trainingsdatengenerator in einer Einstellphase und Figur 5 der erfindungsgemäße Trainingsdatengenerator in einer Generierungsphase . 3 shows a flow chart of the method according to the invention, FIG. 4 shows a training data generator according to the invention in a setting phase and FIG FIG. 5 shows the training data generator according to the invention in a generation phase.
Figur 1 veranschaulicht in schematischer Darstellung bei- spielhaft eine Gasturbine als technisches System TS. Alterna¬ tiv oder zusätzlich kann das technische System TS auch eine Windturbine, ein Solarkraftwerk, eine Verbrennungskraft¬ maschine, ein Stromnetz, eine Fertigungsanlage oder eine an¬ dere Anlage oder eine Kombination hiervon umfassen. FIG. 1 illustrates a schematic representation of a gas turbine as a technical system TS by way of example. Alterna ¬ tively or additionally, the technical system TS is also a wind turbine, a solar power plant, an internal combustion ¬ machine, a power grid, a manufacturing plant or at ¬ particular facility or a combination thereof.
Die Gasturbine TS ist mit einer erfindungsgemäßen Steuereinrichtung CTL gekoppelt, die als Teil der Gasturbine TS oder ganz oder teilweise extern zur Gasturbine TS implementiert sein kann. Die Steuereinrichtung CTL dient zum Steuern des technischen Systems TS. Unter einem Steuern des technischen Systems TS sei hierbei auch eine Regelung des technischen Systems TS sowie eine Ausgabe und Verwendung von steuerungs¬ relevanten, d.h. zum Steuern des technischen Systems TS beitragenden Daten und Steuersignalen verstanden. Derartige steuerungsrelevante Daten können insbesondere Prognosedaten, Überwachungsdaten und/oder Klassifikationsdaten umfassen, die insbesondere zur Betriebsoptimierung, Überwachung oder Wartung des technischen Systems TS und/oder zur Verschleiß- oder Beschädigungserkennung verwendet werden können. The gas turbine TS is coupled to a control device CTL according to the invention, which can be implemented as part of the gas turbine TS or wholly or partially external to the gas turbine TS. The control device CTL is used to control the technical system TS. Under a control of the technical system TS is here also a provision of the technical system TS and an output and use of control ¬ relevant, that is to control the technical system TS understood contributing data and control signals. Such control-relevant data may in particular include prognosis data, monitoring data and / or classification data, which may be used in particular for operational optimization, monitoring or maintenance of the technical system TS and / or for wear or damage detection.
Die Gasturbine TS verfügt weiterhin über mit der Steuereinrichtung CTL gekoppelte Sensoren S, die fortlaufend einen oder mehrere Betriebsparameter BP der Gasturbine TS messen und zur Steuereinrichtung CTL übermitteln. Neben den Sensor- daten können durch die Steuereinrichtung CTL noch weitere Betriebsparameter aus anderen Datenquellen des technischen Systems TS oder aus externen Datenquellen erfasst werden. The gas turbine TS further has sensors S coupled to the control device CTL, which continuously measure one or more operating parameters BP of the gas turbine TS and transmit them to the control device CTL. In addition to the sensor data, the control device CTL can also record further operating parameters from other data sources of the technical system TS or from external data sources.
Als Betriebsparameter BP sind hier und im Folgenden insbeson- dere physikalische, regelungstechnische, wirkungstechnische und/oder bauartbedingte Betriebsgrößen, Eigenschaften, Leistungsdaten, Wirkungsdaten, Ertragsdaten, Bedarfsdaten, Zu- standsdaten, Systemdaten, Vorgabewerte, Steuerdaten, Sensor- daten, Messwerte, Umgebungsdaten, Überwachungsdaten, As operating parameters BP, here and below, in particular, physical, control engineering, operational and / or design-related operating variables, properties, performance data, impact data, yield data, demand data, condition data, system data, default values, control data, sensor data data, readings, environmental data, monitoring data,
Prognosedaten, Analysedaten und/oder andere im Betrieb des technischen Systems TS anfallende und/oder einen Betriebszu¬ stand oder eine Steueraktion des technischen Systems TS be- schreibende Daten zu verstehen. Dies können z.B. Daten über Temperatur, Druck, Emissionen, Vibrationen, Schwingungszu- stände, Ressourcenverbrauch etc. sein. Speziell bei einer Gasturbine können die Betriebsparameter eine Turbinenleis¬ tung, eine Rotationsgeschwindigkeit, Vibrationsfrequenzen und/oder Vibrationsamplituden betreffen. Forecast data, analysis data and / or other occurring in the operation of the technical system TS and / or a Betriebszu ¬ stand or a control action of the technical system TS describing data to understand. This can be, for example, data on temperature, pressure, emissions, vibrations, oscillation states, resource consumption, etc. Especially in a gas turbine operating parameters a turbine Leis ¬ tung, a rotational speed, vibration frequencies and / or amplitudes of vibration can affect.
Ein oder mehrere Werte von einem oder mehreren Betriebsparametern können durch einen Betriebsdatensatz dargestellt oder zusammengefasst werden. Ein solcher Betriebsdatensatz kann insbesondere einen ein- oder mehrdimensionalen, insbesondere hochdimensionalen Betriebsparametervektor beinhalten. Der Begriff Betriebsparameter soll im Folgenden auch derartige Betriebsparametervektoren umfassen. Ein jeweiliger Betriebsparameter kann demnach auch einen Vektor von Betriebsparametern repräsentieren. One or more values of one or more operating parameters may be represented or summarized by an operational record. Such an operating data set can in particular include a one-dimensional or multidimensional, in particular high-dimensional operating parameter vector. The term operating parameter is to include in the following also such operating parameter vectors. A respective operating parameter can therefore also represent a vector of operating parameters.
Figur 2 zeigt in schematischer Darstellung eine erfindungsgemäße Steuereinrichtung CTL in einer Konfigurationsphase. Die Steuereinrichtung CTL ist an ein technisches Systems TS ge- koppelt, das wie oben beschrieben ausgestaltet sein kann. Die Steuereinrichtung CTL verfügt über einen oder mehrere Prozessoren PROC zum Ausführen aller Verfahrensschritte der Steuereinrichtung CTL sowie über einen oder mehrere mit dem Prozessor PROC gekoppelte Speicher MEM zum Speichern der von der Steuereinrichtung CTL zu verarbeitenden Daten. FIG. 2 shows a schematic illustration of a control device CTL according to the invention in a configuration phase. The control device CTL is coupled to a technical system TS, which can be designed as described above. The control device CTL has one or more processors PROC for carrying out all method steps of the control device CTL as well as one or more memories MEM coupled to the processor PROC for storing the data to be processed by the control device CTL.
Die Steuereinrichtung CTL erfasst vom technischen System TS eine zeitliche Abfolge von Betriebsparameterwerten BP in Form einer zeitlichen Abfolge von Betriebsdatensätzen. Wie oben bereits erwähnt, kann hierbei ein Betriebsparameterwert auch einen Betriebsparametervektor umfassen. Die Steuereinrichtung CTL verfügt im vorliegenden Ausführungsbeispiel über ein künstliches neuronales Netz NN als trainierbares Rechenmodul sowie über einen damit gekoppelten Trainingsdatengenerator TG, zu denen jeweils die Abfolge von Betriebsparameterwerten BP übermittelt wird. Das neuronale Netz NN ist datengetrieben trainierbar und weist eine Trainingsstruktur auf, die sich während eines Trainings ausbil¬ det . Unter einem Training sei allgemein eine Optimierung einer Abbildung von Eingangsparametern eines parametrisierten Systemmodells, z.B. eines neuronalen Netzes, auf einen oder mehrere Zielparameter verstanden. Diese Abbildung wird nach vorgegebenen, gelernten und/oder zu lernenden Kriterien während ei- ner Trainingsphase optimiert. Als Kriterien können z.B. bei Prädiktionsmodellen ein Prädiktionsfehler oder bei Steuermodellen ein Erfolg einer Steueraktion, der z.B. einen Ertrag, Ressourcenbedarf, Schadstoffausstoß und/oder Verschleiß des technischen Systems betreffen kann, herangezogen werden. Eine Trainingsstruktur kann z.B. eine Vernetzungsstruktur von Neuronen eines neuronalen Netzes und/oder Gewichte von Verbindungen zwischen den Neuronen umfassen, die durch das Training so ausgebildet werden, dass die Kriterien möglichst gut er¬ füllt werden. The control device CTL acquires from the technical system TS a chronological sequence of operating parameter values BP in the form of a chronological sequence of operating data sets. As already mentioned above, an operating parameter value may also include an operating parameter vector. In the present exemplary embodiment, the control device CTL has an artificial neural network NN as a trainable computing module and a training data generator TG coupled thereto, to which the sequence of operating parameter values BP is transmitted in each case. The neural network NN is data driven trainable and has a training structure during a training ausbil ¬ det. A training is generally understood as an optimization of a mapping of input parameters of a parameterized system model, for example of a neural network, to one or more target parameters. This mapping is optimized according to predetermined, learned and / or learning criteria during a training phase. For example, prediction models can use a prediction error or, in the case of control models, a success of a control action, which may relate, for example, to yield, resource requirements, pollutant emissions and / or wear of the technical system. A training structure may for example comprise a cross-linking structure of neurons of a neural network and / or weights of connections between neurons that are formed by training in such a way that the criteria are as good as possible it ¬ filled.
Im vorliegenden Ausführungsbeispiel wird das neuronale Netz NN darauf trainiert, zukünftige Betriebsparameterwerte anhand früherer und aktueller Betriebsparameterwerte vorherzusagen. Alternativ oder zusätzlich kann das neuronale Netz NN darauf trainiert werden, anhand früherer und aktueller Betriebspara¬ meterwerte eine Steueraktion zu ermitteln, die ein vorgegebe¬ nes oder gelerntes Kriterium optimiert. In the present embodiment, the neural network NN is trained to predict future operating parameter values based on previous and current operating parameter values. Alternatively or additionally, the neural network NN can be trained based on past and current operating Para ¬ meter values to determine a control action that optimizes a pre-admit ¬ nes or a learned criterion.
Indem das neuronale Netz NN trainiert wird, wird die Steuer- einrichtung CTL und damit das technische System TS konfigu¬ riert. Mittels des trainierten neuronalen Netzes NN kann das technische System TS in vorausschauender Weise gesteuert werden . Wie oben bereits erwähnt, wird im vorliegenden Ausführungs¬ beispiel durch das Training des neuronalen Netzes NN ange¬ strebt, dass dieses aus der Abfolge der erfassten Betriebspa- rameterwerte BP fortlaufend einen zukünftigen Betriebsparame¬ terwert als Prädiktionswert PP möglichst genau vorhersagt. Zu diesem Zweck werden die vom neuronalen Netz NN ausgegebenen Prädiktionswerte PP(t), die für einen jeweiligen Zeitpunkt t vorausgesagt sind, mit tatsächlich erfassten, jeweils zeit- lieh korrespondieren, d.h. auf den gleichen Zeitpunkt t bezogenen Betriebsparameterwerten BP(t) verglichen. Hierbei ist ein auf einen Zeitpunkt t bezogener Prädiktionswert PP(t) so¬ lange zwischenzuspeichern, bis der auf denselben Zeitpunkt t bezogene Betriebsparameterwert BP(t) tatsächlich erfasst und verfügbar ist. Im Rahmen des Vergleichs wird ein Abstand D zwischen den Prädiktionswerten PP(t) und den zeitlich korrespondierenden, tatsächlich erfassten Betriebsparameterwerten BP(t) gebildet. Der Abstand D repräsentiert einen Prädikti¬ onsfehler des neuronalen Netzes NN. Der Abstand D wird zum neuronalen Netz NN zurückgeführt, das - wie in Figur 2 durch einen strichliierten Pfeil angedeutet - darauf trainiert wird, den Abstand D zu minimieren, d.h. den Betriebsparameter möglichst genau zu prädizieren. Zum Training des neuronalen Netzes NN kann eine Vielzahl von Standard-Trainingsverfahren für neuronale Netze, insbesondere des überwachten Lernens eingesetzt werden. Der zu minimierende Abstand D kann dabei durch eine geeignete Kostenfunktion repräsentiert werden. Zur Minimierung des Abstandes D kann insbesondere eine Gradienten-Abstiegsmethode verwendet wer¬ den . By the neural network NN is trained, the control device is CTL and the technical system TS confi ¬ riert. By means of the trained neural network NN, the technical system TS can be controlled in a predictive manner. As mentioned above, in the present execution example ¬ ¬ is sought by training the neural network NN that this from the sequence of captured Betriebspa- rameterwerte BP continuously a future Betriebsparame ¬ terwert predicts accurately as possible as a prediction value PP. For this purpose, the prediction values PP (t) predicted by the neural network NN, which are predicted for a respective time t, are compared with actually acquired, respectively correspondingly timely, ie related to the same time t operating parameter values BP (t). In this case, a prediction value PP (t) related to a point in time t is to be temporarily stored until the operating parameter value BP (t) related to the same point in time t is actually detected and available. Within the scope of the comparison, a distance D is formed between the prediction values PP (t) and the temporally corresponding, actually acquired operating parameter values BP (t). The distance D represents a Prädikti ¬ onsfehler the neural network NN. The distance D is fed back to the neural network NN, which - as indicated in FIG. 2 by a dashed arrow - is trained to minimize the distance D, ie to predict the operating parameter as precisely as possible. For the training of the neural network NN a variety of standard training methods for neural networks, in particular supervised learning can be used. The distance D to be minimized can be represented by a suitable cost function. To minimize the distance D a gradient descent method can be used in particular to ¬.
Erfindungsgemäß werden dem neuronalen Netz NN nicht nur die erfassten Betriebsparameterwerte BP zum Training übermittelt, sondern zusätzlich vom Trainingsdatengenerator TG generierte Trainingsdatensätze TD. Der Trainingsdatengenerator TG generiert die Trainingsdatensätze TD anhand der ihm zugeführten Betriebsparameterwerte BP und übermittelt die generierten Trainingsdatensätze TD zum neuronalen Netz NN. According to the invention, the neural network NN not only receives the acquired operating parameter values BP for training, but also training data sets TD generated by the training data generator TG. The training data generator TG generates the training data sets TD based on the supplied Operating parameter values BP and transmits the generated training data sets TD to the neural network NN.
Die Trainingsdatensätze TD werden derart generiert, dass sie insbesondere statistische Abhängigkeiten zwischen den Be¬ triebsparameterwerten BP statistisch korrekt abbilden, die für die Dynamik des technischen Systems TS charakteristisch sind. Im vorliegenden Ausführungsbeispiel sind dies Korrela¬ tionen zwischen vorhergesagten Prädiktionswerten und tatsäch- lieh erfassten Betriebsparametern. The training data sets TD are generated in such a way that they represent in particular statistical dependencies between the Be ¬ operating parameter values statistically correct BP, which are characteristic of the dynamics of the technical system TS. In the present embodiment, these are correla ¬ tions between predicted and actual prediction values detected operating parameters lent.
Die generierten Trainingsdatensätze TD werden zusätzlich zu den Betriebsparameterwerten BP des technischen Systems TS zum Trainieren des neuronalen Netzes verwendet, indem, wie oben bereits beschrieben, ein Abstand zwischen vom neuronalen Netz NN ermittelten Prädiktionswerten und entsprechenden Werten in den Trainingsdatensätzen TD minimiert wird. The generated training data sets TD are used in addition to the operating parameter values BP of the neural network training technical system TS, by minimizing, as described above, a distance between prediction values determined by the neural network NN and corresponding values in the training data sets TD.
Auf diese Weise können insbesondere in spärlich von den Be- triebsdatensätzen BP abgedeckten Betriebsbereichen des technischen Systems TS mehr Trainingsdaten zur Verfügung gestellt werden. Es erweist sich, dass durch die zusätzlich erzeugten Trainingsdaten ein Trainingserfolg des neuronalen Netzes NN signifikant verbessert werden kann. In this way, more training data can be made available in operating areas of the technical system TS that are sparsely covered by the operating data sets BP. It turns out that a training success of the neural network NN can be significantly improved by the additionally generated training data.
Figur 3 zeigt ein Ablaufdiagramm eines erfindungsgemäßen Verfahrens mit Verfahrensabschnitten S1,...,S6 in schematischer Darstellung . Im Verfahrensabschnitt Sl wird eine zeitliche Abfolge von Be¬ triebsparameterwerten in Form einer zeitlichen Abfolge von Betriebsdatensätzen BP des technischen Systems TS eingelesen. Aus dieser Abfolge BP werden eine zeitliche Abfolge von ers¬ ten Betriebsdatensätzen IBP und eine zeitliche Abfolge von zweiten Betriebsdatensätzen TBP selektiert. FIG. 3 shows a flowchart of a method according to the invention with method sections S1,..., S6 in a schematic representation. In the process step Sl a temporal sequence of loading ¬ operating parameter values in a time series of operating records BP of the technical system TS is read. This sequence BP a temporal sequence of ers ¬ th operating records IBP and a temporal sequence of the second operating records TBP are selected.
Die ersten Betriebsdatensätze IBP sind hierbei Eingabe- Betriebsdatensätze, d.h. Eingangsparameter für das neuronale Netz NN. Im vorliegenden Ausführungsbeispiel ist ein jeweili¬ ger Eingabe-Betriebsdatensatz IBP ein n-1 dimensionaler Vektor (n > 2), von erfassten Zustandsparametern des technischen Systems TS. Die zweiten Betriebsdatensätze TBP sind Ziel- Betriebsparameter, d.h. Zielparameter für das neuronale Netz NN. Ein solcher Ziel-Betriebsparameter TBP kann beispielsweise ein Betriebsparameter des technischen Systems TS sein, der durch das neuronale Netz NN anhand der Eingabe- Betriebsdatensätze IBP möglichst genau ermittelt werden soll. Insbesondere kann ein Ziel-Betriebsparameter TBP ein aktueller Zustandsparameter des technischen Systems TS sein, der aus früheren Zustandsparametern, hier IBP, vorhergesagt werden soll. Im vorliegenden Ausführungsbeispiel ist der Ziel- Betriebsparameter TBP aus Gründen der Übersichtlichkeit einkomponentig . The first operating data sets IBP are hereby input operating data records, ie input parameters for the neural Network NN. In the present embodiment, a jeweili ¬ ger input operation data set IBP a n-1 dimensional vector (n> 2) of the technical system of detected state parameters TS. The second operating data sets TBP are target operating parameters, ie target parameters for the neural network NN. Such a target operating parameter TBP can be, for example, an operating parameter of the technical system TS, which is to be determined as accurately as possible by the neural network NN on the basis of the input operating data sets IBP. In particular, a target operating parameter TBP may be a current state parameter of the technical system TS, which is to be predicted from earlier state parameters, here IBP. In the present exemplary embodiment, the target operating parameter TBP is one-component for reasons of clarity.
Ein jeweiliger Ziel-Betriebsparameter TBP ist mit einem jeweiligen Eingabe-Betriebsdatensatz IBP hinsichtlich einer Wirkungsdynamik des technischen Systems TS korreliert und wird diesem Eingabe-Betriebsdatensatz IBP entsprechend zugeordnet. Diese Zuordnung wird nachfolgend durch Bezugnahme auf einen gleichen Zeitpunkt t in den Abfolgen IBP(t) und TBP(t) ausgedrückt . Alternativ oder zusätzlich können als erste Betriebsdatensätze Ziel-Betriebsparameter für das neuronale Netz NN und als zweite Betriebsdatensätze Eingabe-Betriebsdatensätze für das neuronale Netz NN vorgesehen sein. Im Verfahrensabschnitt S2 werden anhand der Abfolge der Ein¬ gabe-Betriebsdatensätze IBP und der Abfolge der Ziel- Betriebsparameter TBP stochastische univariate Verteilungs¬ funktionen, d.h. Verteilungsfunktionen einer einzigen Variablen empirisch ermittelt. Derartige Verteilungsfunktionen wer- den auch als kumulierte univariate Verteilungsfunktionen be¬ zeichnet . Im vorliegenden Ausführungsbeispiel werden für eine jeweilige Vektorkomponente IBPi, i=l,...,n-l der Eingabe-Betriebsdaten¬ sätze IBP erste komponentenspezifische univariate Vertei¬ lungsfunktionen Fli der jeweiligen Vektorkomponente IBPi em- pirisch ermittelt. Weiterhin wird eine zweite univariate Ver¬ teilungsfunktion F2 der erfassten Ziel-Betriebsparameter TBP empirisch ermittelt. Die univariaten Verteilungsfunktionen Fli und F2 können beispielsweise aus Häufigkeitsverteilungen der Komponenten der Eingabe-Betriebsdatensätze IBPi und der Ziel-Betriebsparameter TBP ermittelt werden. Nach Ermittlung der univariaten Verteilungsfunktionen wird eine jeweilige i- te Komponente der Eingabe-Betriebsdatensätze IBPi durch die zugehörige erste univariate Verteilungsfunktion Fli transformiert, und die Ziel-Betriebsparameter TBP werden durch die zweite univariate Verteilungsfunktion F2 transformiert. Hie¬ raus resultieren komponentenweise transformierte erste Be¬ triebsdatensätze Fli (IBPi) sowie transformierte zweite Be¬ triebsdatensätze F2 (TBP) . Aus zeitlich auf den gleichen Zeitpunkt t bezogenen transformierten Betriebsdatensätzen werden empirische Korrelations- vektoren EKV gebildet. Damit ergibt sich eine zeitliche Ab¬ folge von empirischen Korrelationsvektoren gemäß A respective target operating parameter TBP is correlated with a respective input operating data record IBP with regard to an impact dynamics of the technical system TS and is allocated correspondingly to this input operating data record IBP. This assignment is subsequently expressed by referring to a same time t in the sequences IBP (t) and TBP (t). As an alternative or in addition, target operating parameters for the neural network NN may be provided as first operating data sets, and input operating data records for the neural network NN as second operating data sets. In process step S2, that is, distribution functions of a single variable determined empirically based on the sequence of A ¬ handover operational records IBP and the sequence of the target operating parameters TBP stochastic distribution ¬ univariate features. Such distribution functions advertising as the cumulative univariate distribution functions be ¬ records. Are, for a respective vector component IBPI in the present embodiment i = l, ..., the input operation data sets ¬ IBP nl first component-specific univariate distri ¬ Fli adjustment functions of the respective vector component IBPI empirically determined. Furthermore, a second univariate Ver ¬ distribution function F2 of the detected target operating parameters TBP is determined empirically. The univariate distribution functions Fli and F2 can be determined, for example, from frequency distributions of the components of the input operating data sets IBPi and the target operating parameters TBP. After determining the univariate distribution functions, a respective ith component of the input operation data sets IBPi is transformed by the associated first univariate distribution function Fli, and the target operating parameters TBP are transformed by the second univariate distribution function F2. Hie ¬ out componentwise resulting transformed first Be ¬ operating data rates Fli (IBPI) and transformed second Be ¬ operating data sets F2 (TBP). Empirical correlation vectors EKV are formed from transformed operating data records relating to the same time t. This results in a time sequence of empirical correlation vectors according to FIG
EKV (t) = (F2 (TBP (t) ) , Fli (IBPi (t) ) Fln_i (IBPn_i (t) ) ) . Die em- pirischen Korrelationsvektoren EKV sind offensichtlich n- dimensional . EKV (t) = (F2 (TBP (t)), Fli (IBPI (t)) Fl n _i (IBP _i n (t))). The empirical correlation vectors EKV are obviously n-dimensional.
Im Verfahrensabschnitt S3 wird eine n-dimensionale stochasti¬ sche Verteilungsfunktion der empirischen Korrelationsvektoren EKV ermittelt. Als n-dimensionale stochastische Verteilungs¬ funktion wird vorzugsweise eine n-dimensionale Copula- Verteilungsfunktion, d.h. eine Copula-Verteilungsfunktion mit n-Variablen, hier der n-Komponenten F2(TBP(t)), In process step S3, a n-dimensional stochastic ¬ specific distribution function of the empirical correlation vectors EKV is determined. As a n-dimensional stochastic distribution ¬ function is preferably an n-dimensional Copula distribution function, that is, a copula distribution function with n-variables, in this case the n components F2 (TBP (t)),
Fli (IBPi (t) ), Fln-i (IBPn-i (t) ) eines jeweiligen empirischen Korrelationsvektors EKV(t) verwendet. Eine n-dimensionaleFli (IBPI (t)), Fl n -i (IBP n -i (t)) of a respective empirical correlation vector EKV (t). An n-dimensional
Copula-Verteilungsfunktion bildet eine stochastische Abhängigkeitsstruktur zwischen ihren n-Variablen im Prinzip vollständig ab, während die univariaten Verteilungsfunktionen Fli und F2 stochastische Randverteilungen der Betriebsdatensätze IBPi und TBP abbilden. In diesem Zusammenhang werden die univariaten Verteilungsfunktionen Fli und F2 auch als Randverteilungsfunktionen bezeichnet . In principle, the copula distribution function completely maps out a stochastic dependence structure between its n variables, while the univariate distribution functions Fli and F2 map stochastic edge distributions of the operating data sets IBPi and TBP. In this context, the univariate distribution functions Fli and F2 are also referred to as edge distribution functions.
Durch die Verwendung der Randverteilungsfunktionen Fli und F2 einerseits und einer n-dimensionalen Copula-Verteilungs- funktion andererseits können eine Modellierung der Randverteilungen und eine Modellierung der Abhängigkeitsstruktur zwischen Eingabe-Betriebsdatensätzen und Ziel-Betriebsparametern voneinander separiert werden. Auf diese Weise können die stochastischen Eigenschaften und Abhängigkeiten der Betriebsparameter mit geringem Aufwand und in konsistenter Weise auf die generierten Trainingsdatensätze TD abgebildet werden. By using the edge distribution functions Fli and F2 on the one hand and an n-dimensional copula distribution function on the other hand, a modeling of the edge distributions and a modeling of the dependency structure between input operational data sets and target operating parameters can be separated from one another. In this way, the stochastic properties and dependencies of the operating parameters can be mapped with little effort and in a consistent manner to the generated training data sets TD.
Im vorliegenden Ausführungsbeispiel wird anhand der empiri¬ schen Korrelationsvektoren EKV eine sogenannte empirische n- dimensionale Copula-Verteilungsfunktion EC der empirischen Korrelationsvektoren EKV ermittelt. Für eine solche Ermitt¬ lung sind Standardverfahren definiert und wohlbekannt. In the present embodiment, a so-called n-dimensional empirical distribution function copula EC empirical correlation vectors EKV is determined using the rule empiri ¬ correlation vectors EKV. For such Determined ¬ lung Standard procedures are defined and well known.
Vorzugsweise wird an die ermittelte empirische n-dimensionale Copula-Verteilungsfunktion EC eine n-dimensionale Copula- Modellfunktion MC, z.B. durch Parameterfitting angepasst. Als n-dimensionale Copula-Modellfunktion MC kann z.B. eine sogenannte Gumbel-Hougaard-Copula verwendet werden. Die angepass- te n-dimensionale Copula-Modellfunktion MC wird zur Ausführung der nachfolgenden Verfahrensabschnitte als numerische n- dimensionale Copula-Verteilungsfunktion bereitgestellt. Preferably, the n-dimensional copula distribution empirical function EC determined is an n-dimensional copula model function MC, e.g. adjusted by parameter fitting. As n-dimensional copula model function MC, e.g. a so-called Gumbel-Hougaard copula can be used. The adapted n-dimensional copula model function MC is provided for performing the subsequent process sections as a numerical n-dimensional copula distribution function.
Im Verfahrensabschnitt S4 werden anhand der ersten Betriebs¬ datensätze IBP und/oder der zweiten Betriebsdatensätze TBP Bereiche von Betriebszuständen des technischen Systems TS de- tektiert, die durch die Eingabe-Betriebsdatensätze IBP nur spärlich abgedeckt sind, oder die beobachtete Extremwerte der Ziel-Betriebsparameter TBP enthalten oder an diese angrenzen. Anhand der detektierten Bereiche werden durch einen ersten Generator GEN1 eine Vielzahl K von Eingabe-Betriebsdatensätzen, d.h. n-1 dimensionalen ersten Betriebsdatenvektoren als Erzeuger-Betriebsdatensätze GBP(k), k=l,...,K generiert. Die Erzeuger-Betriebsdatensätze GBP(k) werden vorzugsweise mittels eines Zufallsprozesses so in den detektierten Berei¬ chen verteilt, dass diese hinsichtlich ihrer möglichen Wirkungsdynamiken repräsentativ abgedeckt werden. Die Vektorkomponenten der Erzeuger-Betriebsdatensätze werden im Folgenden als GBPi(k), i=l,...,n-l bezeichnet. In the process step S4 areas of operating states of the technical system TS are based on the first operation ¬ data sets IBP and / or the second operational records TBP tektiert de-, covered sparsely by entering operating records IBP, or the observed extreme values of the target operating parameters TBP contain or border on these. On the basis of the detected regions, a multiplicity K of input operating data sets, ie n-1 dimensional first operating data vectors as generator operating data sets GBP (k), k = 1,..., K are generated by a first generator GEN1. The generator operational records GBP (k) are preferably distributed by means of a random process in the detected preparation ¬ chen that these be covered representative in terms of their potential impact dynamics. The vector components of the generator operation records are hereinafter referred to as GBPi (k), i = 1, ..., nl.
Die Erzeuger-Betriebsdatensätze GBP werden zu einem zweiten Generator GEN2 übermittelt, der für einen jeweiligen Erzeuger-Betriebsdatensatz GBP(k) eine Vielzahl von n-dimen- sionalen potentiellen Korrelationsvektoren PKV generiert. Zu diesem Zweck wird für einen jeweiligen Erzeuger-Betriebsdatensatz GBP(k) eine Vielzahl L von im Wertebereich der zweiten univariaten Verteilungsfunktion F2 zufallsverteilten, vorzugsweise gleichverteilten Samplingwerten SW(1), 1=1, ...,L generiert. Die potentiellen Korrelationsvektoren PKV werden dann analog zu den empirischen Korrelationsvektoren EKV gebildet gemäß The generator operating records GBP are transmitted to a second generator GEN2 which generates a plurality of n-dimensional potential correlation vectors PKV for a respective producer operation record GBP (k). For this purpose, a multiplicity L of sample values SW (1), 1 = 1,..., L randomly distributed in the value range of the second univariate distribution function F2 are generated for a respective generator operating data record GBP (k). The potential correlation vectors PKV are then formed analogously to the empirical correlation vectors EKV according to
PKV(k,l) = (SW(1), Fli (GBPi (k) ) Fln_i (GBPn_i (k) ) ) PHI (k, l) = (SW (1), Fli (GBPi (k)) Fl n _i (n GBP _i (k)))
für k=l,...,K und 1=1, ...,L. for k = 1, ..., K and 1 = 1, ..., L.
Im Verfahrensabschnitt S5 werden die generierten potentiellen Korrelationsvektoren PKV der angepassten Copula-Modell- funktion MC zugeführt, d.h. die n-dimensionale Copula- Modellfunktion MC wird mit einem jeweiligen potentiellen Kor- relationsvektor PKV(k,l) als n-dimensionalem Argument aufgerufen. Die jeweiligen Rückgabewerte MC(PKV(k,l)) dieser Aufrufe werden durch eine zur zweiten univariaten Verteilungsfunktion F2 inversen Funktion F2_1 transformiert, um jeweils einen potentiellen Ziel-Betriebsparameter PTBP als potentiel- len zweiten Betriebsdatensatz zu erhalten. Insgesamt gilt: PTBP(k,l) = F2"1 (MC (PKV (k, 1) ) ) für k=l,...,K und 1=1, ...,L. Aufgrund der vorstehenden Verfahrensweise sind für jeden Er¬ zeuger-Betriebsdatensatz GBP(k) die resultierenden potentiellen Ziel-Betriebsparameter PTBP(k,l) für variierendes 1 statistisch im Wesentlichen so verteilt, wie es für tatsächliche Ziel-Betriebsparameter zu diesem Erzeuger-Betriebsdatensatz GBP(k) für das technische System TS zu erwarten wäre. Hieraus gebildete Trainingsdaten spiegeln also stochastische Abhängigkeiten zwischen den ersten und zweiten Betriebsdatensätzen realistisch wider und können erfolgreich dazu benutzt werden, Lücken oder spärlich abgedeckte Bereiche in den Betriebszu- ständen des technischen Systems TS konsistent zu füllen. In method section S5, the generated potential correlation vectors PKV are supplied to the adapted copula model function MC, ie the n-dimensional copula model function MC is called with a respective potential correlation vector PKV (k, l) as an n-dimensional argument. The respective return values MC (PKV (k, l)) of these calls are transformed by a function F2 _1 , which is inverse to the second univariate distribution function F2, in order in each case to obtain a potential target operating parameter PTBP as a potential second operating data record. Overall, PTBP (k, l) = F2 "1 (MC (PKV (k, 1))) for k = 1, ..., K and 1 = 1, ..., L. Based on the above procedure, the resulting potential target operating parameters PTBP are for each He ¬ generator operation data set GBP (k) (k, l) statistically distributed for varying 1 substantially so as to actual target operating parameter to this generator operating data set GBP (k) for the technical system TS would be expected. Thus, training data formed therefrom realistically reflects stochastic dependencies between the first and second operational data records and can be successfully used to consistently fill gaps or sparsely covered areas in the operating states of the technical system TS.
Im Verfahrensabschnitt S6 wird zu einem jeweiligen Erzeuger- Betriebsdatensatz GBP(k), ein Mittelwert oder Median AVG(k) von Werten der potentiellen Ziel-Betriebsparameter PTBP(k,l) über 1=1,..., L gebildet. Auf diese Weise kann ein jeweiliger Trainingsdatensatz TD als Paar von einem ersten und einem zweiten Betriebsdatensatz generiert werden gemäß In method section S6, a respective producer operation record GBP (k), an average or median AVG (k) of values of the potential target operating parameters PTBP (k, l) is formed over 1 = 1, ..., L. In this way, a respective training data set TD may be generated as a pair of a first and a second operational data set according to FIG
TD (k) = (GBP (k) , AVG (k) ) . TD (k) = (GBP (k), AVG (k)).
Durch die generierten Trainingsdatensätze TD kann das neuro¬ nale Netz NN zusätzlich und stochastisch konsistent trainiert und so die Steuereinrichtung CTL und damit das technische System TS in vorteilhafter Weise konfiguriert werden. By the generated sets of training data TD, the neuro ¬ dimensional network NN may additionally and stochastic consistent training and so the controller CTL and the technical system TS are configured in an advantageous manner.
Figur 4 zeigt in schematischer Darstellung einen erfindungsgemäßen Trainingsdatengenerator TG in einer Einstellphase beim Ermitteln der univariaten Verteilungsfunktionen Fli und F2 sowie der Copula-Verteilungsfunktionen EC und MC. Insofern in Figur 4 die gleichen Bezugszeichen wie in den vorangegangenen Figurenbeschreibungen verwendet werden, bezeichnen diese Bezugszeichen die gleichen Entitäten, die wie oben beschrieben implementiert oder realisiert sein können. Der Trainingsdatengenerator TG kann über einen oder mehrere eigene Prozessoren zum Ausführen der Verfahrensschritte des Trainingsdatengenerators TG sowie einen oder mehrere mit dem Prozessor gekoppelte Speicher zum Speichern der vom Trainingsdatengenerator TG zu verarbeitenden Daten verfügen. FIG. 4 shows a schematic representation of a training data generator TG according to the invention in a setting phase when determining the univariate distribution functions Fli and F2 as well as the copula distribution functions EC and MC. Insofar as the same reference numerals are used in Figure 4 as in the preceding figure descriptions, these reference numerals designate the same entities that may be implemented or implemented as described above. The training data generator TG can have one or more dedicated processors for executing the method steps of the training data generator TG and one or more with the Processor coupled memory for storing the data to be processed by the training data generator TG.
Der Trainingsdatengenerator TG empfängt vom technischen Sys- tem TS eine zeitliche Abfolge von Betriebsparametern in Form von Betriebsdatensätzen BP, die fortlaufend erfasst und verarbeitet werden. Die Abfolge der Betriebsdatensätze BP wird einem Selektionsmodul SEL des Trainingsdatengenerators TG zu¬ geführt. Das Selektionsmodul SEL dient zum Selektieren einer zeitlichen Abfolge von Eingabe-Betriebsdatensätzen IBPi(t), i=l,...,n-l sowie einer zeitlichen Abfolge von Ziel- Betriebsparametern PBT (t) aus der Abfolge der Betriebsdatensätze BP. Ein Ziel-Betriebsparameter TBP(t) und ein Eingabe- Betriebsdatenvektor IBPi(t) sind, wie oben beschrieben, auf einen gleichen jeweiligen Zeitpunkt t bezogen und hinsichtlich einer Wirkungsdynamik des technischen Systems TS miteinander korreliert. The training data generator TG receives from the technical system TS a time sequence of operating parameters in the form of operating data sets BP, which are continuously recorded and processed. The sequence of operating data records BP is fed to a selection module SEL of the training data generator TG. The selection module SEL is used to select a time sequence of input operating data sets IBPi (t), i = 1,..., Nl and a time sequence of target operating parameters PBT (t) from the sequence of operating data sets BP. A target operating parameter TBP (t) and an input operating data vector IBPi (t) are, as described above, related to a respective respective time t and correlated with respect to an impact dynamics of the technical system TS.
Anhand der Eingabe-Betriebsdatensätze IBPi(t) und der Ziel- Betriebsparameter TBP(t) werden die ersten komponentenspezifischen univariaten Verteilungsfunktionen Fli der Eingabe- Betriebsdatensätze IBPi(t) sowie die zweite komponentenspezi¬ fische univariate Verteilungsfunktion F2 der Ziel-Betriebs¬ parameter TBP(t) ermittelt. Durch die ermittelten ersten univariaten Verteilungsfunktionen Fli wird jeweils eine komponentenspezifische Transformation der zugehörigen Komponente der Eingabe-Betriebsdatensätze IBPi(t) durchgeführt. Entspre¬ chend werden die Ziel-Betriebsparameter TBP(t) durch die ermittelte zweite univariate Verteilungsfunktion F2 transfor- miert. Aus den transformierten Werten wird eine zeitliche Ab¬ folge von jeweils n-dimensionalen empirischen Korrelations- vektoren abgeleitet gemäß Based on the input operation data sets IBPI (t) and the target operating parameters TBP (t), the first component-specific univariate distribution functions Fli of the input operational records IBPI (t) and the second komponentenspezi ¬ fish univariate distribution function F2 of the target operation ¬ parameter TBP ( t). By the determined first univariate distribution functions Fli, in each case a component-specific transformation of the associated component of the input operation data sets IBPi (t) is carried out. The target operating parameters TBP (t) by the determined second univariate distribution function F2 are Entspre ¬ accordingly transformer mized. From the transformed values, a time interval of n-dimensional empirical correlation vectors is derived according to
EKV(t) = (F2 (TBP(t) ) , Fli(IBPi(t) ) Fln_i (IBPn_i (t) ) ) . Aus den empirischen Korrelationsvektoren EKV(t) wird wie oben beschrieben, die empirische n-dimensionale Copula- Verteilungsfunktion EC der empirischen Korrelationsvektoren EKV(t) ermittelt. Aus der ermittelten empirischen n- dimensionalen Copula-Verteilungsfunktion EC wird die n- dimensionale Copula-Modellfunktion MC abgeleitet und als nu¬ merische n-dimensionale Copula-Verteilungsfunktion bereitge¬ stellt . EKV (t) = (F2 (TBP (t)), Fli (IBPI (t)) Fl n _i (IBP _i n (t))). From the empirical correlation vectors EKV (t), as described above, the empirical n-dimensional copula distribution function EC of the empirical correlation vectors EKV (t) is determined. From the determined empirical copula dimensional distribution function is derived EC, the n-dimensional copula model function as MC and nu ¬ meric n-dimensional copula distribution function bereitge ¬ represents.
Figur 5 zeigt in schematischer Darstellung den erfindungsgemäßen Trainingsdatengenerator TG in einer Generierungsphase beim Generieren von Trainingsdatensätzen TD zum Trainieren eines neuronalen Netzes NN. In dieser Phase sind die in der Einstellphase ermittelten univariaten Verteilungsfunktionen Fli und F2 sowie die n-dimensionale Copula-Verteilungs- funktion MC bereits verfügbar. Insofern in Figur 5 die gleichen Bezugszeichen wie in den vorangegangenen Figurenbeschreibungen verwendet werden, bezeichnen diese Bezugszeichen die gleichen Entitäten, die wie oben beschrieben implementiert oder realisiert sein können. FIG. 5 shows a schematic representation of the training data generator TG according to the invention in a generation phase when generating training data sets TD for training a neural network NN. In this phase, the univariate distribution functions Fli and F2 determined in the adjustment phase as well as the n-dimensional copula distribution function MC are already available. Insofar as the same reference numerals are used in Figure 5 as in the preceding figure descriptions, these reference numerals designate the same entities that may be implemented or implemented as described above.
Der Trainingsdatengenerator TG empfängt vom technischen System TS eine zeitliche Abfolge von Betriebsparametern des technischen Systems TS in Form von Betriebsdatensätzen BP. Anhand der Betriebsdatensätze BP werden, wie oben beschrie¬ ben, Bereiche von Betriebszuständen des technischen Systems TS detektiert, für die eine Abdeckung mit Trainingsdaten verbessert werden soll. The training data generator TG receives from the technical system TS a time sequence of operating parameters of the technical system TS in the form of operating data records BP. As described above, areas of operating states of the technical system TS for which coverage with training data should be improved are detected on the basis of the operating data sets BP.
Anhand dieser detektierten Bereiche generiert ein erster Generator GENl des Trainingsdatengenerators TG eine Vielzahl K von Eingabe-Betriebsdatensätzen für das neuronale Netz NN als Erzeuger-Betriebsdatensätze GBP(k), k=l,...,K wie oben be- schrieben. Deren Vektorkomponenten GBPi(k), i=l,...,n-l werden vom ersten Generator GENl zu einem zweiten Generator GEN2 des Trainingsdatengenerators TG übermittelt. Dort werden die Vek¬ torkomponenten GBPi(k) komponentenweise jeweils durch die zu¬ gehörige erste univariate Verteilungsfunktion Fli transfor- miert. Weiterhin wird durch den zweiten Generator GEN2 für einen jeweiligen Erzeuger-Betriebsdatensatz GBP(k) eine Vielzahl L von im Wertebereich der ermittelten zweiten Based on these detected ranges, a first generator GEN1 of the training data generator TG generates a plurality K of input operation records for the neural network NN as generator operation records GBP (k), k = 1, ..., K as described above. Their vector components GBPi (k), i = 1,..., Nl are transmitted from the first generator GEN1 to a second generator GEN2 of the training data generator TG. There the Vek ¬ door components GBPi (k) mized component-wise transformation to each by the associated first ¬ univariate distribution function Fli. Furthermore, by the second generator GEN2 for a respective generator operation record GBP (k), a plurality L of in the value range of the determined second
univariaten Verteilungsfunktion F2 zufallsverteilten, vor- zugsweise gleichverteilten Samplingwerten SW(1), 1=1, ...,L generiert. Damit wird durch den zweiten Generator GEN2 eine Vielzahl von n-dimensionalen potentiellen Korrelationsvektoren gebildet, gemäß univariate distribution function F2 randomly distributed, preferably evenly distributed sampling values SW (1), 1 = 1, ..., L are generated. Thus, a multiplicity of n-dimensional potential correlation vectors are formed by the second generator GEN2, in accordance with FIG
PKV(k,l) = (SW(l),Fli(GBP1(k)),...,Flri_1(GBPn_1(k))) für k=l,...,K und 1=1, ...,L. PKV (k, l) = (SW (1), Fl i (GBP 1 (k)), ..., Fli _ 1 (GBP n _ 1 (k))) for k = 1, ..., K and 1 = 1, ..., L.
Die Vielzahl der potentiellen Korrelationsvektoren PKV(k,l) wird vom zweiten Generator GEN2 der in der Einstellphase er- mittelten numerischen n-dimensionalen Copula-Verteilungs- funktion MC zugeführt, d.h. die Copula-Verteilungsfunktion MC wird mit den PKV(k,l) als Argument aufgerufen. The multiplicity of potential correlation vectors PKV (k, l) are supplied by the second generator GEN2 to the numerical n-dimensional copula distribution function MC determined in the adjustment phase, i. the copula distribution function MC is called with the PKV (k, l) as an argument.
Die Rückgabewerte MC(PKV(k,l)) werden der zur zweiten The return values MC (PKV (k, l)) become the second
univariaten Verteilungsfunktion F2 inversen Funktion F2_1 zugeführt und durch diese transformiert, um eine Vielzahl von potentiellen Ziel-Betriebsparametern zu erhalten gemäß univariate distribution function F2 inverse function F2 _1 and transformed by it to obtain a plurality of potential target operating parameters according to
PTBP(k,l) = F2"1 (MC (PKV (k, 1) ) ) für k=l,...,K und 1=1, ...,L. Die potentiellen Ziel-Betriebsparameter PTBP werden zu einem Auswertemodul AW des Trainingsdatengenerators TG übermittelt. Darüber hinaus werden die Erzeuger-Betriebsdatensätze GBPi(k) vom ersten Generator GEN1 zum Auswertemodul AW übertragen. Das Auswertemodul AW ermittelt zu einem jeweiligen k, d.h. zu einem jeweiligen Erzeuger-Betriebsdatensatz GBP(k) einen Mittelwert oder Median AVG(k) von Werten der potentiellen Ziel- Betriebsparameter PTBP(k,l) über 1=1, ...,L. Mit den Resultaten wird eine Vielzahl von Trainingsdatensätzen TD(k), jeweils als Paar von einem ersten und zweiten Betriebsdatensatz gene- riert gemäß TD ( k) = (GBP ( k) , AVG ( k) ) . PTBP (k, 1) = F2 "1 (MC (PKV (k, 1))) for k = 1, ..., K and 1 = 1, ..., L. The potential target operating parameters PTBP become In addition, the generator operation data sets GBPi (k) are transmitted from the first generator GEN1 to the evaluation module AW. The evaluation module AW determines an average value for a respective k, ie, to a respective generator operation record GBP (k) or Median AVG (k) of values of the potential target operating parameters PTBP (k, l) over 1 = 1, ..., L The results produce a plurality of training data sets TD (k), respectively as a pair of first and second second operation data set generated according to TD (k) = (GBP (k), AVG (k)).
Die generierten, synthetischen Trainingsdatensätze TD(k) werden vom Auswertemodul AW zum Trainieren des neuronalen Netzes NN und damit zum Konfigurieren der Steuereinrichtung CTL und des technischen Systems TS ausgegeben. The generated, synthetic training data sets TD (k) are output by the evaluation module AW for training the neural network NN and thus for configuring the control device CTL and the technical system TS.
Wie oben bereits erwähnt, können durch das erfindungsgemäße Verfahren stochastische Eigenschaften, intrinsische Abhängig- keiten und dynamische Korrelationen der Betriebsparameter mit geringem Aufwand auf die generierten Trainingsdatensätze TD realistisch, repräsentativ und konsistent abgebildet werden. Durch die zusätzlichen Trainingsdatensätze TD kann ein Trai¬ ningserfolg des neuronalen Netzes NN signifikant verbessert bzw. ein Trainingsaufwand signifikant verringert werden. As already mentioned above, stochastic properties, intrinsic dependency, can be achieved by the method according to the invention. and dynamic correlations of the operating parameters with little effort on the generated training data sets TD realistic, representative and consistent mapped. The additional training data sets TD a Trai ¬ beginnings performance of the neural network NN is significantly improved and a training effort can be significantly reduced.
Die Einstellphase sowie die Trainingsphase, Generierungsphase bzw. Konfigurationsphase können auch zumindest teilweise pa¬ rallel ablaufen. Dabei kann das neuronale Netz NN fortlaufend anhand neu erfasster Betriebsdatensätze weiter trainiert wer¬ den und/oder die Verteilungsfunktionen Fli, F2, EC und/oder MC fortlaufend an die erfassten Betriebsdatensätze angepasst werden. Währenddessen kann auch bereits das technische System TS mittels eines teilweise trainierten neuronalen Netzes NN gesteuert werden. The adjustment phase and the training phase, generation phase or configuration phase can also at least partially run pa rallel ¬. In this case, the neural network NN can continue to be trained on the basis of newly acquired operating data sets, and / or the distribution functions Fli, F2, EC and / or MC can be continuously adapted to the recorded operating data sets. Meanwhile, already the technical system TS can be controlled by means of a partially trained neural network NN.

Claims

Patentansprüche claims
1. Verfahren zum rechnergestützten Konfigurieren eines technischen Systems (TS) anhand von Trainingsdaten (TD) , wobei a) eine Vielzahl von ersten und zweiten Betriebsdatensätzen des technischen Systems (TS) erfasst werden, wobei ein je¬ weiliger erster Betriebsdatensatz (IBP) einem jeweiligen zweiten Betriebsdatensatz (TBP) zugeordnet und mit diesem dynamisch korreliert ist, 1. A method for computer-aided configuration of a technical system (TS) based on training data (TD), wherein a) a plurality of first and second operational data sets of the technical system (TS) are detected, wherein a respective ¬ first operating data set (IBP) a respective associated with and correlated dynamically with the second operational data set (TBP),
b) aus einem jeweiligen ersten Betriebsdatensatz (IBP) und dem jeweils zugeordneten zweiten Betriebsdatensatz (TBP) ein jeweiliger empirischer n-dimensionaler Korrelationsvektor (EKV) mit n>=2 abgeleitet wird, b) a respective empirical n-dimensional correlation vector (EKV) with n> = 2 is derived from a respective first operating data record (IBP) and the respectively assigned second operating data record (TBP),
d) eine empirische n-dimensionale Verteilungsfunktion (EC) der empirischen Korrelationsvektoren (EKV) ermittelt wird, e) ein erster Betriebsdatensatz als Erzeuger- Betriebsdatensatz (GBP) eingelesen wird, d) an empirical n-dimensional distribution function (EC) of the empirical correlation vectors (EKV) is determined, e) a first operating data record is read in as the producer operating record (GBP),
f) für den Erzeuger-Betriebsdatensatz (GBP) eine Vielzahl von potentiellen n-dimensionalen Korrelationsvektoren (PKV) generiert wird, f) generating a plurality of potential n-dimensional correlation vectors (PKV) for the producer operation record (GBP),
g) anhand der n-dimensionalen Verteilungsfunktion für die potentiellen Korrelationsvektoren (PKV) jeweils ein potentieller zweiter Betriebsdatensatz (PTBP) generiert wird, und h) anhand des Erzeuger-Betriebsdatensatzes (GBP) und der po- tentiellen zweiten Betriebsdatensätze (PTBP) ein oder mehrere Trainingsdatensätze (TD) generiert und zum Konfigu¬ rieren des technischen Systems (TS) ausgegeben werden. g) one potential second operating data set (PTBP) is generated on the basis of the n-dimensional distribution function for the potential correlation vectors (PKV), and h) one or more based on the producer operating data set (GBP) and the potential second operating data sets (PTBP) generates training data sets (TD) and Configu ¬ Center of the technical system (TS) are output.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das technische System (TS) eine Gasturbine, eine Wind¬ turbine, ein Solarkraftwerk, eine Verbrennungskraftmaschine, eine Fertigungsanlage oder ein Stromnetz umfasst. 2. The method according to claim 1, characterized in that the technical system (TS) comprises a gas turbine, a wind turbine ¬ , a solar power plant, an internal combustion engine, a manufacturing plant or a power grid.
3. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, 3. The method according to any one of the preceding claims, characterized
dass beim Konfigurieren des technischen Systems (TS) ein trainierbares Rechenmodul (NN) zum Steuern des technischen Systems (TS) anhand der generierten Trainingsdatensätze (TD) trainiert wird. that when configuring the technical system (TS) an trainable computing module (NN) for controlling the technical Systems (TS) based on the generated training records (TD) is trained.
4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass ein jeweiliger erster Betriebsdatensatz (IBP) ein Eingabe-Betriebsdatensatz für das trainierbare Rechenmodul (NN) und ein jeweiliger zweiter Betriebsdatensatz (TBP) ein Ziel- Betriebsparameter für das trainierbare Rechenmodul (NN) ist. 4. The method according to claim 3, characterized in that a respective first operating data record (IBP) is an input operating data record for the trainable computing module (NN) and a respective second operating data record (TBP) is a target operating parameter for the trainable computing module (NN).
5. Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass ein jeweiliger erster Betriebsdatensatz (IBP) ein Ziel- Betriebsparameter für das trainierbare Rechenmodul (NN) und ein jeweiliger zweiter Betriebsdatensatz (TBP) ein Eingabe- Betriebsdatensatz für das trainierbare Rechenmodul (NN) ist. 5. The method according to claim 3, characterized in that a respective first operating data record (IBP) is a target operating parameter for the trainable computing module (NN) and a respective second operating data record (TBP) is an input operating data record for the trainable computing module (NN).
6. Verfahren nach einem der Ansprüche 3 bis 5, dadurch gekennzeichnet, 6. The method according to any one of claims 3 to 5, characterized
dass das trainierbare Rechenmodul (NN) ein künstliches neuro¬ nales Netz, ein rekurrentes neuronales Netz, ein faltendes neuronales Netz, einen Autoencoder, eine Deep-Learning-that the trainable computing module (NN) an artificial neuro ¬ dimensional network, a recurrent neural network, a folding neural network, a car encoder, a Deep-learning
Architektur, eine Support-Vector-Machine, ein datengetriebe¬ nes trainierbares Regressionsmodell, einen k-nächste- Nachbarn-Klassifikator, ein physikalisches Modell und/oder einen Entscheidungsbaum umfasst. Architecture, a support vector machine, a data gear ¬ trainable trainable regression model, a k-nearest neighbor classifier, a physical model and / or a decision tree includes.
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, 7. The method according to any one of the preceding claims, characterized
dass für den Erzeuger-Betriebsdatensatz (GBP) eine Vielzahl von zufallsverteilten Datensätzen (SW) generiert wird, dass ein jeweiliger potentieller Korrelationsvektor (PKV) anhand des Erzeuger-Betriebsdatensatzes (GBP) und eines jewei¬ ligen zufallsverteilten Datensatzes (SW) gebildet wird. that for the producer operating data set (GBP) a plurality of randomly distributed data sets (SW) is generated, that a respective potential correlation vector (PKV) from the producer operating data set (GBP) and a jewei ¬ then randomized data set (SW) is formed.
8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, 8. The method according to any one of the preceding claims, characterized
dass ein Bereich von Betriebszuständen des technischen Systems (TS) detektiert wird, der durch die ersten Betriebsda¬ tensätze (IBP) nur spärlich abgedeckt wird, oder der beobach- tete Extremwerte der zweiten Betriebsdatensätze (TBP) enthält und/oder an diese angrenzt, und that a range of operating states of the technical system (TS) which is covered only by the first sparse OPERATING ¬ data sets (IBP) is detected, or the observed contains and / or adjacent extreme values of the second operational data sets (TBP), and
dass für den detektierten Bereich eine Vielzahl von Erzeuger- Betriebsdatensätzen (GBP) generiert wird, für die jeweils die Verfahrensschritte e) bis h) ausgeführt werden. a multiplicity of generator operating data sets (GBP) is generated for the detected area, for which process steps e) to h) are carried out in each case.
9. Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass ein jeweiliger Erzeuger-Betriebsdatensatz (GBP) abhängig von einem Zufallsprozess erzeugt wird. A method according to claim 8, characterized in that a respective producer operation record (GBP) is generated depending on a random process.
10. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, 10. The method according to any one of the preceding claims, characterized
dass anhand der empirischen n-dimensionalen Verteilungsfunktion (EC) eine diese approximierende numerische n- dimensionale Verteilungsfunktion (MC) bereitgestellt wird, dass die potentiellen Korrelationsvektoren (PKV) jeweils der numerischen n-dimensionalen Verteilungsfunktion (MC) zugeführt werden, und that an approximate numerical n-dimensional distribution function (MC) is provided on the basis of the empirical n-dimensional distribution function (EC), that the potential correlation vectors (PKV) are respectively fed to the numerical n-dimensional distribution function (MC), and
dass aus einem jeweiligen Rückgabewert (MC (PKV)) der numeri- sehen n-dimensionalen Verteilungsfunktion (MC) ein jeweiliger potentieller zweiter Betriebsdatensatz (PTBP) abgeleitet wird . a respective potential second operating data record (PTBP) is derived from a respective return value (MC (PKV)) of the numerical n-dimensional distribution function (MC).
11. Verfahren nach einem der vorhergehenden Ansprüche, da- durch gekennzeichnet, 11. The method according to any one of the preceding claims, characterized
dass als empirische n-dimensionale Verteilungsfunktion (EC) eine empirische n-dimensionale Copula-Verteilungsfunktion ermittelt wird. that an empirical n-dimensional copula distribution function is determined as an empirical n-dimensional distribution function (EC).
12. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, 12. The method according to any one of the preceding claims, characterized
dass eine n-dimensionale Copula-Modellfunktion (MC) durch Pa- rameterfitting an die empirische n-dimensionale Verteilungs¬ funktion (EC) angepasst und als numerische n-dimensionale Verteilungsfunktion bereitgestellt wird. that an n-dimensional copula model function (MC) by patent rameterfitting is adapted to the empirical n-dimensional distribution function ¬ (EC) and provided as a numeric n-dimensional distribution function.
13. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass für eine jeweilige Komponente (IBPi) der ersten Be¬ triebsdatensätze (IBP) eine jeweilige erste komponentenspezi¬ fische univariate Verteilungsfunktion (Fli) von Werten dieser Komponente ermittelt wird, 13. The method according to any one of the preceding claims, characterized that for a respective component (IBPI) of the first Be ¬ operating data sets (IBP) a respective first komponentenspezi ¬ fish univariate distribution function (Fli) is determined from values of this component,
dass für eine jeweilige Komponente der zweiten Betriebsdaten¬ sätze (TBP) eine jeweilige zweite komponentenspezifische univariate Verteilungsfunktion (F2) von Werten dieser Komponente ermittelt wird, und that for a respective component of the second operation data sets ¬ (TBP) a respective second component-specific univariate distribution function (F2) of values of this component is determined, and
dass die empirischen n-dimensionalen Korrelationsvektoren (EKV) jeweils aus that the empirical n-dimensional correlation vectors (EKV) respectively
einem komponentenweise anhand der mindestens einen ersten univariaten Verteilungsfunktion (Fli) transformierten ersten Betriebsdatensatz (IBP) und a component by component based on the at least one first univariate distribution function (Fli) transformed first operating record (IBP) and
einem komponentenweise anhand der mindestens einen zweiten univariaten Verteilungsfunktion (F2) transformierten zweiten Betriebsdatensatz (TBP) gebildet werden. a component-wise based on the at least one second univariate distribution function (F2) transformed second operating record (TBP) are formed.
14. Verfahren nach den Ansprüchen 10 und 13, dadurch gekennzeichnet, 14. Method according to claims 10 and 13, characterized
dass beim Generieren eines jeweiligen potentiellen zweiten Betriebsdatensatzes (PTBP) der jeweilige Rückgabewert in that, when generating a respective potential second operating data record (PTBP), the respective return value
(MC(PKV)) der numerischen n-dimensionalen Verteilungsfunktion (MC) durch eine zu einer zweiten univariaten Verteilungsfunktion (F2) inversen Funktion (F2_1) transformiert wird. (MC (PKV)) of the numerical n-dimensional distribution function (MC) is transformed by an inverse function (F2 _1 ) to a second univariate distribution function (F2).
15. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, 15. The method according to any one of the preceding claims, characterized
dass beim Generieren der Trainingsdatensätze (TD) ein Mittel¬ wert und/oder ein Median (AVG) von Werten der potentiellen zweiten Betriebsdatensätze (PTBP) gebildet wird. that while generating the sets of training data (TD) means ¬ value and / or a median (AVG) of values of the potential second operational records (PTBP) is formed.
16. Trainingsdatengenerator (TG) zum rechnergestützten Konfigurieren eines technischen Systems (TS) , eingerichtet zum Ausführen eines Verfahrens nach einem der Ansprüche 1 bis 15. 16 training data generator (TG) for the computer-aided configuration of a technical system (TS), adapted for carrying out a method according to one of claims 1 to 15.
17. Steuereinrichtung (CTL) zum rechnergestützten Steuern eines technischen Systems (TS) , mit einem trainierbaren Rechenmodul (NN) zum Steuern des technischen Systems (TS) und 17. Control device (CTL) for the computerized control of a technical system (TS), with a trainable computing module (NN) for controlling the technical system (TS) and
einem Trainingsdatengenerator (TG) nach Anspruch 16 zum Trainieren des trainierbaren Rechenmoduls (NN) anhand der gene¬ rierten Trainingsdatensätze (TD) . a training data generator (TG) according to claim 16 for training the trainable computing module (NN) based on the gene ¬ oriented training records (TD).
18. Computerprogrammprodukt eingerichtet zum Ausführen eines Verfahrens nach einem der Ansprüche 1 bis 15. 18. Computer program product configured for carrying out a method according to one of claims 1 to 15.
19. Computerlesbares Speichermedium mit einem Computerpro¬ grammprodukt nach Anspruch 18. 19. A computer-readable storage medium having a Computerpro ¬ program product according to claim 18th
PCT/EP2018/073806 2017-09-20 2018-09-05 Method and training data generator for configuring a technical system, and control device for controlling the technical system WO2019057489A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102017216634.7 2017-09-20
DE102017216634.7A DE102017216634A1 (en) 2017-09-20 2017-09-20 Method and training data generator for configuring a technical system and control device for controlling the technical system

Publications (1)

Publication Number Publication Date
WO2019057489A1 true WO2019057489A1 (en) 2019-03-28

Family

ID=63557440

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2018/073806 WO2019057489A1 (en) 2017-09-20 2018-09-05 Method and training data generator for configuring a technical system, and control device for controlling the technical system

Country Status (2)

Country Link
DE (1) DE102017216634A1 (en)
WO (1) WO2019057489A1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110414629A (en) * 2019-08-09 2019-11-05 武汉烽火普天信息技术有限公司 A kind of deep neural network method based on the optimization of copula initial value
CN115510440A (en) * 2022-09-21 2022-12-23 中国工程物理研究院计算机应用研究所 Black box model inversion attack method and system based on NES algorithm

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3839666B1 (en) * 2019-12-18 2023-10-11 Siemens Aktiengesellschaft Control system for controlling a technical system and method for configuring the control device
EP4050430A1 (en) * 2021-02-24 2022-08-31 Siemens Aktiengesellschaft Control system for controlling a technical system and method for configuring the control device

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050043921A1 (en) * 2003-08-18 2005-02-24 Dehao Zhu Neural network model for electric submersible pump system
DE102010011221A1 (en) * 2010-03-12 2011-09-15 Siemens Aktiengesellschaft Method for computer-aided control and / or regulation of a technical system
DE102014212747A1 (en) * 2014-07-01 2016-01-07 Siemens Aktiengesellschaft Interactive assistance system and method for computer-aided control optimization for a technical system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050043921A1 (en) * 2003-08-18 2005-02-24 Dehao Zhu Neural network model for electric submersible pump system
DE102010011221A1 (en) * 2010-03-12 2011-09-15 Siemens Aktiengesellschaft Method for computer-aided control and / or regulation of a technical system
DE102014212747A1 (en) * 2014-07-01 2016-01-07 Siemens Aktiengesellschaft Interactive assistance system and method for computer-aided control optimization for a technical system

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
PATRICK MAIR ET AL: "Generating Nonnormal Multivariate Data Using Copulas: Applications to SEM", MULTIVARIATE BEHAVIORAL RESEARCH, vol. 47, no. 4, 1 July 2012 (2012-07-01), pages 547 - 565, XP055523902, ISSN: 0027-3171, DOI: 10.1080/00273171.2012.692629 *
ROBNIK-SIKONJA MARKO: "Data Generators for Learning Systems Based on RBF Networks", IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS, IEEE, PISCATAWAY, NJ, USA, vol. 27, no. 5, 1 May 2016 (2016-05-01), pages 926 - 938, XP011606652, ISSN: 2162-237X, [retrieved on 20160415], DOI: 10.1109/TNNLS.2015.2429711 *
TAMIRU ALEMU LEMMA ET AL: "Use of fuzzy systems and bat algorithm for exergy modeling in a gas turbine generator", HUMANITIES, SCIENCE AND ENGINEERING (CHUSER), 2011 IEEE COLLOQUIUM ON, IEEE, 5 December 2011 (2011-12-05), pages 305 - 310, XP032125942, ISBN: 978-1-4673-0021-6, DOI: 10.1109/CHUSER.2011.6163739 *
WENLI YANG ET AL: "An optimal reference governor with a neural network combined model for hybrid Fuel-Cell/Gas-Turbine", 2010 IEEE POWER AND ENERGY SOCIETY GENERAL MEETING : [IEEE PES-GM 2010] ; MINNEAPOLIS, MINNESOTA, USA, 25 - 29 JULY 2010, IEEE, PISCATAWAY, NJ, USA, 25 July 2010 (2010-07-25), pages 1 - 6, XP031986024, ISBN: 978-1-4244-6549-1, DOI: 10.1109/PES.2010.5590197 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110414629A (en) * 2019-08-09 2019-11-05 武汉烽火普天信息技术有限公司 A kind of deep neural network method based on the optimization of copula initial value
CN110414629B (en) * 2019-08-09 2023-12-08 武汉烽火普天信息技术有限公司 Deep neural network method based on copula initial value optimization
CN115510440A (en) * 2022-09-21 2022-12-23 中国工程物理研究院计算机应用研究所 Black box model inversion attack method and system based on NES algorithm
CN115510440B (en) * 2022-09-21 2023-09-08 中国工程物理研究院计算机应用研究所 Black box model inversion attack method and system based on NES algorithm

Also Published As

Publication number Publication date
DE102017216634A1 (en) 2019-03-21

Similar Documents

Publication Publication Date Title
WO2019057489A1 (en) Method and training data generator for configuring a technical system, and control device for controlling the technical system
DE102016008987B4 (en) Machine learning method and machine learning apparatus for learning failure conditions, and failure prediction apparatus and failure prediction system including the machine learning apparatus
DE102019126310B4 (en) System and method for optimizing combustion of a boiler
EP2108139B1 (en) Method for the computer-aided control and/or regulation of a technical system, particularly a gas turbine
EP3432091A1 (en) Method and control device for controlling a technical system
DE102017205713A1 (en) Method and control device for controlling a technical system
DE102008020379A1 (en) Method for computer-aided control and / or regulation of a technical system
EP3588211A1 (en) Control system for controlling a technical system and method for configuring the control device
EP2880499B1 (en) Method for controlling and/or regulating a technical system in a computer-assisted manner
DE102014207683A1 (en) Method and device for creating a data-based function model
EP3940596A1 (en) Method for configuring a control agent for a technical system and control device
WO2005081076A2 (en) Method for the prognosis of the state of a combustion chamber using a recurrent, neuronal network
WO2021204983A1 (en) Control device for controlling a technical system, and method for configuring the control device
DE102016124205A1 (en) Computer-implemented process for optimizing a manufacturing process
WO2023072528A1 (en) Method and control device for controlling a technical system
DE102019126293A1 (en) System and method for regulating the operation of a boiler
EP4050430A1 (en) Control system for controlling a technical system and method for configuring the control device
EP4036663A1 (en) Control system for controlling a technical system and method for configuring the control device
EP3839666B1 (en) Control system for controlling a technical system and method for configuring the control device
EP4016202B1 (en) Method for reproducing noise components of lossy recorded operating signals and control device
EP3904972B1 (en) Method and control device for controlling a technical system
DE102019123447B4 (en) Method for operating vehicle components
EP4314969A1 (en) Method and system for controlling a production system
EP4198782A1 (en) Method for preventing the use of machine learning modules and prevention system
WO2023160952A1 (en) Method for controlling a machine by means of a learning-based control agent, and controller

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18769110

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18769110

Country of ref document: EP

Kind code of ref document: A1