用于使用机器学习的最佳驱动器配置的系统和方法技术方案

本发明专利技术涉及用于使用机器学习的最佳驱动器配置的系统；所述系统包括：

【技术实现步骤摘要】
用于使用机器学习的最佳驱动器配置的系统和方法


[0001]本专利技术涉及用于使用机器学习的最佳驱动器（drive）配置的系统和方法。

技术介绍

[0002]工业驱动器是传动系统(powertrain)的一部分，所述传动系统由诸如马达和变压器之类的其它装置构成。为了传动系统的成功配置，有必要知晓应用（例如HVAC（供热、通风和空气调节）、抽水(water pumping)、机器和运动控制）的细节。基于应用细节，在系统被组装之前生成用于控制器的配置参数是可能的。
[0003]由于驱动器是传动系统中的中心元件，因此，驱动器的适当的配置对于客户是至关重要的。错误的配置参数对系统的生产力具有负面的影响。
[0004]成功的驱动器配置要求系统设计、仿真工程和操作的知识。它还要求以实践经验磨练（hone）的专家知识。目前，不存在为驱动器配置整合（integrate）这些各种知识源的通用工具。
[0005]如图1中所描绘，单独的工具用于基于可用的产品目录（catalogue）和关于应用的可用的初始信息的初始传动系统选择。在驱动器/传动系统装置的选择之后，单独的工具用于驱动器的仿真和配置。
[0006]结果，初始配置参数通常是基于部分知识的，并且采用仿真来迭代调节，以便实现适当的驱动器配置，所述适当的驱动器配置必须在真实系统中被最终验证并且通常在真实系统中被调节。期望采取更整体的方式，以便减少工程时间和费用。此外，在操作阶段期间发现的错误配置可能对费用和生产力造成甚至更大的影响。

技术实现思路
<br/>[0007]因此，将有利的是具有改进的技术，以便改进是传动系统的一部分的工业驱动器。
[0008]本专利技术的目的采用独立权利要求的主题得到解决，其中另外的实施例被并入从属权利要求中。
[0009]本专利技术采用系统概念和对应的方法为驱动器参数的配置填补这个空白。机器学习用于生成驱动器的最佳配置参数。这个方式的优点是要当设计和操作工业驱动器系统时，减少工程时间、工程工作量（effort）以及工程工具的维护、对客户的损耗和风险。
[0010]在第一方面中，提供有用于使用机器学习的最佳驱动器配置的系统，所述系统包括：
‑
数据收集器，所述数据收集器被配置成收集数据并且在所收集的数据之中建立相互关系（correlation）；
‑
训练数据集生成器，所述训练数据集生成器被配置成基于所收集的数据并且基于所建立的相互关系来计算配置集，所述训练数据集生成器进一步被配置成为配置集计算测量（measured）的成功值，所述训练数据集生成器进一步被配置成生成包括配置集连同对应的测量的成功值的训练数据集；
‑
机器学习模块，所述机器学习模块被配置成使用由训练数据集生成器提供的训练数据集使用机器学习算法为所计算的配置集预测所预测的成功值；以及
‑
优化模块，所述优化模块被配置成排序（order）所计算的配置集，所述优
化模块包括仿真（simulation）模块，所述仿真模块被配置成仿真所计算的配置集。
[0011]根据本专利技术的示范实施例，所述系统进一步包括用户接口模块，所述用户接口模块被配置成提供系统的配置并且被配置成提供由机器学习模块执行的机器学习过程的可视化。
[0012]根据本专利技术的示范实施例，所述系统进一步包括用户接口模块，所述用户接口模块被配置成发起用于持续改进机器学习算法的反馈机制。
[0013]根据本专利技术的示范实施例，所述系统进一步包括用户接口模块，所述用户接口模块被配置成向用户提供机器学习算法的备选方案。
[0014]根据本专利技术的示范实施例，数据收集器被配置成通过采用（adopt）文本处理方式或者文本挖掘方式来收集数据，或者收集从客户要求中提取的数据。
[0015]根据本专利技术的示范实施例，所述优化模块被配置成收集实时系列数据，所述实时系列数据由仿真模块用来仿真所计算的配置集。
[0016]根据本专利技术的第二方面，提供有一种方法，所述方法包括以下步骤：
‑
通过数据收集器收集数据并且在所收集的数据之中建立相互关系；
‑
通过训练数据集生成器基于所收集的数据并且基于所建立的相互关系来计算配置集，为配置集计算测量的成功值，生成包括配置集连同对应的测量的成功值的训练数据集；
‑
通过机器学习模块使用由训练数据集生成器提供的训练数据集使用机器学习算法为所计算的配置集预测成功值；以及
‑
通过优化模块来排序所计算的配置集，并且通过仿真模块来仿真所计算的配置集。
[0017]本专利技术为基于来自各种源的知识而创建的工业驱动器系统有利地提供用于创建操作参数的工具。
[0018]本专利技术有利地提供：所述工具能够根据现有专家系统中体现的经验、人类专家训练以及从仿真和从安装系统中获得的知识学习。所述工具采用从这些各种源中获得的新经验而持续更新。
[0019]用户将他的应用（例如（一个或多个）马达负载、环境条件、电网络参数等）描述为输入。所述工具然后将所推荐的驱动器操作参数呈现给他。
[0020]经验至少从以下源中获得：i）在例如工程期间使用的工具中体现的现有专家系统ii）人类专家知识iii）在工程和测试期间获得的用于驱动器系统的仿真结果，包括系统的电、热和机械方面的仿真，iv）部署的生产中的系统数据，包括测量、操作期间观察到的异常以及服务信息为了工业驱动器系统的成功配置，有必要知晓应用（例如HVAC（供热、通风和空气调节）、抽水、机器和运动控制）的细节。基于应用细节，在系统被组装之前生成用于控制器的配置参数是可能的。
[0021]适当的配置对于客户是至关重要的。错误的配置参数可能对系统的生产力具有不利的影响。
[0022]本专利技术为驱动器参数的配置采用系统概念和对应的方法填补这个空白。机器学习用于生成驱动器的最佳配置参数。这个方法的优点是要当设计和操作工业驱动器系统时，减少工程时间、工程工作量、工程工具的维护以及对客户的损耗和风险。
[0023]在第二方面中，提供有用于使用机器学习的最佳驱动器配置的方法。
[0024]步骤1包括：通过采用诸如NLP之类的文本处理方式或者文本挖掘方式，从客户要求中提取感兴趣的参数。
[0025]步骤2包括：基于步骤1中的标识的系统描述，机器学习提供具有到目前为止已知的最高成功值（即，高于某一阈值）的驱动器配置参数集（候选）。
[0026]步骤3包括：所有的候选都在仿真中被评估（并行地或迭代地可作为云服务）。
[0027]步骤4包括：生成提供所有的候选的结果的报告。
[0028]步骤5包括：如果仿真结果收敛（converge），则向用户提供最好的驱动器配置参数集。否则，采用步骤1中的更好的设计要求或者约束或者步骤2中的更高的成功阈值重复上述步骤直至实现收敛。
[0029]步骤6包括：通过模仿来学习。专家工程师采取自动选择的驱动器配置参数集。专本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于使用机器学习的最佳驱动器配置的系统，所述系统包括：
‑
数据收集器，所述数据收集器被配置成收集数据并且在所收集的数据之中建立相互关系；
‑
训练数据集生成器，所述训练数据集生成器被配置成基于所收集的数据并且基于所建立的相互关系来计算配置集，所述训练数据集生成器进一步被配置成为所述配置集计算测量的成功值，所述训练数据集生成器进一步被配置成生成包括所述配置集连同对应的测量的成功值的训练数据集；
‑
机器学习模块，所述机器学习模块被配置成使用由所述训练数据集生成器提供的训练数据集使用机器学习算法为所计算的配置集预测所预测的成功值；以及
‑
优化模块，所述优化模块被配置成排序所述所计算的配置集，所述优化模块包括仿真模块，所述仿真模块被配置成仿真所述所计算的配置集。2.如权利要求1所述的系统，其中，所述系统进一步包括用户接口模块，所述用户接口模块被配置成提供系统的配置并且被配置成提供由所述机器学习模块执行的机器学习过程的可视化。3.如权利要求1
‑
2中的任一项所述的系统，其中，所述系统进一步包括用户接口模块，所述用户接口模块被配置成发起用于持续改进所述机器学习算法的反馈机制。4.如权利要求1
‑
3中的任一项所述的系统，其中，所述系统进一步包括用户接口模块，所述用户接口模块被配置成向用户提供机器学习算法的备选方案。5.如权利要求1
‑

【专利技术属性】
技术研发人员：P，
申请(专利权)人：ABB瑞士股份有限公司，
类型：发明
国别省市：