生成复杂设备的结构参数的系统、计算机辅助的方法和计算机程序产品技术方案

本发明专利技术的任务是，使复杂设备的设计变得简单。为此，在计算机辅助的方法中，从至少一个规格参数出发，借助经过训练的神经网络来生成复杂设备的结构参数。基于参考数据和运行数据来训练神经网络，其中来自本领域技术人员的迭代步骤的数据的不是无关紧要的部分被用于训练。参考数据标明多个复杂设备，所述多个复杂设备已在过去被建设或者被实现，并且参考数据标明所述多个复杂设备的相应的至少一个规格参数以及分别标明结构参数。运行数据标明多个复杂设备和所述多个复杂设备的相应的运行参数，所述相应的运行参数与相应的结构参数对应。

【技术实现步骤摘要】
【国外来华专利技术】生成复杂设备的结构参数的系统、计算机辅助的方法和计算机程序产品
本专利技术处于设计复杂设备和相对应的设计工具的领域，并且尤其是涉及一种用于从至少一个规格参数出发来生成复杂设备的结构参数的系统、一种相对应的计算机辅助的方法以及一种相对应的计算机程序产品。
技术介绍
在设计/开发复杂设备时，通常必须满足一个或者多个规格参数。典型地，从对客户要求的产品或所要求的复杂设备的描述中，以及从在复杂设备运行时对复杂设备的要求中，得出这种规格参数。在传统的设计过程中，那就是在设计和/或建造这种复杂设备时以及在为此所需地确定该复杂设备的结构参数时，在相应的复杂设备的相应专业领域中的技术人员基于该技术人员的专家专有技术（Experten-Know-how）并且从规格参数出发来确定初始设计。于是，优化该复杂设备的设计，也就是优化该复杂设备的结构参数，直到满足这些规格参数。在此，规格参数与复杂设备的运行参数对应，其中这种规格参数尤其是可能与一个运行参数或者与多个运行参数有关，也就是说当一个或者多个确定的运行参数每个都处于确定的值域中时，那么满足这种规格参数。这样，比方说电部件的最大电功率损耗可以预先给定为规格参数，其中如果电流消耗和电压（也就是说电部件上的电压降）在运行中每个都在确定的边界值之下，则满足该规格参数。在传统的设计过程中也可能需要的是，尤其是当在设计过程的第一轮中不能达到规格参数时，再一次利用另外的初始设计来执行设计过程。在传统的设计过程中，常常需要具有不同初始设计的多轮和/或在优化结构参数时的多个步骤。在这种情况下，最终设计（也就是说尤其是复杂设备的结构参数）也可能与初始设计（也显著）有关。以此，这种传统的设计过程可能是资源密集的，和/或分别获得的结果（也就是说最终由进行设计的本领域技术人员确定的结构参数）可能与相应的本领域技术人员有关。以此，尤其是在客户的相同要求的情况下，可能得出不同的设计、也就是说针对复杂设备的结构参数。尤其是由于在优化结构参数时的多次迭代，如今常见的设计过程也可能是耗时的。
技术实现思路
作为任务，本专利技术所基于的是，使复杂设备的设计变得简单，和/或改进复杂设备的结构，并且尤其是更高效地做出对复杂设备的结构参数的确定，和/或使依据这样确定的结构参数建造的这种复杂设备的结构协调。每次根据独立权利要求的教导，分别通过一种用于从至少一个规格参数出发来生成复杂设备的结构参数的计算机辅助的方法，通过一种用于从至少一个规格参数出发来生成复杂设备的结构参数的系统和通过一种用于从至少一个规格参数出发来生成复杂设备的结构参数的计算机程序产品，本专利技术解决所述任务。本专利技术的有利的实施形式、扩展方案和变型方案尤其是从属权利要求的主题。本专利技术的第一方面涉及一种用于借助神经网络从至少一个规格参数出发来生成复杂设备的结构参数的计算机辅助的方法。该方法具有以下的内容。在该方法中，提供参考数据，在一些变型方案中，尤其是提供比方说历史设计、工作步骤的时间表，和/或基于人工产生的输入参数借助敏感性分析来确定，所述参考数据标明多个复杂设备和所述多个复杂设备的相应的至少一个规格参数，以及分别标明结构参数。在该方法中，提供运行数据，所述运行数据标明多个复杂设备和所述多个复杂设备的相应的运行参数，所述相应的运行参数与相应的结构参数对应。再者，在该方法中，基于参考数据和运行数据来训练神经网络。最后，从至少一个规格参数出发并且借助经过训练的神经网络，生成复杂设备的结构参数。当输入参数借助专用的和复杂的软件导致具有所期望的运行参数的具体产品时，本专利技术的一些变型方案得以使用。有利的使用和对此的相对应地构造的变型方案可以是：-变压器：借助复杂软件（分析和验证），如绕组布局和绕组类型等之类的合适的输入参数和初始配置导致具体的设计，在该具体的设计中必须达到如损耗、噪声等之类的客户要求；-驱动机构；-汽轮机；和-针对化学工业的蒸馏塔。在本专利技术的意义上，“结构参数”要被理解为至少如下数据：所述数据（尤其是通过数值）表征和/或在其执行中确定复杂设备的至少一个部分。这样，尤其是复杂设备的实际尺寸可以通过一个结构参数或者通过多个结构参数来表征和确定—比方说通过以如米或者英寸之类的长度单位来说明其相应的伸展的值，表征和确定这种复杂设备的总高度、总宽度和/或总长度。材料特性和/或所使用的材料也可以通过一个或者多个结构参数来确定—比方说通过说明对相应材料进行编码的数值或者文本（比方说针对铜的“Kupfer”、“Cu”或者任意数值标识符），确定这种复杂设备的线缆的材料。根据应用情况确定的结构参数（尤其是所谓的设计参数）也可能是特别相关的。这样，变压器的设计参数尤其是：-变化的参数：o芯直径o电磁钢的等级o绕组布局o匝数o绕组中的并联导体的数目o导体中的导体元件的数目o电流密度o绕组中的层或者线圈的数目o冷却装备-目标变量：o几何数据：■最大尺寸■最大重量o运行数据：■短路阻抗■最大损耗■最大噪声o最小成本。在本专利技术的意义上，“运行参数”要被理解为至少如下数据：所述数据在复杂设备运行时表征所述复杂设备的至少一部分，和/或表征复杂设备的运行。在此，这种运行参数尤其是与一个结构参数或者与多个结构参数有关，和/或可以对应于所述结构参数。这样，比方说这种复杂设备的实际尺寸也可以是运行参数。再者，功率值、干扰的出现和/或表征复杂设备或者其部件的运行的数值可以是运行参数。在本专利技术的意义上，“复杂设备”要被理解为如下至少一个设备：所述至少一个设备具有多个结构参数和运行参数，并且在此在结构参数与运行参数之间存在如下关系：所述关系复杂到使得，至少在一般选择的针对结构参数的值或者数据的情况下，不可能说明一般的功能性（尤其是数学）关系。在此，一些这种复杂设备可以通过高维微分方程是可描述的，可是由于其高维度并且由于结构参数和运行参数的复杂关系，所述高维微分方程不具有稳定解或者只针对有限的值域具有稳定解。在本专利技术的意义上，“神经网络”要被理解为至少一个人工神经网络。这种神经网络（或者简称为“神经网”）尤其是可以具有输入值到输出值的可适配的变换，其中所述变换能通过一个或者优选地多个中间层（神经网的所谓的层）进行。为了适配，可以尤其是利用针对输入值的数据来训练神经网，并且必要时训练针对输出值的相关联的数据，这通常作为所谓的“监督式学习（SupervisedLearning）”进行。尤其是，这种人工神经网络可以以电子方式和/或以数字方式来实施。借助经过训练的神经网络生成复杂设备的结构参数的优点尤其是可以在于，这样确定的结构参数和因此复杂设备的设计可以可再现地（并且尤其是与相应的本领域技术人员无关地）被确定，由此可以使这种复杂设备的结构协调。尤其是通过这种协调，基于相应的结构参数，以始终不变的质量和/或以相应设计的同类的方式和方法可以本文档来自技高网...

【技术保护点】
1.一种用于借助神经网络从至少一个预先给定的规格参数出发来生成复杂设备的结构参数的计算机辅助的方法（100），其中所述方法具有：/n- 提供（130）参考数据，所述参考数据标明多个复杂设备和所述多个复杂设备的相应的至少一个规格参数，以及分别标明结构参数，其中相应的结构参数表征相应的复杂设备的结构的至少一个部分；/n- 提供（140）运行数据，所述运行数据标明所述多个复杂设备和所述多个复杂设备的相应的运行参数，所述相应的运行参数与所述相应的结构参数对应，并且在所述相应的复杂设备运行时，所述相应的运行参数表征所述相应的复杂设备的至少一个部分，或者所述相应的运行参数表征所述相应的复杂设备的运行；/n- 基于所述参考数据和所述运行数据来训练（150）所述神经网络；以及/n- 从所述至少一个规格参数出发并且借助经过训练的神经网络，生成（160）所述复杂设备的所述结构参数，其中生成所述结构参数，用于制造所述复杂设备，并且依据所述结构参数来建造所述复杂设备；/n其中所述相应的至少一个规格参数是针对所述相应的运行参数的预给定，并且所述运行参数满足相应的规格参数；和/n其中在所述训练（150）时，确定（156，166）误差大小，所述误差大小具有在所述参考数据的所述结构参数与借助所述神经网络确定的结构参数之间的偏差，以及具有在所述相应的至少一个规格参数与相应的运行参数之间的偏差，所述相应的运行参数与所述借助所述神经网络确定的结构参数对应。/n...

【技术特征摘要】
【国外来华专利技术】20180618 EP 18178202.01.一种用于借助神经网络从至少一个预先给定的规格参数出发来生成复杂设备的结构参数的计算机辅助的方法（100），其中所述方法具有：
-提供（130）参考数据，所述参考数据标明多个复杂设备和所述多个复杂设备的相应的至少一个规格参数，以及分别标明结构参数，其中相应的结构参数表征相应的复杂设备的结构的至少一个部分；
-提供（140）运行数据，所述运行数据标明所述多个复杂设备和所述多个复杂设备的相应的运行参数，所述相应的运行参数与所述相应的结构参数对应，并且在所述相应的复杂设备运行时，所述相应的运行参数表征所述相应的复杂设备的至少一个部分，或者所述相应的运行参数表征所述相应的复杂设备的运行；
-基于所述参考数据和所述运行数据来训练（150）所述神经网络；以及
-从所述至少一个规格参数出发并且借助经过训练的神经网络，生成（160）所述复杂设备的所述结构参数，其中生成所述结构参数，用于制造所述复杂设备，并且依据所述结构参数来建造所述复杂设备；
其中所述相应的至少一个规格参数是针对所述相应的运行参数的预给定，并且所述运行参数满足相应的规格参数；和
其中在所述训练（150）时，确定（156，166）误差大小，所述误差大小具有在所述参考数据的所述结构参数与借助所述神经网络确定的结构参数之间的偏差，以及具有在所述相应的至少一个规格参数与相应的运行参数之间的偏差，所述相应的运行参数与所述借助所述神经网络确定的结构参数对应。


2.根据权利要求1所述的计算机辅助的方法（100），所述方法此外还具有：
-监控（132）所述多个复杂设备中的至少一个复杂设备的手动设计迭代（112，114），以达到所述至少一个复杂设备的所述至少一个规格参数，其中要执行所述手动设计迭代（112），以达到所述至少一个规格参数；
-适配（134）所述参考数据，其中关于所述至少一个复杂设备，对于每个手动设计迭代都存储所述结构参数；以及
-适配（144）所述运行数据，其中关于所述至少一个复杂设备，对于每个手动设计迭代都存储所述运行参数；
并且其中，基于经过适配的参考数据和运行数据来训练（150）所述神经网络。


3.根据权利要求1或者2所述的计算机辅助的方法（100），此外还具有基于所生成的结构参数来模拟（162）所述复杂设备，以确定所述复杂设备的运行参数；并且其中，所述神经网络的所述训练（150）再者基于所述至少一个规格参数和所述复杂设备的所述运行参数。


4.根据权利要求3所述的计算机辅助的方法（100），其中，在基于分别生成（160）的所述结构参数来相应地模拟（162）所述复杂设备的情况下，迭代式地（116）执行所述神经网络的所述训练（150）。


5.根据上述权利要求中任一项所述的计算机辅助的方法（100），此外还具有：
-模拟（142）所述多个复杂设备中的至少一个复杂设备，以为了提供（140）或者适配（144）所述运行数据而确定所述至少一个复杂设备的运行参数。


6.根据上述权利要求中任一项所述的计算机辅助的方法（100），其中，为了提供（140）针对所述多个复杂设备中的至少一个复杂设备的所述运行数据，从传感系统接收所述运行参数，所述传感系统设立用于测量所述至少一个复杂设备的所述运行参数。


7.根据权利要求6所述的计算机辅助的方法（100），此外还具有：
-借助所述传感系统（40），测量所述至少一个复杂设备（44）的所述运行参数。


8.根据上述权利要求中任一项所述的计算机辅助的方法（100），其中：
针对用于达到所述至少一个规格参数的多个设计迭代，针对所述多个复杂设备中的至少一个复杂设备的所述参考数据分别对于每个设计迭代标明结构参数；
针对所述至少一个复杂设备的所述运行数据分别对于每个设计迭代标明如下运行参数：所述运行参数与关于所述至少一个复杂设备和关于相应的设计迭代的所述结构参数对应；
所述神经网络设立为，从所述至少一个复杂设备的所述至少一个规格参数出发，针对多个设计迭代分别确定所述结构参数；以及
在确定（156）所述误差大小时，此外确定对于针对所述至少一个复杂设备的每个设计迭代的如下偏差：所述偏差为在所述参考数据的所述结构参数与借助所述神经网络确定的结构参数之间的偏差，并且所述误差大小具有所述偏差。

【专利技术属性】
技术研发人员：H·埃特尔，T·鲍迪施，A·加哈默，D·施米尔诺夫，Y·郭，A·乌茨，
申请(专利权)人：西门子股份公司，
类型：发明
国别省市：德国;DE