系统状态预测技术方案

一种系统状态预测方法包括以下步骤：观测第一状态向量，第一状态向量包括物理系统A中的状态变量；利用系统A的数据驱动模型基于第一状态向量确定第一预测向量；利用系统A的基于物理特性的模型基于第一状态向量确定第二预测向量；训练预测融合算子以基于第一和第二预测向量确定第三预测向量；关于第三预测向量和另一个第一状态向量验证预测融合算子，所述另一个第一状态向量涉及与第三预测向量相同的时间。

【技术实现步骤摘要】
系统状态预测
本专利技术涉及一种用于预测物理系统的系统行为的技术。更具体地，本专利技术涉及相似系统之间参数预测的转移。
技术介绍
为了提高商业智能和智能服务，越来越多的传感器被用于从需要观测的系统拾取数据。然而，关于产品组合，存在用于监视和控制的感兴趣位置，尤其是关键热点，在该位置处没有测量因此没有传感器数据可用。最近，基于数学模型的方法能够在任何位置（尤其是在感兴趣的关键位置）生成附加信息，所述基于数学模型的方法与当前系统状况相关联的操作并行地使用对基础过程的物理行为计算。一个特定的应用是监视电动机中的温度，尤其是极靴的温度分布。由于极靴是转子侧的一部分，因此用于极靴处的直接温度测量的传感器由于高相关成本而不能被放置在生产装置中。因此，建立用于在操作状况下计算这些当前温度的仿真模型。这些在线的基于物理特性的仿真模型非常有助于附加软传感器进行状况监视和操作策略推荐，以及有助于数据分析功能进行有关维护服务的负载和寿命预测。但是，这种计算模块的开发基于特定产品部件的详细3D几何模型，需要大量努力，并且因此难以缩放或适用于具有大量单独配置的产品类型（例如电动机）的机群，单独配置的产品类型在现场具有单独的物理行为和单独的环境状况。因此，本专利技术致力于提供一种用于预测物理系统的行为的改进技术。本专利技术通过所附独立权利要求中描述的主题解决该问题。从属权利要求给出优选实施例。
技术实现思路
第一方法包括以下步骤：观测第一状态向量，第一状态向量包括物理系统A中的状态变量；利用系统A的数据驱动模型基于第一状态向量确定第一预测向量；利用系统A的基于物理特性的模型基于第一状态向量确定第二预测向量；训练预测融合算子以基于第一和第二预测向量确定第三预测向量；关于第三预测向量和另一个第一状态向量验证预测融合算子，所述另一个第一状态向量涉及与第三预测向量相同的时间。所采用的数学模型通常基于物理系统行为并且从已知的初始状态开始并使用给定的系统输入在时间方面被数值仿真。基于物理特性的模型目前仅针对特定的产品类型可用。被监视的输出可以针对任何位置可用，但是关于预期应用导出覆盖真实世界系统的所有相关行为的模型可能是具有挑战性的问题。由于缺乏环境影响识别，基于模型的预测准确性不足。基于数据的机器学习技术可以与从真实系统收集的测量结果一起起作用，利用给定输入预测系统输出。基于数据的方法在针对可用传感器数据的可缩放性方面可能是强大的，但是在没有可用测量结果的情况下预测性信息不足。它们通常只能预测可以在真实系统中直接观测到的行为。通过输出未观测到的系统状态的任何部分都不能作为数据驱动方法的目标。基于数据的预测由于意外的动态系统行为而导致准确性不足。利用预测融合算子，物理模型和数据驱动模型二者的预测可以以一种方式组合，使得所提供的状态预测更可靠或更精确。预测融合算子可以被实现为例如神经网络或能够基于反馈信息改进其自身预测的任何其他系统，所述反馈信息关于一预测稍后证明有多好。对于可用于关于系统A训练和验证预测融合算子的数据量没有理论限制。对于资产分析功能和机群管理，遍及在现场运行的许多资产/产品/部件的数据收集可提供关于客户服务和维护活动的必要信息。第二方法包括以下步骤：观测第二状态向量，第二状态向量包括物理系统B中的状态变量，所述物理系统B与物理系统A不同但相似；利用系统B的数据驱动模型，基于第二状态向量确定第四预测向量；利用基于物理特性的模型的替代物，基于第二状态向量确定第六预测向量；以及利用基于系统A的预测融合算子，基于第四和第六预测向量确定第五预测向量。第二方法允许使用学习到的关于系统A的经验来进行针对系统B的改进预测。虽然关于系统A训练预测融合算子可能在训练时间或提供训练数据方面需要大量努力，但预测融合算子向系统B的转移可以利用很少努力完成。预测融合算子可以具有小尺寸。对应神经网络的关键信息可以常规地达到几百k字节。这允许执行预测融合算子的频繁更新，以便实施关于系统A的新学习到的系统行为向系统B的传播。为了促进将关于系统A训练的预测融合算子用在系统B上，优选的是，预测融合算子允许一些适配。因此，在一个实施例中，它可以不直接对绝对输入和输出值进行运算，而是对相应值的概率分布进行运算。在一个实施例中，第二方法还包括：利用系统B的物理模型，基于第二状态向量确定第六预测向量；其中，第五预测向量是附加地基于第六预测向量而确定的。换句话说，系统B中的预测可以基于预测融合算子和数据驱动模型的组合以及物理系统的替代物来执行。通过添加物理模型，可以更好地计及系统A和B之间的某些差别。第一预测向量和第四预测向量可以包括相同的状态变量。也就是说，优选的是，预测向量和第四预测向量共享状态变量的子集。该公共子集与一个向量关联越大，两个系统A和B可能越相似。为了使物理模型有意义，系统A必须是物理的。系统B必须是物理的，以便它可以被认为与系统A相似。系统B的物理模型的使用可以是系统B是物理的附加指示。系统A和B可以例如均表示用于执行预定技术过程的机构或电动机。优选地，系统A和B包括不同生产系列的可批量生产的物品。这强调两个系统在性质上都是物理的，并确保它们之间的相似性。在一个特别优选的实施例中，系统A和B均包括电动机。电动机可以遵循相同的总体概念，即包括异步电动机，并且可以按照不同的设计和尺寸生产。如果两个这样的电动机的尺寸（在最大功率方面）差别不大于另一预定阈值（例如100％），则这两个这样的电动机可以被认为彼此相似。如果它们在设计上差别不太大，则它们也可以被认为是相似的。设计差别可以包括极对数，并且如果它们在极对方面差别不超过25％，则它们两个可以是相似的。尺寸和设计之间的加权组合值可用于确定相似性的存在。第一设备包括：第一接口，用于接受物理系统A的状态变量；和处理构件，用于执行按照第一方法变型之一的上述第一方法。第二设备包括：第二接口，用于接受物理系统B的状态变量；以及处理构件，用于执行按照第二方法变型之一的上述第二方法。本专利技术可以提供基于模型的状况监视，该基于模型的状况监视不仅针对具有特定仿真的一些示例，而且可以针对相同特性类内的其他配置进行转移。利用对该附加信息的基于状况的监视，关于应力的附加服务、寿命预测和针对下一代设计的产品演进也可以是可能的。可以针对产品组合实现整体监视模型，从而补偿分离模型的弱点，并获得系统行为和寿命的更准确和可靠的预测。上述方法均可以完全或部分地由计算机系统执行。为此，所讨论的方法可以被构想为具有程序代码构件的计算机程序产品。每个上述设备可以包括被适配为执行对应方法的计算机系统。每种方法的优点或特征可以应用于对应方法，并且反之亦然。通常优选的是，两种方法在不同设备上运行，其中每个设备专用于系统A和B之一。附图说明根据参考附图中所示的示例性实施例的以下讨论，本专利技术的上述属性、特征和优点以及它们的实现方式将变得更清楚和可更好理解，其中图1示出了两个示例性物理系统；图2示出了关于第一系统确定预测融合算子；图3示出了在第二系统上使用外来预测融合算子；图4示出了用于确定预测融合算子的第一方法的流程图；和图5示出了使用外来预测融合算子的第二方法的流程图。具体实施方式图1示出了两个相似的示例性物理系统的示意描绘100。第一系统110和第二系统140均本文档来自技高网...

【技术保护点】
1.方法（400），所述方法包括以下步骤：观测（405）第一状态向量，第一状态向量包括物理系统A（110）中的状态变量；利用系统A（110）的数据驱动模型（205），基于第一状态向量确定（415）第一预测向量；利用系统A（110）的基于物理特性的模型（210），基于第一状态向量确定（410）第二预测向量；训练（420）预测融合算子（135）以基于第一和第二预测向量确定第三预测向量；关于第三预测向量和另一个第一状态向量验证（425）所述预测融合算子（135），所述另一个第一状态向量涉及与第三预测向量相同的时间。

【技术特征摘要】
2017.07.20 EP 17182315.61.方法（400），所述方法包括以下步骤：观测（405）第一状态向量，第一状态向量包括物理系统A（110）中的状态变量；利用系统A（110）的数据驱动模型（205），基于第一状态向量确定（415）第一预测向量；利用系统A（110）的基于物理特性的模型（210），基于第一状态向量确定（410）第二预测向量；训练（420）预测融合算子（135）以基于第一和第二预测向量确定第三预测向量；关于第三预测向量和另一个第一状态向量验证（425）所述预测融合算子（135），所述另一个第一状态向量涉及与第三预测向量相同的时间。2.方法（500），所述方法包括以下步骤：观测（510）第二状态向量，第二状态向量包括物理系统B（140）中的状态变量，所述物理系统B（140）与物理系统A（110）不同但相似；利用系统B（140）...

【专利技术属性】
技术研发人员：M阿尔马拉斯，C贝格斯，D哈特曼，B奥布斯特，
申请(专利权)人：西门子股份公司，
类型：发明
国别省市：德国,DE