用于在計算機支持下生成技術系統(tǒng)尤其燃氣輪機或風力輪機的數(shù)據(jù)驅(qū)動的模型的方法
【專利摘要】本發(fā)明涉及一種用于在計算機支持下生成技術系統(tǒng)尤其燃氣輪機或風力輪機的數(shù)據(jù)驅(qū)動的模型（NM）的方法。按本發(fā)明的方法的特征在于，數(shù)據(jù)驅(qū)動的模型優(yōu)選在訓練數(shù)據(jù)的一些存在很小的數(shù)據(jù)密度的區(qū)域中被學習。以此方式確保了，數(shù)據(jù)驅(qū)動的模型針對訓練數(shù)據(jù)的與信息相關的區(qū)域被生成。用按本發(fā)明的方法生成的數(shù)據(jù)驅(qū)動的模型在一種特別優(yōu)選的實施形式中被用來計算用于技術系統(tǒng)的合適的控制模型和/或調(diào)節(jié)模型和/或監(jiān)督模型。通過確定優(yōu)化標準，例如燃氣輪機的很少的有害物質(zhì)排放或很小的燃燒動態(tài)，可以因此在運行中延長技術系統(tǒng)的使用周明。用按本發(fā)明的方法生成的數(shù)據(jù)驅(qū)動的模型此外還能被快速地以及用很少的計算資源確定，因為不是所有的訓練數(shù)據(jù)都被用來學習數(shù)據(jù)驅(qū)動的模型。
【專利說明】用于在計算機支持下生成技術系統(tǒng)尤其燃氣輪機或風カ輪機的數(shù)據(jù)驅(qū)動的模型的方法
【技術領域】
[0001]本發(fā)明涉及一種用于在計算機支持下生成技術系統(tǒng)尤其燃氣輪機或風カ輪機的數(shù)據(jù)驅(qū)動的模型的方法。
【背景技術】
[0002]為了技術系統(tǒng)的自動運行，可以使用數(shù)據(jù)驅(qū)動的模型，它們在表示技術系統(tǒng)的運行參數(shù)的相應的訓練數(shù)據(jù)的基礎上被學習。這種經(jīng)過學習的數(shù)據(jù)驅(qū)動的模型在此應當反映技術系統(tǒng)的特性以及可以緊接著用于建立起相應的技術系統(tǒng)的監(jiān)瞀模型和/或調(diào)節(jié)模型。這些監(jiān)瞀或調(diào)節(jié)模型然后可以在技術系統(tǒng)的真實運行中使用，以便在當前的運行參數(shù)的基礎上調(diào)整系統(tǒng)的相應的調(diào)整參數(shù)或自動化地確定技術系統(tǒng)的錯誤運行エ況。
[0003]數(shù)據(jù)驅(qū)動的模型用來學習的訓練數(shù)據(jù)，通常不是均勻地分布在技術系統(tǒng)的運行參數(shù)的狀態(tài)空間內(nèi)。在此，通常在技術系統(tǒng)的代表正常運行的運行區(qū)域中存在比運行的或用于技術系統(tǒng)的錯誤運行エ況的分界區(qū)域中更多的數(shù)據(jù)。這個問題尤其在控制燃氣輪機和風カ輪機時出現(xiàn)，它們?yōu)榱吮苊馐軗p而通常不在分界區(qū)域中運行。因此在燃氣輪機或風カ輪機的經(jīng)常頻繁使用的運行區(qū)域中存在極大量的可用訓練數(shù)據(jù)記錄，但它們的信息內(nèi)容卻大部分是冗余的。反之，針對極少啟動的運行模式則存在很少的數(shù)據(jù)。
[0004]因此針對用于數(shù)據(jù)驅(qū)動的模型的學習的訓練數(shù)據(jù)存在不同數(shù)據(jù)密度的區(qū)域。這些數(shù)據(jù)密度通常在選出相應的訓練數(shù)據(jù)和在此基礎上生成相應的技術系統(tǒng)的模型時不予考慮。這一點可能導致，在數(shù)據(jù)驅(qū)動的模型的基礎上被計算的相應的調(diào)節(jié)模型和監(jiān)瞀模型，在技術系統(tǒng)運行中發(fā)出錯誤的或未達最佳標準的調(diào)節(jié)行為或錯誤的警告。因此例如可能的是，在燃氣輪機或風カ輪機運行時出現(xiàn)的且在數(shù)據(jù)驅(qū)動的模型的訓練階段中沒有被包含的寒冷天氣事件，導致了錯誤警報的觸發(fā)。僅用針對典型的運行エ況的訓練數(shù)據(jù)學習的數(shù)據(jù)驅(qū)動的模型，同樣可能導致模型誤差提高，從而使基于此的調(diào)節(jié)模型或控制模型在技術系統(tǒng)的真實運行中無法最佳地調(diào)整相應的調(diào)整參數(shù)，例如所輸入的氣體的量或在燃氣輪機中前導向葉片的位置。這一點可能導致技術系統(tǒng)的功率或效率或使用壽命的變小。
[0005]傳統(tǒng)上，在生成技術系統(tǒng)的數(shù)據(jù)驅(qū)動的模型時，在清除異常測值或錯誤之后，或使用訓練數(shù)據(jù)的全部的數(shù)據(jù)記錄，或使用隨機選出的這些數(shù)據(jù)記錄。對所有訓練數(shù)據(jù)的考慮產(chǎn)生了極大的且始終不斷增長的訓練數(shù)據(jù)量，這會使相應的數(shù)據(jù)驅(qū)動的模型的生成變慢以及導致ー個或若干計算機的資源問題(例如缺少的主要存儲參數(shù))，用這些計算機生成了數(shù)據(jù)驅(qū)動的模型。對訓練數(shù)據(jù)記錄的隨機選出的簡單的限制雖然加速了數(shù)據(jù)驅(qū)動的模型的計算，但也提高了關于技術系統(tǒng)的相關信息丟失的風險。這個問題在代表技術系統(tǒng)的動態(tài)特性的數(shù)據(jù)驅(qū)動的模型中由此加劇，即，始終有定量的時間上關聯(lián)的數(shù)據(jù)記錄被共同在模型學習時考慮到。

【發(fā)明內(nèi)容】
[0006]本發(fā)明所要解決的技術問題是，創(chuàng)造一種用于在計算機支持下生成數(shù)據(jù)驅(qū)動的模型的方法，該方法用較小量的計算資源學習了技術系統(tǒng)的ー種良好的數(shù)據(jù)驅(qū)動的模型。
[0007]該技術問題通過獨立權利要求解決。本發(fā)明的擴展設計在從屬權利要求中限定。
[0008]按本發(fā)明的方法用于在計算機支持下生成技術系統(tǒng)的以及尤其是燃氣輪機或風力輪機的數(shù)據(jù)驅(qū)動的模型。數(shù)據(jù)驅(qū)動的模型優(yōu)選用于使用于技術系統(tǒng)內(nèi)的自動化的監(jiān)瞀和/或診斷和/或調(diào)節(jié)任務(MPC)并且在訓練數(shù)據(jù)的基礎上被建立，訓練數(shù)據(jù)包括多個數(shù)據(jù)記錄，這些數(shù)據(jù)記錄分別代表技術系統(tǒng)的多個運行參數(shù)。多個運行參數(shù)指的是測量參數(shù)以及可能時也指的是技術系統(tǒng)的調(diào)整參數(shù)。測量參數(shù)在此指的是這樣的參數(shù)，它們在技術系統(tǒng)的周邊環(huán)境旁或周邊環(huán)境內(nèi)通過合適的傳感器求出或從傳感器參數(shù)推導得出。調(diào)整參數(shù)是技術系統(tǒng)的這樣的運行參數(shù)，它們能被調(diào)整或改變，以便由此影響技術系統(tǒng)的運行。
[0009]按本發(fā)明的方法迭代地運行，其中，針對多個迭代步驟，數(shù)據(jù)驅(qū)動的模型和密度評估器分別借助來自訓練數(shù)據(jù)的數(shù)據(jù)記錄被學習。在迭代結(jié)束后被學習的數(shù)據(jù)驅(qū)動的模型然后是用按本發(fā)明的方法生成的數(shù)據(jù)驅(qū)動的模型。(被學習的)密度評估器為來自訓練數(shù)據(jù)的數(shù)據(jù)記錄發(fā)出了各一個置信度，各數(shù)據(jù)記錄與來自訓練數(shù)據(jù)的其它數(shù)據(jù)記錄的相似性越大，那么這個置信度就越高。數(shù)據(jù)記錄的相似性在一種優(yōu)選的實施形式中通過在由數(shù)據(jù)記錄代表的數(shù)據(jù)點的空間內(nèi)的相應的間隔程度說明。密度評估器在此通過其置信度說明，是否為了ー個相應的數(shù)據(jù)記錄而在數(shù)據(jù)空間內(nèi)存在高密度以及因此存在許多類似的按訓練數(shù)據(jù)的數(shù)據(jù)記錄?？梢杂脕韺崿F(xiàn)剛剛說明的密度評估器的方法，已被現(xiàn)有技術充分公開且因此不再詳細闡釋。在一種優(yōu)選的實施形式中，使用ー種方法作為密度評估器，該方法以神經(jīng)云(Neural Clouds)為基礎。在此優(yōu)選使用這樣ー種方法，其在文獻[I]中被說明。這個文獻的所有公開內(nèi)容通過引用而成為本應用的內(nèi)容。
[0010]在按本發(fā)明的方法中在迭代步驟中被學習的數(shù)據(jù)驅(qū)動的模型用于復制訓練數(shù)據(jù)的數(shù)據(jù)記錄。在此出現(xiàn)了模型誤差，該模型誤差表示在經(jīng)復制的數(shù)據(jù)記錄和按訓練數(shù)據(jù)的實際的數(shù)據(jù)記錄之間的差別。這種模型誤差在質(zhì)量很好的數(shù)據(jù)驅(qū)動的模型中應當盡可能小。數(shù)據(jù)驅(qū)動的模型在此尤其被這樣設計，使得訓練數(shù)據(jù)的各數(shù)據(jù)記錄的運行參數(shù)的第一部分是數(shù)據(jù)驅(qū)動的模型的輸入，反之，數(shù)據(jù)驅(qū)動的模型的輸出則是包含在各數(shù)據(jù)記錄中的運行參數(shù)的第二部分。模型誤差在這種情況下通過在經(jīng)由數(shù)據(jù)驅(qū)動的模型輸出的運行參數(shù)的第二部分和訓練數(shù)據(jù)的相應的數(shù)據(jù)記錄的運行參數(shù)的相應的第二部分之間的差別給定。[0011 ] 在按本發(fā)明的方法的框架內(nèi)，借助在各迭代步驟中被學習的密度評估器和數(shù)據(jù)驅(qū)動的模型，在接下來的迭代步驟中從用于學習的訓練數(shù)據(jù)中選出數(shù)據(jù)記錄或?qū)ζ浼訖嘁杂糜趯W習，其中，寧可從訓練數(shù)據(jù)中選出有低置信度和高模型誤差的數(shù)據(jù)記錄或?qū)ζ溥M行較高的加權。這就是說，寧可從訓練數(shù)據(jù)中選出在同樣的模型誤差下具有比另ー個數(shù)據(jù)記錄更低的置信度的數(shù)據(jù)記錄或?qū)υ摂?shù)據(jù)記錄進行比另ー個數(shù)據(jù)記錄更高的加權。同樣，優(yōu)選選出在相同的置信度時具有比另ー個數(shù)據(jù)記錄更高的模型誤差的數(shù)據(jù)記錄或?qū)ζ溥M行比另ー個數(shù)據(jù)記錄更高的加權。
[0012]本發(fā)明基于這樣的認識，S卩，當使用具有高度的“新鮮”的訓練數(shù)據(jù)時，也就是說，訓練數(shù)據(jù)的置信度很小且因此針對這些訓練數(shù)據(jù)存在不大類似的數(shù)據(jù)記錄時，那么就達到了技術系統(tǒng)的數(shù)據(jù)驅(qū)動的模型的一種特別有效的學習。同訓練數(shù)據(jù)的這樣ー些區(qū)域?qū)W習方法同樣是有益，對這些區(qū)域而言，模型仍然是有錯誤的，也就是說，對這些區(qū)域而言，還產(chǎn)生了很大的模型誤差。因此通過合適的相互關系的模型化達到了一種學習，該學習實現(xiàn)了技術系統(tǒng)的ー種良好的數(shù)據(jù)驅(qū)動的模型的計算有效的生成，其中，在所述相互關系中，在學習的新的迭代步驟中更為強烈地考慮到了有低置信度或高模型誤差的數(shù)據(jù)記錄。
[0013]用按本發(fā)明的方法可以恰當?shù)靥崛〕鲈诖罅坑柧殧?shù)據(jù)中存在的相互關系并且用于技術系統(tǒng)以及尤其是燃氣輪機或風カ輪機的特性的模型化。相應的技術系統(tǒng)的良好的模型化在此在訓練數(shù)據(jù)的數(shù)據(jù)記錄僅包含很少的運行參數(shù)或訓練數(shù)據(jù)的量在很少的數(shù)據(jù)記錄中分布時才被實現(xiàn)。在按本發(fā)明的方法中，僅利用重要的與信息相關的數(shù)據(jù)記錄或訓練數(shù)據(jù)的區(qū)域，因而可以快速且以很少的計算資源建立起相應的模型。此外，通過按本發(fā)明的方法優(yōu)化了所產(chǎn)生的數(shù)據(jù)驅(qū)動的模型的百分位數(shù)表現(xiàn)。當數(shù)據(jù)驅(qū)動的模型在技術系統(tǒng)的得到計算機支持的控制或監(jiān)瞀的框架內(nèi)被使用時，這一點然后就尤為有利。
[0014]按本發(fā)明的方法此外還具有這樣的優(yōu)勢，S卩，它提供一種經(jīng)學習的密度評估器，該密度評估器緊接著可以在計算技術系統(tǒng)的控制模型和/或調(diào)節(jié)模型或監(jiān)瞀模型時被集成。在此，使用在相應的控制模型或監(jiān)瞀模型中的密度評估器，提供了關于技術系統(tǒng)的當前的運行參數(shù)的表現(xiàn)カ的信息。相應的報告閾值或最大值尤其可以動態(tài)地與調(diào)整參數(shù)的改變相匹配。以此方式可以避免在技術系統(tǒng)以及尤其是燃氣輪機和風カ輪機的實時監(jiān)瞀時的錯誤警報。此外，所生成的數(shù)據(jù)驅(qū)動的模型的授權可以變得與技術系統(tǒng)的當前運行參數(shù)的相應的數(shù)據(jù)記錄的置信度以及因而數(shù)據(jù)密度相關，也就是說，僅在足夠的數(shù)據(jù)密度時，數(shù)據(jù)驅(qū)動的模型或技術系統(tǒng)的運行才被接受或繼續(xù)。以此方式可以避免在技術系統(tǒng)上的調(diào)整參數(shù)調(diào)整，其例如基于燃氣輪機的很大的燃燒動態(tài)而導致技術系統(tǒng)受損。
[0015]用通過按本發(fā)明的方法生成的數(shù)據(jù)驅(qū)動的模型也可以將技術系統(tǒng)的動態(tài)(也就是說與時間相關的)特性模型化。在這種情況下，數(shù)據(jù)記錄不僅包括在相同時間點上的運行參數(shù)，而且還包括對應數(shù)據(jù)驅(qū)動的模型的建筑結(jié)構在息息相關的時間點上的一系列運行參數(shù)。
[0016]用按本發(fā)明的方法優(yōu)選學習神經(jīng)網(wǎng)絡以及尤其是循環(huán)神經(jīng)網(wǎng)絡作為數(shù)據(jù)驅(qū)動的模型。用這種循環(huán)神經(jīng)網(wǎng)絡可以良好地在相應的訓練數(shù)據(jù)的基礎上復制技術系統(tǒng)的特性。神經(jīng)網(wǎng)絡的學習優(yōu)選通過ー種本身公知的誤差反向傳播方法(Error-Backpropagat ion-Verfahren)完成。在ー種特別優(yōu)選的實施形式中，使用在文獻DE 10 2010 011 221 Al中說明的網(wǎng)絡作為神經(jīng)網(wǎng)絡，其也被稱為馬爾可夫決策過程提取網(wǎng)絡(Marko v-Ent sche i dungsprozess-Extraktions-Netzwerk)。
[0017]按本發(fā)明的方法尤其良好地適用于燃氣輪機的模型化。燃氣輪機的被作為技術系統(tǒng)的運行參數(shù)在數(shù)據(jù)記錄中被考慮到的合適的測量參數(shù)，包括ー個或多個下列參數(shù):
-在環(huán)境中的溫度，燃氣輪機在該環(huán)境中運行；
-在環(huán)境中的空氣濕度，燃氣輪機在該環(huán)境中運行；
-在環(huán)境中的空氣壓力，燃氣輪機在該環(huán)境中運行；
-燃氣輪機的功率，尤其是按百分比算的功率值；
-燃氣輪機的燃料質(zhì)量；
-燃氣輪機的有害物質(zhì)排放，尤其是氮氧化物和/或一氧化碳的排放；
-燃氣輪機的一個或多個渦輪葉片的溫度；
-燃氣輪機的廢氣溫度； -燃氣輪機的燃燒動態(tài)。
[0018]燃燒動態(tài)的上述概念在此涉及在燃氣輪機內(nèi)用合適的傳感器檢測到的壓カ波動的振幅值。
[0019]相對于此，針對燃氣輪機，一個或多個下列調(diào)整參數(shù)被證實尤為適合作為在數(shù)據(jù)記錄中的運行參數(shù):
-在燃氣輪機中一個或多個導向葉片的位置；
-輸送給燃氣輪機的氣體的量；
-針對燃氣輪機的廢氣溫度的額定值。
[0020]在此要注意的是，在燃氣輪機中，通?？梢酝ㄟ^合適的調(diào)節(jié)器調(diào)整針對渦輪機的廢氣溫度的期望的值。這個值對應上述額定值。
[0021]按本發(fā)明的方法的另ー個優(yōu)選的使用領域是建立用于風カ輪機的數(shù)據(jù)驅(qū)動的模型。在此，優(yōu)選使用一個或多個下列參數(shù)作為在數(shù)據(jù)記錄中的運行參數(shù)的測量參數(shù):
-用風カ輪機生成的電功率；
-在環(huán)境中的風速，風カ輪機在該環(huán)境中運行；
-風カ輪機的轉(zhuǎn)速；
-在風カ輪機的轉(zhuǎn)子葉片上的彎曲應カ和/或偏轉(zhuǎn)和/或交變載荷；
-風カ輪機的塔臺的振動。
[0022]在數(shù)據(jù)記錄中優(yōu)選使用一個或多個下列參數(shù)作為風カ輪機的運行參數(shù)的調(diào)整參數(shù):
-風カ輪機的轉(zhuǎn)子葉片的迎角；
-風カ輪機的特性曲線，其代表在轉(zhuǎn)速和由風カ輪機生成的電功率之間的相互關系。
[0023]在另ー種特別優(yōu)選的實施形式中，用通過按本發(fā)明的方法生成的數(shù)據(jù)驅(qū)動的模型在一個或多個優(yōu)化標準的基礎上計算用于技術系統(tǒng)的運行的控制模型和/或調(diào)節(jié)模型。這個經(jīng)計算的控制模型和/或調(diào)整模型根據(jù)來自技術系統(tǒng)的運行參數(shù)的ー個或多個測量參數(shù)表明來自技術系統(tǒng)的運行參數(shù)的一個或多個調(diào)整參數(shù)的改變并且由此在技術系統(tǒng)的真實運行中實現(xiàn)了對調(diào)整參數(shù)的合適的調(diào)整。
[0024]若計算燃氣輪機的控制模型和/或調(diào)節(jié)模型，那么這個或這些優(yōu)化標準優(yōu)選包括盡可能小的有害物質(zhì)排放和/或盡可能小的燃燒動態(tài)或盡可能高的效率(熱率)或盡可能高的功率。以此方式確保了燃氣輪機的環(huán)保的運行或確保了渦輪機的長使用壽命。
[0025]若計算風カ輪機的控制模型和/或調(diào)節(jié)模型，那么這個或這些優(yōu)化標準包括風カ輪機的盡可能高的效率和/或在風カ輪機的轉(zhuǎn)子葉片上的盡可能小的彎曲應力。由此確保了風カ輪機的最佳的運行或又確保了風カ輪機的長使用壽命。
[0026]在另ー種特別優(yōu)選的實施形式中，這樣設計控制模型和/或調(diào)節(jié)模型，以致于用經(jīng)過學習的密度評估器從技術系統(tǒng)的運行中出現(xiàn)的運行參數(shù)求出數(shù)據(jù)記錄的各置信度，其中，當相應的置信度低于預先確定的閾值時，來自運行參數(shù)的ー個或多個調(diào)整參數(shù)的改變被限制并且/或者與數(shù)據(jù)驅(qū)動的模型相關的函數(shù)的運行和/或技術系統(tǒng)的運行被中斷或不啟動。以此方式可以使在按本發(fā)明的方法的框架內(nèi)學習的密度評估器也被用于，在技術系統(tǒng)的運行參數(shù)處在ー個有足夠高的數(shù)據(jù)密度的范圍內(nèi)時，才授權技術系統(tǒng)的運行。
[0027]在按本發(fā)明的方法的另ー種實施形式中，用所生成的數(shù)據(jù)驅(qū)動的模型計算監(jiān)瞀模型，監(jiān)瞀模型在ー個或多個在技術系統(tǒng)的運行中出現(xiàn)的運行參數(shù)偏離相應的通過所生成的數(shù)據(jù)驅(qū)動的模型復制的運行參數(shù)大于預定的程度的情況下，發(fā)出警告和/或警報和/或技術系統(tǒng)的自動化的安全措施被觸發(fā)。優(yōu)選在這種監(jiān)瞀模型中也可以恰當?shù)乜紤]到了所學習的密度評估器。在這種情況下，這樣設計監(jiān)瞀模型，以致于用所學習的密度評估器從在技術系統(tǒng)的運行中出現(xiàn)的運行參數(shù)中求出針對數(shù)據(jù)記錄的各個置信度，其中，各置信度越小，那么預先確定的程度就被調(diào)整得越大，其中，警告在該預先確定的程度的基礎上生成。以此方式恰當?shù)亟⑵鹆酸槍τ泻苄〉臄?shù)據(jù)密度的數(shù)據(jù)記錄的報告閾值?？赡軙r，可以在各置信度小于預先確定的閾值的情況下，也發(fā)出報告，使當前由于很小的數(shù)據(jù)密度而無法發(fā)出警告以及因而無法實現(xiàn)監(jiān)瞀。
[0028]在ー種特別優(yōu)選的實施形式中，在強化學習的基礎上和/或模型預估的調(diào)節(jié)的基礎上和/或在優(yōu)化方法的基礎上計算控制模型和/或調(diào)節(jié)模型和/或監(jiān)瞀模型。強化學習的方法以及模型預估的調(diào)節(jié)在此早就由現(xiàn)有技術公開。同樣公知的是相應的優(yōu)化方法。例如，優(yōu)化方法可以在以梯度為基礎的或隨機的檢驗方法中根據(jù)相應地限定的最佳的值按控制模型或調(diào)節(jié)模型或監(jiān)瞀模型被執(zhí)行。在另ー種特別優(yōu)選的實施形式中，控制模型和/或調(diào)節(jié)模型和/或監(jiān)瞀模型在神經(jīng)網(wǎng)絡，尤其是循環(huán)的神經(jīng)網(wǎng)絡的基礎上被學習。
[0029]作為用于計算相應的控制模型和/或調(diào)節(jié)模型或監(jiān)瞀模型的技木，尤其適合的是這樣的方法，它們在文獻DE 10 2007 001 025 Al(循環(huán)控制神經(jīng)網(wǎng)絡Recurrent-Control-Neural-Network)或 DE 10 2007 017 259 Al(神經(jīng)獎勵回歸 Neural-Rewards-Regression)或 DE 10 2007 042 440 B3 (策略梯度神經(jīng)獎勵回歸 Policy-Gradient-Neural-Rewards-Regression)中被說明。同樣地，由現(xiàn)有技術公開的NFQ迭代(Neural-Fitted-Q-1teration(神經(jīng)匹配迭代))(參看文獻[2])也可以被用來計算相應的控制模型和/或調(diào)節(jié)模型或監(jiān)瞀模型。
[0030]可能時可以在控制模型和/或調(diào)節(jié)模型或監(jiān)瞀模型用神經(jīng)網(wǎng)絡的學習中使用規(guī)則化方法。例如除了針對各數(shù)據(jù)記錄的誤差外，還可以添加在神經(jīng)網(wǎng)絡中的ー個所謂的權值懲罰項(英文:weight penalty term),從而更確切地說在有很小數(shù)據(jù)密度的區(qū)域中產(chǎn)生了線性的以及因而更好地外插的模型。同樣可以獲得用本身公知的評估函數(shù)InverseKurtosis選擇的神經(jīng)網(wǎng)絡的權，由此在有很小數(shù)據(jù)密度的數(shù)據(jù)區(qū)域中穩(wěn)定化特性。這一點尤其在計算用于燃氣輪機或風カ輪機的控制模型和/或調(diào)節(jié)模型時有利。
[0031]在另ー種優(yōu)選的實施形式中，在置信度或模型誤差和數(shù)據(jù)記錄的選出或加權之間的相互關系，在生成數(shù)據(jù)驅(qū)動的模型時通過ー個函數(shù)被模型化。在此限定ー個函數(shù)，其與置信度和模型誤差相關，其中，該函數(shù)在數(shù)據(jù)記錄的置信度和模型誤差的基礎上被確定，是否選出ー個數(shù)據(jù)記錄或數(shù)據(jù)記錄的加權有多高。該函數(shù)可以根據(jù)應用情形的不同而被不同地設計。在技術人員處理的框架內(nèi)正確地確定這種函數(shù)。該函數(shù)例如可以不連貫地通過階躍或以恰當?shù)姆绞竭B續(xù)地模型化相應的相互關系。
[0032]在按本發(fā)明的方法的另ー種優(yōu)選的實施形式中，這樣在生成數(shù)據(jù)驅(qū)動的模型時選出數(shù)據(jù)記錄，即，使它們針對接下來的迭代步驟在配屬于數(shù)據(jù)記錄的概率的基礎上借助抽檢取樣被取出。這就是說，在各置信度或模型誤差的基礎上以恰當?shù)姆绞綖閿?shù)據(jù)記錄指配若干概率，這些概率然后在取樣的框架內(nèi)被考慮到。概率的指配可以例如通過上述函數(shù)進行。[0033]在按本發(fā)明的方法的另ー種實施形式中，為來自訓練數(shù)據(jù)的數(shù)據(jù)記錄配設權，這些權在密度評估器和數(shù)據(jù)驅(qū)動的模型的學習中被考慮到，其中，權借助在各個迭代步驟中被學習的密度評估器和數(shù)據(jù)驅(qū)動的模型被這樣地更新，使得來自訓練數(shù)據(jù)的有低置信度和高模型誤差的數(shù)據(jù)記錄獲得較高的權。權可以以各種方式被密度評估器或數(shù)據(jù)驅(qū)動的模型考慮到。在本發(fā)明的一種變型方案中，權代表概率，概率由密度評估器和數(shù)據(jù)驅(qū)動的模型處理。例如可以通過密度評估器和/或數(shù)據(jù)驅(qū)動的模型在它們的概率的基礎上從訓練數(shù)據(jù)中選出數(shù)據(jù)記錄以學習。概率也可以在學習的框架內(nèi)被恰當?shù)乜紤]到，例如在ー種被密度評估器或數(shù)據(jù)驅(qū)動的模型使用的隨機的梯度下降方法中。
[0034]按本發(fā)明的方法中可以以各種方式被初始化。在一種實施形式中，所述方法用來自訓練數(shù)據(jù)的例如被隨機確定的一部分數(shù)據(jù)記錄初始化。同樣，所述方法可以用所有來自訓練數(shù)據(jù)的數(shù)據(jù)記錄，用最初確定的初始的權進行啟動。
[0035]在按本發(fā)明的框架內(nèi)求出的模型誤差可以例如被通過數(shù)據(jù)驅(qū)動的模型復制的數(shù)據(jù)記錄或數(shù)據(jù)記錄的被復制的運行參數(shù)與訓練數(shù)據(jù)的相應的數(shù)據(jù)記錄或這個數(shù)據(jù)記錄的相應的運行參數(shù)的按照數(shù)量的據(jù)對偏差代表。同樣地，模型誤差可以是相關的偏差，在這些偏差中，求出了關于數(shù)據(jù)記錄的所有模型誤差的標準偏差的按照數(shù)量的絕對偏差，這些數(shù)據(jù)記錄在各迭代步驟中被復制。
[0036]在按本發(fā)明的方法中被發(fā)出的置信度可以同樣被合適地規(guī)范化，例如規(guī)范到ー個在0和I之間的間隔，其中，值0不代表任何置信度(也就是說很小的數(shù)據(jù)密度)以及值I代表高的置信度(也就是說高的數(shù)據(jù)密度)。
[0037]在按本發(fā)明的方法的框架內(nèi)被執(zhí)行的迭代可以基于不同的標準而被結(jié)束。在ー種優(yōu)選的實施形式中，當為接下來的迭代步驟選出的或加權的數(shù)據(jù)記錄的至少ー個預定份額的模型誤差低于預先確定的閾值時和/或當為接下來的迭代步驟選出的或加權的數(shù)據(jù)記錄的至少ー個預定份額的置信度高于預定的閾值時，然后結(jié)束迭代。以此方式確保了所述方法在達到進過學習的數(shù)據(jù)驅(qū)動的模型的一定的最低質(zhì)量時才結(jié)束。預先確定的份額在此可以例如是所有模型誤差或置信度的95%或99%或以上。
[0038]在按本發(fā)明的方法的另ー種實施形式中，當為接下來的迭代步驟選出的或加權的數(shù)據(jù)記錄的平均模型誤差相對之前的迭代步驟不再變小和/或當為接下來的迭代步驟選出的或加權的數(shù)據(jù)記錄的置信度處在預先確定的閾值之上時，然后結(jié)束迭代。
[0039]除了上述的用于生成數(shù)據(jù)驅(qū)動的模型的方法外，本發(fā)明此外還涉及ー種用于運行技術系統(tǒng)的方法，在該方法中，用按本發(fā)明的方法或按本發(fā)明的方法的一個或多個優(yōu)選的變型方案生成了一個數(shù)據(jù)驅(qū)動的模型以及接下來將該模型用于分析和/或影響(尤其是直接影響)技術系統(tǒng)的運行。
[0040]這個方法因此在技術系統(tǒng)的真實運行的框架內(nèi)使用按本發(fā)明生成的數(shù)據(jù)驅(qū)動的模型。優(yōu)選使用在一種用于生成數(shù)據(jù)驅(qū)動的模型的變型方案中，該變形方案計算控制模型和/或調(diào)節(jié)模型或監(jiān)瞀模型。在這種情況下，用控制模型和/或調(diào)節(jié)模型或/或監(jiān)瞀模型調(diào)節(jié)和/或控制和/或監(jiān)瞀技術系統(tǒng)。
[0041]除了前述的方法外，本發(fā)明此外還涉及一種計算機程序產(chǎn)品，帶有儲存在機器可讀的載體上的程序代碼以在程序代碼在計算機上被實施時執(zhí)行按本發(fā)明的方法或按本發(fā)明的方法的一個或多個優(yōu)選的變型方案?！緦＠綀D】

【附圖說明】
[0042]接下來借助附圖詳細說明本發(fā)明的實施例。
[0043]附圖中:
圖1示意性示出了按本發(fā)明的方法的第一種實施形式；并且 圖2示意性示出了按本發(fā)明的方法的第二種實施形式。
【具體實施方式】
[0044]接下來說明的按本發(fā)明的方法的實施形式用于在使用包括多個數(shù)據(jù)記錄的訓練數(shù)據(jù)的情況下生成技術系統(tǒng)的數(shù)據(jù)驅(qū)動的模型。用這些實施形式生成的數(shù)據(jù)驅(qū)動的模型然后可以以恰當?shù)姆绞饺缜拔乃瞿菢颖挥脕碛嬎阌糜诩夹g系統(tǒng)的相應的控制模型和/或調(diào)節(jié)模型或監(jiān)瞀模型。這些控制模型和/或調(diào)節(jié)模型或監(jiān)瞀模型緊接著可以如同樣在前文中闡述的那樣使用在技術系統(tǒng)的真實運行中。下文中說明的實施形式的ー種特別優(yōu)選的應用情形在此為生成一種用于燃氣輪機或風カ輪機的數(shù)據(jù)驅(qū)動的模型。
[0045]在此處說明的實施形式中，單個的數(shù)據(jù)記錄為向量，它們包括技術系統(tǒng)的多個運行參數(shù)。這些運行參數(shù)的例子在前文中已經(jīng)針對燃氣輪機或風カ輪機提到過。向量的運行參數(shù)在一個實施形式中是技術系統(tǒng)的在時間上連續(xù)相繼的測量參數(shù)和調(diào)整參數(shù)，因而用數(shù)據(jù)驅(qū)動的模型學習技術系統(tǒng)的動態(tài)學特性。在技術系統(tǒng)的真實運行中檢測在訓練數(shù)據(jù)中的運行參數(shù)以及將其儲存在數(shù)據(jù)庫中。
[0046]按本發(fā)明的方法的目的現(xiàn)在在干，從訓練數(shù)據(jù)中提取相關的信息以及排除冗余信息，從而改善用訓練數(shù)據(jù)進行學習的數(shù)據(jù)驅(qū)動的模型的質(zhì)量。在此尤其應當改善經(jīng)過學習的模型的所謂的百分位數(shù)表現(xiàn)。也就是說，應當提高在技術系統(tǒng)的有很少的數(shù)據(jù)記錄的運行區(qū)域中的數(shù)據(jù)驅(qū)動的模型的質(zhì)量。
[0047]圖1示出了按本發(fā)明的方法的一種實施形式，在該方法中處理被儲存在相應的數(shù)據(jù)庫中的訓練數(shù)據(jù)TD。如已經(jīng)提到的那樣，這些訓練數(shù)據(jù)涉及形式為技術系統(tǒng)的運行參數(shù)的數(shù)據(jù)記錄，其中，可能時進行預先過濾，從而在該方法中僅進ー步處理數(shù)據(jù)記錄的與數(shù)據(jù)驅(qū)動的模型相關的特定的運行參數(shù)或僅進ー步處理特定的數(shù)據(jù)記錄。圖1的實施形式基于這樣的思想，即，為了學習數(shù)據(jù)驅(qū)動的模型，通過取樣樣(也就是說抽檢取樣)從訓練數(shù)據(jù)TD中恰當?shù)剡x出一部分。在初始化該方法時，首先在步驟RS (RS =隨機取樣)中隨機地選出一部分訓練數(shù)據(jù)。這一部分在圖1中用RD (RD =減少的數(shù)據(jù)集)標注。形式為神經(jīng)網(wǎng)絡或神經(jīng)模型匪的數(shù)據(jù)驅(qū)動的模型用這一部分進行學習，其中，為此使用本身公知的學習方法，例如強化學習。
[0048]平行地用這一部分學習ー種密度評估器或數(shù)據(jù)封裝器DE。在此處說明的實施形式中，使用由文獻[I]公開的、以神經(jīng)云為基礎的密度評估器作為數(shù)據(jù)封裝器。已知基于這種方法的密度評估以及因此未加以詳細說明。密度評估的目的在干，為相應的數(shù)據(jù)記錄或數(shù)據(jù)點如下求出其“新鮮處”，即，訓練數(shù)據(jù)的其它的數(shù)據(jù)記錄與觀察的數(shù)據(jù)記錄相似到何種程度，其中，相似性通過數(shù)據(jù)記錄彼此間的間距說明。這個間距通過數(shù)據(jù)空間內(nèi)的數(shù)據(jù)點的歐氏間距給定。用來自文獻[I]的密度評估器首先基于Min-Max-標準化方法執(zhí)行單個數(shù)據(jù)記錄或數(shù)據(jù)點的標準化。緊接著在由現(xiàn)有技術公開的也被稱為“高等K Means”的KMeans算法的一種變型的基礎上進行聚類。這種算法在數(shù)據(jù)點的空間內(nèi)提供聚類中心。在下一個步驟中將高斯鐘(Gaufische Glocken)置于這些中心上，以及緊接著進行高斯鐘的標準化。作為算法的最終結(jié)果，人們?nèi)缓螳@得了一個經(jīng)過學習的數(shù)據(jù)封裝器，其為各個數(shù)據(jù)記錄求出了一個置信度，置信度代表該數(shù)據(jù)記錄與來自訓練數(shù)據(jù)的數(shù)據(jù)記錄的相似性以及在上述文獻[I]中被評估為是針對所述技術系統(tǒng)的失效概率。
[0049]在神經(jīng)網(wǎng)絡匪的學習結(jié)束之后，來自訓練數(shù)據(jù)的數(shù)據(jù)記錄可以被復制直至復制到ー個模型誤差。在此，數(shù)據(jù)記錄的一定份額的運行參數(shù)被作為神經(jīng)網(wǎng)絡的輸入向量進行處理。神經(jīng)網(wǎng)絡然后提供相應的數(shù)據(jù)記錄的其它運行參數(shù)作為輸出向量。通過在按訓練數(shù)據(jù)的實際的輸出向量和通過神經(jīng)網(wǎng)絡計算出的輸出向量之間的差別而產(chǎn)生了相應的模型誤差。
[0050]在圖1的實施形式中，數(shù)據(jù)封裝器DE的相應的置信度CM和神經(jīng)網(wǎng)絡匪的相應的模型誤差ME被用于執(zhí)行一種加權的取樣WS。針對加權的取樣，為所有來自訓練數(shù)據(jù)TD的數(shù)據(jù)記錄分別求出用經(jīng)過學習的神經(jīng)網(wǎng)絡產(chǎn)生的模型誤差和通過數(shù)據(jù)封裝器產(chǎn)生的置信度。針對這些值的每ー個組合，為相應的數(shù)據(jù)記錄確定ー個概率，其中，用于數(shù)據(jù)記錄的概率被標準化到I。這些概率在此以恰當?shù)姆绞奖贿@樣決定，使得在相同的模型誤差時，ー個有低置信度的數(shù)據(jù)記錄具有比一個有較高的置信度的數(shù)據(jù)記錄更高的概率。此外，這樣確定概率，使得在相同的置信度時，一個有高模型誤差的數(shù)據(jù)記錄具有比一個有低模型誤差的數(shù)據(jù)記錄更大的概率。緊接著用這些概率執(zhí)行取樣WS。在此，通過取樣更確切地說從訓練數(shù)據(jù)取出這樣的數(shù)據(jù)記錄，它們基于低置信度而具有高度的新鮮度或它們被數(shù)據(jù)驅(qū)動的模型很糟糕地復制。
[0051]在執(zhí)行抽檢取樣WS之后，人們獲得了新的一部分數(shù)據(jù)記錄RD，它們現(xiàn)在在接下來的迭代步驟中被用于數(shù)據(jù)封裝器DE和神經(jīng)網(wǎng)絡匪的進ー步學習。緊接著又進行新的加權取樣WS，不過此時為此重新通過再次經(jīng)過學習的數(shù)據(jù)封裝器或再次經(jīng)過學習的神經(jīng)網(wǎng)絡確定了取樣的相應的概率。最后，用新產(chǎn)生的一部分數(shù)據(jù)記錄在接下來的迭代步驟中繼續(xù)所述方法。
[0052]數(shù)據(jù)封裝器或神經(jīng)網(wǎng)絡的迭代學習基于合適的中斷標準而結(jié)束。在此這樣確定中斷標準，即，當針對新產(chǎn)生部分的所有數(shù)據(jù)記錄，各模型誤差要小于ー個預定的閾值且各置信度要大于ー個預先確定的閾值時，所述方法被結(jié)束。作為所述方法的最終結(jié)果，人們獲得了一個經(jīng)過學習的神經(jīng)網(wǎng)絡，其緊接著可以用于計算技術系統(tǒng)的控制模型和/或調(diào)節(jié)模型或監(jiān)瞀模型。
[0053]圖2表示按本發(fā)明的方法的第二種實施形式。與圖1的區(qū)別在于，在數(shù)據(jù)封裝器DE和神經(jīng)網(wǎng)絡匪學習時，始終使用(可能時合適地預過濾)訓練數(shù)據(jù)TD的所有的數(shù)據(jù)記錄。但數(shù)據(jù)記錄在使用經(jīng)過學習的數(shù)據(jù)封裝器或經(jīng)過學習的神經(jīng)網(wǎng)絡的情況下以合適的方式被加權。圖2的方法在ー開始時被恰當?shù)爻跏蓟?，其中，現(xiàn)在在初始化的框架內(nèi)按訓練數(shù)據(jù)求出用于N個被觀察的數(shù)據(jù)記錄的權wl、w2，...，wN。權可以例如隨機地或用值1/N初始化。權在此處說明的實施形式中表示概率，這些概率被數(shù)據(jù)封裝器DE或神經(jīng)網(wǎng)絡NM考慮到。
[0054]與圖1的實施形式的區(qū)別在于，現(xiàn)在，在沒有預先選出的情況下考慮到了所有的訓練數(shù)據(jù)。通過由權代表的概率，對應文獻[I]中的密度評估器的數(shù)據(jù)封裝器選出相應的數(shù)據(jù)記錄。概率可以在數(shù)據(jù)封裝器中在上述標準化時順便提到，其中，按照概率來選出在標準化時被考慮到的數(shù)據(jù)記錄。概率同樣可以在上述聚類吋。在此，通過概率來選出，哪些數(shù)據(jù)記錄在發(fā)現(xiàn)聚類中心時被使用。這些概率同樣可以在數(shù)據(jù)封裝器中使用的聚類中心的距離計算時被使用。在此，通過概率確定了，哪些數(shù)據(jù)記錄在計算距離時被考慮到。在標準化、聚類和計算距離的框架內(nèi)，可以一次性地確定相應使用的數(shù)據(jù)記錄以及為每ー個這種步驟単獨重新地求出相應地使用的數(shù)據(jù)記錄。
[0055]此外，通過權選出相應的數(shù)據(jù)記錄，這些數(shù)據(jù)記錄為了學習或在神經(jīng)網(wǎng)絡的學習的框架內(nèi)而被考慮到。例如在學習時可以基于數(shù)據(jù)記錄的選出而在公知的隨機的梯度下降方法的框架內(nèi)求出梯度。
[0056]在數(shù)據(jù)封裝器或神經(jīng)網(wǎng)絡的學習后，進行更新步驟UP，在該更新步驟中，基于經(jīng)過學習的數(shù)據(jù)封裝器和經(jīng)過學習的神經(jīng)網(wǎng)絡重新計算最初的經(jīng)初始化的權。這一點與圖1類似地由此發(fā)生，即，為所有來自訓練數(shù)據(jù)的數(shù)據(jù)記錄求出數(shù)據(jù)封裝器的相應的置信度和神經(jīng)網(wǎng)絡的相應的模型誤差以及由此這樣來推導出權或概率，即，所觀察的數(shù)據(jù)記錄的置信度越小或所觀察的數(shù)據(jù)記錄的模型誤差越大，那么概率就越高。例如基于ー個函數(shù)的相應的相互關系的確定，在此處于技術人員處理的框架內(nèi)。例如可以通過一個相應的函數(shù)將ー種線性的相互關系模型化。
[0057]圖2的方法伴隨在步驟UP中被更新的權在接下來的迭代步驟中繼續(xù)。在這個迭代步驟中，數(shù)據(jù)封裝器和神經(jīng)網(wǎng)絡再次在考慮到新的權的情況下進行學習，以及緊接著用經(jīng)過學習的數(shù)據(jù)封裝器或經(jīng)過學習的神經(jīng)網(wǎng)絡進行對權的新的更新。這種迭代的方法通過一個合適的中斷標準被結(jié)束，其中，中斷標準與圖1類似地被這樣確定，即，當數(shù)據(jù)封裝器的針對各數(shù)據(jù)記錄產(chǎn)生的置信度處在預定的閾值之上或神經(jīng)網(wǎng)絡的針對數(shù)據(jù)記錄產(chǎn)生的模型誤差處在預先確定的閾值之下時，結(jié)束所述方法。以此方式經(jīng)過學習的神經(jīng)網(wǎng)絡可以緊接著又用于模型的計算以控制或監(jiān)瞀相應的技術系統(tǒng)。
[0058]按本發(fā)明的方法的在前文中說明的實施形式具有一系列優(yōu)勢。尤其可以從大量的訓練數(shù)據(jù)中提取出這樣的數(shù)據(jù)記錄，用它們可以良好地說明以這些數(shù)據(jù)記錄為基礎的技術系統(tǒng)。通過恰當?shù)剡x出一部分數(shù)據(jù)記錄或通過數(shù)據(jù)記錄的加權，在此可以學習ー種數(shù)據(jù)驅(qū)動的模型，該模型考慮到了有較少數(shù)據(jù)記錄的較強的區(qū)域。因此強烈地考慮到了技術系統(tǒng)的偏離正常運行的運行エ況。
[0059]用按本發(fā)明的方法可以通過選出相關的數(shù)據(jù)記錄實現(xiàn)相應的數(shù)據(jù)驅(qū)動的模型在訓練數(shù)據(jù)的基礎上的較快的學習。此外，經(jīng)過學習的數(shù)據(jù)驅(qū)動的模型具有較好的百分位數(shù)表現(xiàn)，因為優(yōu)選在有較少數(shù)據(jù)的區(qū)域中被學習。良好的百分位數(shù)表現(xiàn)在技術系統(tǒng)運行中正確地預報錯誤時很重要。
[0060]文獻索引:
[1]:B.Lang等，用于監(jiān)瞀復雜系統(tǒng)的神經(jīng)云、光學存儲器和神經(jīng)網(wǎng)絡(Neural Cloudsfor Monitoring of Complex System, Optical Memory and Neural Networks)(イ—目息光學(Information Optics)),2008,17 卷，N0.3,183-192 頁；
[2]M.Riedmiller，神經(jīng)適配的Q迭代-與數(shù)據(jù)有效的神經(jīng)強化學習方法的第一次接角蟲(Neural Fitted Q Iteration - First Experience with a Data Efficient Neura丄Reinforcement Learning Method),歐洲機器學習會議檔案(Proc.0f the European Conf.0n Machine Learning), 2005，317-328 頁。
【權利要求】
1.用于在計算機支持下生成技術系統(tǒng)尤其燃氣輪機或風カ輪機的數(shù)據(jù)驅(qū)動的模型(NM)的方法，該數(shù)據(jù)驅(qū)動的模型被用于自動化的監(jiān)瞀任務和/或診斷任務和/或調(diào)節(jié)任務，其中，數(shù)據(jù)驅(qū)動的模型在訓練數(shù)據(jù)的基礎上被生成，訓練數(shù)據(jù)包括多個數(shù)據(jù)記錄，這些數(shù)據(jù)記錄代表技術系統(tǒng)的多個運行參數(shù)，其中: -針對多個迭代步驟分別借助來自訓練數(shù)據(jù)(TD)的數(shù)據(jù)記錄進行數(shù)據(jù)驅(qū)動的模型(匪)和密度評估器(DE)的學習，其中密度評估器(DE)針對來自訓練數(shù)據(jù)的數(shù)據(jù)記錄而發(fā)出各一個置信度(CM)，各數(shù)據(jù)記錄與來自訓練數(shù)據(jù)(TD)的其它數(shù)據(jù)記錄的相似性越大，那么這個置信度就越高，并且其中通過數(shù)據(jù)驅(qū)動的模型(匪)分別伴隨模型誤差(ME)地復制訓練數(shù)據(jù)的數(shù)據(jù)記錄； -借助在各迭代步驟中被學習的密度評估器(DE)和數(shù)據(jù)驅(qū)動的模型(NM)從訓練數(shù)據(jù)(TD)選出數(shù)據(jù)記錄或?qū)碜杂柧殧?shù)據(jù)(TD)的數(shù)據(jù)記錄加權以用于在接下來的迭代步驟中的學習，其中，寧可從訓練數(shù)據(jù)(TD)選出有低置信度(CM)和高模型誤差(ME)的數(shù)據(jù)記錄或?qū)ζ溥M行較高的加權。
2.按權利要求1所述的方法，其中，作為數(shù)據(jù)驅(qū)動的模型(匪)學習神經(jīng)網(wǎng)絡尤其循環(huán)的神經(jīng)網(wǎng)絡。
3.按權利要求1或2所述的方法，其中，技術系統(tǒng)的運行參數(shù)包括燃氣輪機的一個或多個下列測量參數(shù): -在環(huán)境中的溫度，燃氣輪機在該環(huán)境中運行； -在環(huán)境中的空氣濕度，燃氣輪機在該環(huán)境中運行； -在環(huán)境中的空氣壓力，·燃氣輪機在該環(huán)境中運行； -燃氣輪機的功率，尤其是按百分比算的功率值； -燃氣輪機的燃料質(zhì)量； -燃氣輪機的有害物質(zhì)排放，尤其是氮氧化物和/或一氧化碳的排放； -燃氣輪機的一個或多個渦輪葉片的溫度； -燃氣輪機的廢氣溫度； -燃氣輪機的燃燒動態(tài)。
4.按前述權利要求任一項所述的方法，其中，技術系統(tǒng)的運行參數(shù)包括燃氣輪機的一個或多個下列調(diào)整參數(shù): -在燃氣輪機中一個或多個導向葉片的位置； -輸送給燃氣輪機的氣體的量； -針對燃氣輪機的廢氣溫度的額定值。
5.按前述權利要求任一項所述的方法，其中，技術系統(tǒng)的運行參數(shù)包括風カ輪機的一個或多個下列測量參數(shù): -用風カ輪機生成的電功率； -在環(huán)境中的風速，風カ輪機在該環(huán)境中運行； -風カ輪機的轉(zhuǎn)速； -在風カ輪機的轉(zhuǎn)子葉片上的彎曲應カ和/或偏轉(zhuǎn)和/或交變載荷； -風カ輪機的塔臺的振動。
6.按前述權利要求任一項所述的方法，其中，技術系統(tǒng)的運行參數(shù)包括風カ輪機的一個或多個下列調(diào)整參數(shù): -風カ輪機的轉(zhuǎn)子葉片的迎角； -風カ輪機的特性曲線，所述特征曲線代表在轉(zhuǎn)速和由風カ輪機生成的電功率之間的相互關系。
7.按前述權利要求任一項所述的方法，其中，用所生成的數(shù)據(jù)驅(qū)動的模型(匪)在ー個或多個優(yōu)化標準的基礎上計算出用于運行技術系統(tǒng)的控制模型和/或調(diào)節(jié)模型，其中控制模型和/或調(diào)節(jié)模型根據(jù)來自技術系統(tǒng)的運行參數(shù)的ー個或多個測量參數(shù)表明來自技術系統(tǒng)的運行參數(shù)的一個或多個調(diào)整參數(shù)的改變。
8.按權利要求7所述的方法，其中，計算燃氣輪機的控制模型和/或調(diào)節(jié)模型，其中這個或這些優(yōu)化標準包括盡可能小的有害物質(zhì)排放和/或盡可能小的燃燒動態(tài)和/或盡可能高的效率和/或盡可能高的功率。
9.按權利要求7或8所述的方法，其中，建立風カ輪機的控制模型和/或調(diào)節(jié)模型，其中這個或這些優(yōu)化標準包括風カ輪機的盡可能高的效率和/或盡可能小的彎曲應カ和/或偏轉(zhuǎn)和/或在風カ輪機的轉(zhuǎn)子葉片上的交變載荷。
10.按權利要求7至9任一項所述的方法，其中，這樣設計控制模型和/或調(diào)節(jié)模型，以致于用所學習的密度評估器(DE)從技術系統(tǒng)的運行中出現(xiàn)的運行參數(shù)求出數(shù)據(jù)記錄的各個置信度(CM)，其中當相應的置信度(CM)低于預先確定的閾值時，來自運行參數(shù)的ー個或多個調(diào)整參數(shù)的改變受到限制并且/或者與數(shù)據(jù)驅(qū)動的模型相關的函數(shù)的運行和/或技術系統(tǒng)的運彳丁被中斷或不啟動。
11.按前述權利要求任一項所述的方法，其中，用所生成的數(shù)據(jù)驅(qū)動的模型計算監(jiān)瞀模型，監(jiān)瞀模型在ー個或多個在技術系統(tǒng)的運行中出現(xiàn)的運行參數(shù)偏離相應的通過所生成的數(shù)據(jù)驅(qū)動的模型(匪)復制的運行參`數(shù)大于預定的程度時，發(fā)出警告和/或警報并且/或者技術系統(tǒng)的自動化的安全措施被觸發(fā)。
12.按權利要求11所述的方法，其中，這樣設計監(jiān)瞀模型，以致于用所學習的密度評估器從在技術系統(tǒng)的運行中出現(xiàn)的運行參數(shù)中求出針對數(shù)據(jù)記錄的各個置信度(CM)，其中，各置信度(CM)越小，那么預先確定的程度就被調(diào)整得越大，其中在該預先確定的程度的基礎上生成警告。
13.按權利要求7至12任一項所述的方法，其中，控制模型和/或調(diào)節(jié)模型和/或監(jiān)瞀模型在強化學習的基礎上和/或模型預估的調(diào)節(jié)的基礎上和/或在優(yōu)化方法的基礎上被計算。
14.按權利要求7至13任一項所述的方法，其中，控制模型和/或調(diào)節(jié)模型和/或監(jiān)瞀模型在神經(jīng)網(wǎng)絡尤其循環(huán)的神經(jīng)網(wǎng)絡的基礎上被學習。
15.按前述權利要求任一項所述的方法，其中，通過與置信度(CM)和模型誤差(ME)相關的函數(shù)實現(xiàn)來自訓練數(shù)據(jù)(TD)的數(shù)據(jù)記錄的選出或加權。
16.按前述權利要求任一項所述的方法，其中，這樣從訓練數(shù)據(jù)選出數(shù)據(jù)記錄，從而使它們針對接下來的迭代步驟在配屬于數(shù)據(jù)記錄的概率的基礎上借助抽檢取樣被取出。
17.按前述權利要求任一項所述的方法，其中，給來自訓練數(shù)據(jù)(TD)的數(shù)據(jù)記錄配設權(w1、w2.....wN),這些權在密度評估器(DE)和數(shù)據(jù)驅(qū)動的模型(匪)的學習時被考慮到，其中，權(wl、w2.....wN)借助在各個迭代步驟中被學習的密度評估器(DE)和數(shù)據(jù)驅(qū)動的模型(匪)被這樣地更新，以致于來自訓練數(shù)據(jù)(TD)的有低置信度(CM)和高模型誤差(ME)的數(shù)據(jù)記錄獲得較高的權。
18.按權利要求17所述的方法，其中，權(w)代表概率，所述概率通過密度評估器(DE)和數(shù)據(jù)驅(qū)動的模型(匪)被處理。
19.按權利要求18所述的方法，其中，基于用于學習的或在學習的框架內(nèi)的概率，通過密度評估器(DE)和/或數(shù)據(jù)驅(qū)動的模型(匪)從訓練數(shù)據(jù)(TD)中選出數(shù)據(jù)記錄。
20.按前述權利要求任一項所述的方法，其中，所述方法用來自訓練數(shù)據(jù)(TD)的尤其被隨機確定的部分數(shù)據(jù)記錄(RD)，或用所有來自訓練數(shù)據(jù)(TD)的數(shù)據(jù)記錄，用初始的權(W)被初始化。
21.按前述權利要求任一項所述的方法，其中，密度評估器(DE)以神經(jīng)云算法為基礎。
22.按前述權利要求任一項所述的方法，其中，當為接下來的迭代步驟選出的或加權的數(shù)據(jù)記錄的至少ー個預定份額的模型誤差(ME)低于預定的閾值時并且/或者當為接下來的迭代步驟選出或加權的數(shù)據(jù)記錄的至少ー個預定份額的置信度(CM)高于預定的閾值吋，結(jié)束迭代。
23.用于運行技術系統(tǒng)的方法，其中，用按前述權利要求任一項所述的方法生成數(shù)據(jù)驅(qū)動的模型并且接下來將該模型用于分析和/或影響技術系統(tǒng)的運行。
24.按權利要 求23結(jié)合權利要求7至14中任一項所述的方法，其中，用控制模型和/或調(diào)節(jié)模型和/或監(jiān)瞀模型調(diào)節(jié)和/或控制和/或監(jiān)瞀技術系統(tǒng)。
25.計算機程序產(chǎn)品，帶有儲存在機器可讀的載體上的程序代碼，所述程序代碼用于當該程序代碼在計算機上實施時執(zhí)行按前述權利要求任一項所述的方法。
【文檔編號】G05B17/02GK103597413SQ201280027163
【公開日】2014年2月19日 申請日期:2012年6月1日 優(yōu)先權日:2011年6月3日
【發(fā)明者】S.迪爾, A.亨切爾, V.施特青, S.烏德盧夫特 申請人:西門子公司