系统状态预测技术方案

系统状态预测。本发明专利技术涉及一种方法，包括如下步骤：提供物理系统的行为的状态空间模型，所述模型包括状态转移和测量误差的协方差；提供用于预测所述物理系统的状态变量的基于数据的回归模型；观察包括所述物理系统的状态变量的状态矢量；使用所述回归模型确定基于所述状态矢量的状态变量的预测矢量；以及通过贝叶斯滤波将来自所述状态空间模型的信息与来自所述回归模型的预测相结合。

【技术实现步骤摘要】
系统状态预测
本专利技术涉及动态系统的未来状态的预测。更特别地，本专利技术涉及用于状态预测的不同模型的组合。
技术介绍
在启动期间，异步电动机将流经它的电流的相当大的部分转换成热，所述热可能在转子的极靴上急剧积累。这是由于定子和转子之间的磁场的滑动而转子旋转比电频率规定慢而发生。这样的过量热可能对电动机造成结构损坏，并且因此需要被密切监视。由于极靴是旋转组件的部分，因此由于高的相关成本，用于极靴表面的直接温度测量的传感器不能被放置在生产设备中。因此，可以建立用于这些温度的计算和预测的模拟模型。传统上使用物理模型或基于数据的回归模型来执行系统状态的预测。物理模型易受建模误差影响并且需要校准。数据驱动模型只能预测可以在真实系统中直接观察到的行为。如果在记录的数据中未对可能的控制输入的空间密集采样，则数据驱动模型将产生差的结果。因此，本专利技术的任务是提供一种用于预测物理系统的状态矢量的改进技术。
技术实现思路
一种方法，包括如下步骤：提供物理系统的行为的状态空间模型，所述模型包括针对状态转移和测量误差的协方差；提供用于预测物理系统的状态变量的基于数据的回归模型；观察包括物理系统的状态变量的状态矢量；使用回归模型确定基于状态矢量的状态变量的预测矢量；以及通过贝叶斯（Bayesian）滤波组合来自状态空间模型的信息与来自回归模型的预测。方法可以被用于针对状态矢量的一个或多个状态变量进行预测。因此可以预测物理系统的行为，并且甚至可以在潜在危险情况发生之前识别潜在危险情况。可以及时实施用于防止该情况的对策。如果针对状态转移和测量误差的协方差不可用，则可以使用其估计。方法组合了基于底层过程的物理性质的系统行为的数学模型和在真实系统的实际实例的操作期间收集的测量数据。归因于所述组合，在实际应用中，当与通过单独地使用模型驱动方法来实现的预测准确性相比时，预期描述的方法的预测准确性被改善。另一方面，单独数据驱动方法不允许预测未观察到的状态变量。物理系统优选是时间离散线性时不变系统，但是也可以解决其他系统，如以下将被示出的那样。注意，系统必须是物理的，以使物理模型有意义。系统可以例如表示用于执行预定技术过程的机构或电动机，尤其是异步电动机。贝叶斯滤波可以通过卡尔曼（Kalman）滤波来实现。卡尔曼滤波可以被用于通过针对每个时间步长仅执行预测估计和预测协方差的步骤来对状态矢量进行预测。如果滤波变量是线性的和正态分布的，则卡尔曼滤波将胜任贝叶斯滤波。卡尔曼滤波是最先进的，并且可以用适度的计算构件完成。处理库可用于广泛的处理环境。可以通过扩展卡尔曼滤波来实现贝叶斯滤波。如果物理系统是非线性的，则这可能是特别有用的。扩展卡尔曼滤波（EKF）是卡尔曼滤波的非线性版本，其关于当前均值和协方差的估计线性化。在定义明确的转移模型的情况下，EKF已经被认为是非线性状态估计的理论中的事实上的标准。因此，EKF可以允许线性和非线性变量，使其更灵活和通用。贝叶斯滤波还可以包括粒子滤波。如果测量误差的分布是非高斯分布，则这可能是特别有利的。粒子滤波也被称为序列蒙特卡罗（SequentialMonteCarlo）（SMC）方法，用于解决贝叶斯滤波推理中的滤波问题。回归模型可以包括训练的递归神经网络（RNN）。RNN可以被用于针对给定控制输入预测系统输出。RNN可以被离线训练并部署到其中方法被执行的地方。在RNN中，单元之间的连接通常形成有向循环，使得RNN可以表现动态时间行为。与前馈神经网络不同，RNN可以使用它们的内部存储器来处理任意的输入的序列。该能力使RNN成为回归模型的有利选择。在其他实施例中，还可以使用允许来自给定输入信号的时间序列回归的不同机器学习方法。特别是如果物理系统是时间连续的，则递归神经网络可以在离散时间步长之间插值，并且贝叶斯滤波可以包括连续卡尔曼滤波。在该情况下，状态空间系统模型的状态方程也可以是连续的。一种装置，包括接口，其用于观察包括物理系统中的状态变量的状态矢量；以及处理构件，其适于完全地或部分地执行以上描述的方法。为了该目的，描述的方法可以被表达为具有程序代码构件的计算机程序产品。方法的优点或特征可适用于所述装置，并且反之亦然。附图说明根据以下讨论，参考附图中示出的示例性实施例，将使得本专利技术的以上描述的特性、特征和优点以及实现它们的方式更清楚和更易理解，其中图1示意性地示出了卡尔曼滤波可以被如何用于状态预测；图2示出了用于提供改进的状态信息预测的方法的示意性表示；图3示出了用于预测物理系统的状态的示例性物理系统和示例性装置；以及图4示出了物理系统的绘图。具体实施方式传统上使用以下方法之一来执行系统状态的预测：ⅰ）从物理系统行为导出数学模型，并且从已知的初始状态开始并使用给定的未来系统输入在时间上向前数值模拟。ⅱ）从真实系统收集测量结果，并构造基于数据的回归模型，所述基于数据的回归模型允许在给定其输入的情况下预测系统输出。方法ⅰ）易受建模误差（即模型没有以足够的准确性描述实际真实世界系统的行为）的影响。导出覆盖真实世界系统相对于预期应用的所有相关行为的模型可能是挑战性的问题。需要执行校准以便使模型参数适于尽可能准确地匹配观察到的系统行为。但即便如此，系统中的任何未建模的动态将显著地降低模型驱动方法的长期预测性能。在方法ⅱ）中，机器学习技术被用于训练数据驱动模型，以便从针对给定控制输入的系统输出的记录测量结果学习系统的行为。该方法不会由于未建模的动态而遭受误差，但另一方面只能预测可以在真实系统中直接观察到的行为。在没有这些状态如何被关联到可观察量的模型的情况下，不能由数据驱动方法将未通过输出观察到的系统状态的任何部分作为目标。此外，如果可能的控制输入的空间未在记录的数据中被密集采样，则数据驱动的方法将针对远离由记录数据覆盖的输入的控制输入产生差的预测结果。另外，数据驱动预测方法的准确性固有地取决于测量结果的准确性。在本文中描述的方法组合方法ⅰ）和ⅱ）以允许比通过单独地使用两种方法中的任一种将是可能的更准确的状态预测。提出的方法的成分如下：a）系统行为的状态空间描述，包括针对状态转移和测量误差（或其估计）的协方差，b）基于数据的回归模型，用于预测给定控制输入的系统输出，c）贝叶斯滤波方法，用于组合来自状态空间模型的信息与来自回归模型的预测。方法利用这些成分来预测针对其给定控制输入的未来的时间范围内的系统状态。在下文中，为了清楚阐述，针对a）、b）和c）使用具体变型来详述方法。然而，要注意，方法适用于更一般的设置中。特别地，对于详细的阐述，我们假设-在考虑中的系统是时间离散线性时不变（LTI）系统，其中所有随机变量都是正态分布的，-对于贝叶斯滤波，应用了公知的卡尔曼滤波方法，-使用历史测量来训练递归神经网络以针对给定控制输入预测系统输出。状态空间系统模型时间离散LTI系统可以通过以下方程描述：这里，表示时间步长处的系统状态，是状态转移矩阵，是控制矩阵，是时间步长处的输入并且是时间步长处的过程噪声。同样地，在输出方程中，是测量结果，是输出矩阵并且是时间步长处的测量噪声。我们假设噪声项和分别是具有协方差矩阵和的无均值正态分布随机变量：，。状态预测的问题现在可以陈述如下：对于中的，给定初始状态和已知的控制输入，针对中的每个预测系统状态本文档来自技高网...

【技术保护点】
1.方法（300），所述方法包括以下步骤：‑ 提供（305）物理系统的行为的状态空间模型，所述模型包括针对状态转移和测量误差的协方差；‑ 提供（310）用于预测所述物理系统的状态变量的基于数据的回归模型；‑ 观察（315）包括所述物理系统的状态变量的状态矢量；‑ 使用所述回归模型，确定（320）基于所述状态矢量的状态变量的预测矢量；以及‑ 通过贝叶斯滤波组合（325）来自所述状态空间模型的信息与来自所述回归模型的预测。

【技术特征摘要】
2017.08.08 EP 17184735.31.方法（300），所述方法包括以下步骤：-提供（305）物理系统的行为的状态空间模型，所述模型包括针对状态转移和测量误差的协方差；-提供（310）用于预测所述物理系统的状态变量的基于数据的回归模型；-观察（315）包括所述物理系统的状态变量的状态矢量；-使用所述回归模型，确定（320）基于所述状态矢量的状态变量的预测矢量；以及-通过贝叶斯滤波组合（325）来自所述状态空间模型的信息与来自所述回归模型的预测。2.根据权利要求1所述的方法（300），其中所述贝叶斯滤波由卡尔曼滤...

【专利技术属性】
技术研发人员：M阿尔马拉斯，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